|
|
计算机学院多项研究成果在国际顶级会议ICML2025、IJCAI2025发表. A' a. s9 X* h. u% s+ E5 G( V
来源：计算机学院 时间：2025-05-13- O2 P3 `# D2 B- v0 b) P' N* T
近日，计算机学院再传捷报。计算机科学与技术系刘金铎、冀俊忠教授团队和马伟教授团队三篇论文分别被第42届国际机器学习大会（ICML 2025）和第34届国际人工智能联合会议（IJCAI 2025）录用。论文第一作者分别为计算机学院硕士研究生余旻祺、翟继豪、张思源。$ e1 R. a, ?9 ~
! I. W. v+ _+ A- v. Z
: j6 h* @) y m' _3 g( i4 N* \8 [1 D& Y9 B
论文“Causal Invariance-aware Augmentation for Brain Graph Contrastive Learning”发表于ICML2025，聚焦于脑图分析中的数据分布偏移问题。现有方法在面对多站点数据时难以捕捉局部关键特征，泛化能力受限，影响疾病识别效果。对此，论文提出了一种基于因果不变性增强的脑图对比学习方法。该方法首先采用因果解耦的方式识别出一个可学习的脑部关键子图，并通过不变学习捕捉与标签最相关的不变信息；接着围绕不变子图，针对脑数据特点设计一种新的不变性感知的增强策略，以生成增强样本提升脑图对比学习效果；最终利用不变子图进行脑疾病分类，有效缓解分布偏移情况，识别关键的局部图结构，从而增强模型的可解释性。在多个真实脑疾病数据集上的实验结果表明，该方法取得领先性能，并具备较强的跨站点泛化能力与良好的可解释性。
4 S4 B. W' t$ P
3 [* f& V: X9 n* U
# i0 ^* I! a- j
0 m, E1 g% {/ w# t论文“Inferring Causal Protein Signaling Networks with Reinforcement Learning via Artificial Bee Colony Neural Architecture Search”发表于IJCAI2025，聚焦于因果蛋白质信号网络推断问题。传统的机器学习方法不能充分提取深层复杂因果关系，现有深度学习模型虽然无此缺陷但模型具有大量超参数，导致最优模型架构难以确定，模型性能受到制约。针对上述问题，论文提出了一种基于人工蜂群神经架构搜索的因果蛋白质信号网络强化学习方法。该方法基于神经架构搜索的思想，首先通过人工蜂群算法和交叉熵损失函数自动搜索演员-评论家强化学习模型的最优超参数以确定模型架构，然后通过设计演员-评论家强化学习模型从单细胞数据中推断最优的因果蛋白质信号网络。在多个数据集上的实验结果表明，该方法比现有方法具有更好的推断性能，对于深入理解生物系统中蛋白质间的因果关系具有重要意义。& v+ P/ G/ c, m$ v3 y6 a. B- D7 X
9 X% S& b4 G! ?' d( h/ y" W S6 r. N8 t7 F3 Y$ D: h' G
2 B; n+ {0 U+ O* L. W" o论文“Training-free Fourier Phase Diffusion for Style Transfer”发表于IJCAI 2025，展示了基于扩散模型的风格迁移领域的最新研究成果。针对以往基于扩散模型的风格迁移方法在内容保持方面的不足，论文创新性地将内容图像的傅里叶域相位谱引入到扩散模型的生成过程中，以增强内容的可控性。团队设计了一种相位谱融合方法，并探讨了引入相位谱的最佳方式。该框架无需对扩散模型进行训练，能够在保持原始图像内容的基础上实现用户期望的风格化效果，并在多个指标上优于现有的风格迁移技术。0 S( l1 L6 d$ m
& I5 b# z& o$ i9 k, j6 |, y2 t$ g1 iICML与IJCAI均为CCF-A类推荐会议，具有较高的国际影响力。计算机学院的研究成果被录用，充分展示了学院在相关领域的研究水平和实力。入选论文师生表示，将以此为契机加大科技攻关力度，为推动计算机科学与技术学科的发展作出积极贡献。 |
|
发表于 
楼主