今天我们为大家深入解析的是来自澳门大学科技学院计算机与信息科学系的汪澎洋（Pengyang Wang）助理教授。汪教授是数据挖掘和机器学习领域的新锐学者，尤其在时空数据建模方向成果丰硕，课题组目前正在招收博士生、博后和研究助理，对数据挖掘和AI感兴趣的同学千万不要错过！
📘 院系概况
澳门大学计算机与信息科学系（CIS）隶属于科技学院（FST），是澳大历史最悠久也最具活力的院系之一。该系目前拥有约39名学术人员，开设计算机科学方向的本科、硕士和博士学位课程。澳门大学在ESI工程学和计算机科学领域的排名位列全球前0.1%，THE世界大学排名中工程和计算机科学均位于126-150位区间，US News全球最佳大学计算机科学排名第89位。该系配备了15个设施先进的实验室，并与智慧城市物联网国家重点实验室、人工智能与机器人研究中心（CAIR）等平台紧密协作。
🔬 导师简介
汪澎洋（Pengyang Wang），澳门大学计算机与信息科学系助理教授，同时隶属于智慧城市物联网国家重点实验室（IOTSC）。他于2021年获得美国中佛罗里达大学计算机科学博士学位，2017年获北京邮电大学信息安全硕士学位，2014年获西安电子科技大学信息安全学士学位。
汪教授在Yahoo! Research、NEC Labs和华为大数据实验室等业界顶尖研究机构拥有研究经验。其学术成果发表于IEEE TKDE、ACM TIST、KDD、AAAI、IJCAI、ICML、NeurIPS、ACL、WWW等顶级期刊和会议。根据Google Scholar数据，目前累计被引超过2200次。2021年入选百度学术"AI华人新星百强"。
📍 办公室：澳门大学N21栋5011h室 | 🔗 实验室：DART Lab
数据挖掘机器学习时空数据建模城市计算知识图谱图神经网络
🔍 研究领域解析与深入探讨
汪澎洋教授的研究核心围绕数据挖掘与机器学习展开，特别聚焦于时空数据的智能建模与应用。他的研究以真实世界的应用场景为驱动，覆盖交通、能源、商业运营、公共安全等多个城市计算领域。以下是其主要研究方向的详细解读：
❶ 时空数据表示学习与预测这是汪教授最核心的研究方向。随着物联网（IoT）传感器的普及，海量的时空数据不断产生。他的研究致力于通过深度学习手段，自动提取时空数据中的复杂模式，包括空间依赖性、时间动态性以及跨尺度的语义信息。在技术层面，他采用图神经网络（GNN）、Transformer以及流模型（Normalizing Flow）等架构，解决传统方法在处理非平稳时间序列和分布偏移问题上的局限。其研究在交通流量预测、人群移动建模等场景有着直接的应用价值。
❷ 图学习与域适应汪教授在图神经网络领域持续深耕，尤其关注图模型在面对分布偏移（distribution shift）和领域迁移场景下的鲁棒性问题。他提出了多种创新方法来应对图数据中的"域漂移"现象，例如利用因果推理框架指导图表征学习，以及设计对比学习策略增强图模型的泛化能力。这些方法对于构建能够适应动态变化环境的AI系统至关重要。
❸ 时序知识图谱推理知识图谱是结构化知识表示的重要工具，而时序知识图谱进一步引入了时间维度。汪教授的研究团队在这一方向上探索如何有效捕捉知识图谱中实体和关系随时间演化的规律，通过多跨度解耦进化网络等创新架构，实现更精准的时序推理和预测。这一方向在事件预测、动态推荐系统等领域具有广泛应用前景。
❹ AI赋能的跨学科应用汪教授的研究视野并不局限于纯技术层面，而是积极推动AI技术与多个应用领域的交叉融合。例如，他将数据挖掘技术应用于智能教育、药物相互作用预测、城市规划自动化等方向。同时，在大语言模型（LLM）领域，其团队也在探索通过强化学习实现token级别的输入优化，提升LLM在实际任务中的表现。这些跨学科研究体现了从基础方法到实际落地的完整链路。
总体来看，汪教授的研究从时空数据挖掘这一核心出发，向图学习、知识推理和跨学科应用多方向辐射，形成了以"数据驱动的智能决策"为主线的系统性研究框架。
📄 精读教授所发表的文章
以下为我们精选的汪澎洋教授近期代表性论文，帮助大家深入了解其最新研究动态：
