近日,第42届“国际机器学习大会”International Conference on Machine Learning (ICML)、第34届“国际人工智能联合会议”International Joint Conference on Artificial Intelligence (IJCAI)公布了2025年论文录用结果。计算机学院吕庚育、杨震教授团队指导的博士生林约拿、硕士生钟淇宇分别以第一作者身份在ICML 2025会议上发表论文,硕士生李卓同学以第一作者身份在IJCAI2025会议发表论文。
论文《Mitigating Local Cohesion and Global Sparseness in Graph Contrastive Learning with Fuzzy Boundaries》发表于ICML2025,聚焦于图对比学习中的“局部聚集”和“全局稀疏”问题。现有方法在对比学习过程中倾向于将具有强相似性的少数样本聚集,导致类簇内部存在多个独立小团(局部聚集)以及这些小团在全局分布中相对分散(全局稀疏),从而影响了学习到的全局结构表示质量。针对上述挑战,文章提出了一种融合模糊集理论的新型“模糊边界”机制。该方法通过构建与收缩模糊边界,扩展原有聚类边界,连接孤立样本与局部小团,并利用原型对比机制促进簇内样本紧密聚合、簇间边界清晰分离,实现更具判别力的全局结构分布。在多个公共图数据集上的实验结果表明,该方法在节点分类与聚类等下游任务中均优于现有先进的图对比学习模型。
论文《Tensorized Multi-View Multi-Label Classification via Laplace Tensor Rank》发表于ICML2025,聚焦于多视图多标签分类问题。解决此类问题的核心在于如何捕捉跨视图的一致性关联,同时挖掘多标签间的语义关系。现有的方法通常采用两个独立组件分别处理这两个问题,却忽视了它们之间潜在的交互关系。为突破这一局限,文章提出基于张量的多视图多标签分类方法,该方法通过构建多视图多标签张量分类器,既能全面挖掘跨视图特征关联,又能完整刻画多标签语义关系。同时为更好地刻画低秩张量结构,创新性地设计了拉普拉斯张量秩作为张量秩的更紧致替代度量,用于捕捉张量空间内的高阶纤维相关性。在多个公共数据集上的实验结果表明,该方法在性能上显著优于其他最先进的方法。
论文《Critical Node-aware Augmentation for Hypergraph Contrastive Learning》发表于IJCAI2025,聚焦于超图对比学习中的结构保持问题。现有方法在超图增强时通常采用随机删除或替换节点的方式,容易导致关键节点的缺失,从而破坏超图中原有的高阶结构关系,影响表示学习效果。为解决这一问题,文章提出一种关键节点感知的超图对比学习方法,首次引入超边预测机制,在增强阶段自动识别并保留关键节点,维护增强前后的结构一致性。该方法综合利用节点级、超边级和节点-超边级对比损失进行嵌入对齐,全面挖掘超图结构信息。同时,通过构建包含判别器与生成器的超边预测模块,评估节点对结构保持的重要性,并在每轮迭代中动态更新关键节点集合。该机制有效缓解了关键结构信息在增强过程中丢失的问题,从而稳定提升下游任务的表示效果。在多个公共数据集上的实验结果表明,该方法在性能上显著优于其他最先进的方法。
ICML和IJCAI是机器学习和人工智能领域最具影响力的学术会议之一,CCF-A类推荐会议。其中,ICML与国际表征学习大会(ICLR)和神经信息处理系统大会(NeurIPS)并称为“机器学习三大顶会”。这是我院学生首次以第一作者身份在该顶级国际会议上发表论文,也是继今年我院林约拿同学在ICLR发表论文之后,学院在机器学习三大顶会的又一次突破。