面向城市计算的时空学习应用研究
面向城市计算相关场景，突破“稀疏分布的小样本事件挖掘、多源数据融合的开放路网智能交通调度理论、空气质量分布的时空解释性”等多源异质时空数据挖掘科学问题，探究城市中“自然-人-社会”的交互影响与关联，为自动驾驶、智能交通、城市安全、环境管控等一系列城市治理场景提供“算法大脑”支撑和决策依据。
首次基于多源数据时空协同感知方法，实现短时事件预测（AAAI'20）
历史时空模式嵌入的细粒度轨迹预测（ICDE'21）
多目标感知的车辆调度优化（TVT'20)
时空多粒度智慧城市管控系统
动态异质图学习中的不确定性和鲁棒性研究
针对动态、异质图数据挖掘问题，重点研究深度学习模型鲁棒性解释方法和数据不确定性预测方法，提出了基于层次性扰动的离线模型鲁棒性测试和融合图外上下文信息的不确定性量化方法，基于乐特彩票剪枝算法构建了时空学习轻量化模型，并在人类活动、蛋白质预测等应用场景下开展实验验证，形成稳定、高效的轻量级深度学习模型范式。
基于层次性扰动的时空预测模型鲁棒性度量（WWW'21）
基于不确定性量化的灰度时空预测系统
基于乐特彩票训练框架的轻量化时空学习模型
数据分布不确定性的基础理论研究
专注于研究数据挖掘中面临的数据分布不确定性关键问题，重点关注域内数据分布的不均衡性（数据稀疏问题）和异质性（数据异构问题），以及域间数据分布的偏移性（长尾学习/分布外泛化/多分布融合），利用信息论、对抗学习、多模态融合等技术实现精准的、鲁棒的深度学习模型，并实现模型在智能制造和交叉领域的迁移应用。
不均衡性 - 基于联合门控机制和多模态网络的区域房价预测（TKDE'2021）
异质性 - 解决模态冗余性和异质性的自校正多模态融合（ICDM'2022）
不均衡性 - 路口视频监控信息稀疏的交通模式推断（TVT'2022）
偏移性 - 长尾时间序列分类
面向材料与生物计算的AI for Science研究
运用神经网络、知识图谱、强化学习等先进人工智能算法模型，突破材料“构效”关系、“谱效”关系、有机化合物逆向合成、蛋白质构象预测等关键科学问题，推动材料、生命科学研究提质增效。目前正承担国家重大科研仪器研制项目（部门推荐）和中科院稳定支持基础研究领域青年团队等项目。
融合立体信息的3D分子图网络性质预测（Brief in Bioinformatics）
基于蒙特卡洛搜索树的逆向合成方法 (PNAS’22)
融合物理知识的端到端谱效关联挖掘
