北京工业大学计算机学院

工作信息

2025年 第35期

近日，机器学习领域顶级会议“第42届国际机器学习大会”International Conference on Machine Learning (ICML)，人工智能领域国际顶级会议“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，计算机学院捷报频传，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ICML 2025和IJCAI 2025录用，第一作者分别为我院研二硕士余旻祺、研三硕士翟继豪和研二硕士张思源。

论文《Causal Invariance-aware Augmentation for Brain Graph Contrastive Learning》发表在 ICML2025，聚焦于脑图分析中的数据分布偏移问题。现有的方法在面对多站点数据时难以捕捉局部关键特征，导致泛化能力受限，影响疾病识别效果。为了解决这一问题，我们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，并且通过不变学习捕捉与标签最相关的不变信息。围绕这一不变子图，我们针对脑数据的特点，设计了一种新的不变性感知的增强策略，以生成既保留关键局部结构又能提供多样信息的增强样本以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，这样不仅有效缓解了分布偏移问题，还能识别关键的局部图结构以增强模型的可解释性。在多个真实世界的脑疾病数据集上的实验结果表明，该方法取得了领先性能，并具备较强的跨站点泛化能力与良好的可解释性。

图1 基于因果不变性增强的脑图对比学习方法

论文《Inferring Causal Protein Signaling Networks with Reinforcement Learning via Artificial Bee Colony Neural Architecture Search》发表在IJCAI2025，聚焦于因果蛋白质信号网络推断问题。传统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可以克服这一缺陷但模型往往具有大量超参数，导致最优模型架构难以确定从而使模型性能受到制约。针对上述问题，本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地搜索演员-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来从单细胞数据中推断最优的因果蛋白质信号网络。在多个模拟数据集以及真实数据集上的实验结果表明，与现有方法相比，该方法具有更好的推断性能，这对于深入地理解生物系统中蛋白质间的因果关系具有重要意义。

图2 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

论文《Training-free Fourier Phase Diffusion for Style Transfer》发表在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，研究团队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，以增强对内容的可控性。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。

图3 无需训练扩散生成风格迁移方法

ICML是机器学习领域顶级会议，IJCAI是人工智能领域国际顶级会议，均为CCF-A类推荐会议，具有极高的国际影响力。这些会议每年都汇聚全球顶尖学者与产业领袖，通过展示最前沿的研究成果推动相应领域研究的不断突破。

计算机学院此次有多项研究成果录用，展现了学院在这些领域的研究水平和实力。这不仅有助于提升学院在国际学术界的影响力，也为相关研究方向的发展注入了新的动力，有望进一步推动计算机科学与技术学科的进步和发展。