学校首次在AI领域CCF A类顶会发表论文

该成果由辽宁大学信息学部博士生导师丁琳琳教授作为第一作者，硕士生导师李默讲师担任通讯作者，联合指导的硕士生赵钊凇同学，并与辽宁大学潘一山院士、天津大学王鑫教授、墨尔本大学Renata教授共同完成。论文以辽宁大学为第一完成单位和唯一通讯单位，发表于AAAI 2026国际会议，题为“Scalable Semi-supervised Community Search on Attributed Heterogeneous Information Networks”。该研究聚焦异构信息网络中的社区查询问题，针对现有方法难以扩展至大规模图结构且依赖高成本社区级标注的瓶颈，创新性地提出了一个可扩展的半监督社区查询框架。其中，研究设计了MvSF2Token模块，有效提取多视图语义特征，显著降低信息传播复杂度；并提出View-Aware Semantic Graph Transformer（VASGhormer）架构，精准捕获跨视图语义依赖，实现高效社区发现。同时，引入视图感知对比学习机制，在无社区级监督条件下仍能实现鲁棒训练。实验证明，该方法在五个真实数据集上性能平均提升18.06%，训练效率提升10.43倍，展现出卓越的实用性与扩展性。

该成果由辽宁大学信息学部硕士生导师李冬教授作为第一作者，博士生导师丁琳琳教授担任通讯作者，指导的硕士生张铃灵与韩冰豪同学，以及东北大学寇月教授共同完成。论文同样以辽宁大学为第一完成单位和唯一通讯单位，发表于AAAI 2026国际会议，题为“CL-DMDF: Dynamic Multimodal Data Fusion Model Based on Contrastive Learning”。该研究针对多模态数据融合中因传感器失效、信号缺失等造成的模态不确定性问题，提出了一种基于对比学习的动态多模态数据融合模型CL-DMDF。模型创新地设计了跨特征与跨模态双层注意力机制，以计算可靠的注意力得分，动态反映各模态的重要性；并引入基于实体中心的对比学习模块，通过构建基于中心的正样本来增强特征区分性。此外，研究提出的自适应融合模块进一步提升了动态融合策略的效率与准确性。在三个真实多模态数据集上的实验结果验证CL-DMDF模型的通用性与有效性，表现出优异的鲁棒性与泛化能力。

本文系学术转载，如有侵权，请联系CVer小助手删文