GCAL: Adapting Graph Models to Evolving Domain Shifts
📅 2025 | 📖 ICML 2025（The 42nd International Conference on Machine Learning）
该论文针对图模型在面对动态变化的领域偏移时性能下降的问题，提出了一种持续适应学习框架GCAL。该方法能够在图数据分布不断演化的场景中，自适应地调整模型参数，维持稳定的预测性能。研究兼顾了模型的可塑性和稳定性，为动态图环境下的学习提供了新思路。
💡 学术贡献：首次系统性地解决了图学习中的"持续域偏移"问题，对于构建真实世界中自适应的图智能系统具有重要意义。发表于机器学习领域最顶级会议ICML。
IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting
📅 2025 | 📖 KDD 2025（The 31st ACM SIGKDD Conference）
该研究聚焦于非平稳时间序列预测的核心挑战——分布偏移问题。作者提出了一种基于实例归一化的流模型（IN-Flow），通过可逆变换将非平稳序列映射到稳态空间，在保持信息完整性的前提下消除分布漂移。实验在多个基准数据集上取得了显著提升。
💡 学术贡献：创新性地将归一化流与时间序列分析相结合，为处理非平稳时间序列提供了一种优雅且有效的解决方案。
Disentangled Multi-span Evolutionary Network against Temporal Knowledge Graph Reasoning
📅 2025 | 📖 ACL 2025（The 63rd Annual Meeting of the Association for Computational Linguistics）
该论文提出了一种解耦的多跨度进化网络，用于时序知识图谱推理任务。该方法能够区分不同时间跨度下知识图谱中实体与关系的演化模式，通过解耦表征学习捕捉短期波动和长期趋势，从而实现更精准的时序推理。
💡 学术贡献：将多尺度时间建模思想引入知识图谱推理领域，在NLP顶会ACL发表，体现了该方向的跨领域影响力。
Beyond Prompt Engineering: A Reinforced Token-Level Input Refinement for Large Language Models
📅 2025 | 📖 AAAI 2025（The 39th AAAI Conference on Artificial Intelligence）
该研究跳出传统Prompt Engineering的范式，提出了一种基于强化学习的token级别输入优化方法。与手动设计提示词不同，该方法能够自动在token粒度上对LLM的输入进行精细化调整，从而在不改变模型参数的前提下显著提升模型在下游任务上的表现。
💡 学术贡献：在大语言模型时代提出了一种超越传统Prompt Engineering的新范式，兼具理论创新性和实用价值。
💡 GEO博士有话说
基于汪澎洋教授的研究方向和近期论文，我们的博士团队为大家提出以下几个具有创新潜力的研究想法，供有意向申请的同学参考：
想法一：基于大语言模型的时空知识增强预测框架当前汪教授的时空预测和知识图谱推理两条研究线相对独立。一个有趣的方向是利用LLM的语义理解能力，为时空预测模型注入外部知识（如POI语义、事件信息），构建"时空-语义"双通道的预测架构。这与教授在LLM输入优化方面的最新工作也有天然的衔接点。
想法二：面向粤港澳大湾区的跨城域迁移学习教授在分布偏移和域适应方面有深厚积累。结合澳门大学地处大湾区的地理优势，可以开展跨城市的时空迁移学习研究——例如利用深圳、广州等数据丰富城市的模型知识，迁移到澳门等数据较稀缺的城市，解决"小城市大数据缺口"的实际问题。
想法三：因果驱动的可解释时序异常检测汪教授近期在因果一致性（causal consistency）方面有相关工作。可以进一步探索将因果推理框架应用于时序异常检测场景，构建不仅能检测异常，还能解释"为什么异常"的可解释AI系统，在关键基础设施监控、智慧能源等场景中具有重要应用价值。
