近日,第42届国际机器学习大会(International Conference on Machine Learning,简称ICML)、第34届国际人工智能联合会议(International Joint Conference on Artificial Intelligence,简称IJCAI)公布了2025年论文录用结果。北京工业大学计算机学院吕庚育、杨震教授团队指导的博士研究生林约拿、硕士研究生钟淇宇分别以第一作者身份在ICML 2025会议上发表论文,硕士研究生李卓以第一作者身份在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),且这些小团在全局分布中相对分散(全局稀疏),影响了全局结构表示质量。对此,论文提出一种融合模糊集理论的新型“模糊边界”机制。该机制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,论文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,既全面挖掘跨视图特征关联,又完整刻画多标签语义关系。为更好地刻画低秩张量结构,论文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方式,容易导致关键节点缺失,从而破坏超图中原有的高阶结构关系,影响表示学习效果。对此,论文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。该机制有效降低关键结构信息在增强过程中丢失的机率,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方法。
ICML和IJCAI均是中国计算机学会(CCF)A类推荐会议。其中,ICML更被业内称为“机器学习三大顶会”之一。本次在ICML发文,也是计算机学院学生首次以第一作者身份在该国际会议上发表论文。