（一）
李占山教授指導的學生2020級博士生鎮路晗同學的論文“Eliminating Computation of Strongly Connected Components in Generalized Arc Consistency Algorithm for AllDifferent Constraint”被IJCAI 2023收錄。論文的作者是鎮路晗，李占山，李彥志，李宏博。
全不同約束（AllDifferent Constraint）被廣泛使用在約束可滿足問題領域，在約束理論和約束建模中具有不可替代的地位，同時也被用于其它約束（如GCC，Sequence等）的傳播算法。現有的全不同約束的廣義弧相容算法将全不同約束映射到一個二部圖上，并利用強連通分量的結構來删除不相容的值。然而計算強連通分量的過程是一個極其耗時的過程，為了解決這個問題，鎮路晗等人首先通過理論證明了所有的無效邊都指向偶數長度交替環，并得出結論計算強連通分量的過程是可消除的，然後他們設計了一種更簡單更高效的廣義弧相容算法，該算法在局部圖上利用複雜度更低的廣度優先⚜⭐〰✝來删除不相容的值。實驗結果表明，該方法與這些最經典最新的算法相比，求解效率具有顯著提高。
（二）
李占山教授作為通訊作者的論文“A Bitwise GAC Algorithm For Alldifferent Constraints”被IJCAI 2023收錄。論文的作者是李哲，王耀華，李占山。
廣義弧相容性（GAC）算法是解決全異（alldifferent）約束問題的主流解決方案。GAC的核心部分是挖掘和枚舉圖模型的所有強連通分量（SCC）。這導緻大量複雜的數據結構來維護節點信息，從而導緻時間和内存空間的大量開銷。更關鍵的是，數據結構的複雜性進一步阻礙了不同優化方案的協調。為了解決這個問題，本文的關鍵觀察是GAC算法隻關心圖模型的節點是否在SCC中，而不關心它屬于哪個SCC。基于這個觀察結果，我們提出了AllDiffbit算法，它使用位數據結構和操作來有效地确定節點是否在SCC中。這大大減少了相應的開銷，并增強了将現有優化方案協同工作的能力。我們的實驗表明，我們的算法的性能優于最先進的GAC算法超過60％。
（三）
呂帥副教授等的論文“Adaptive estimation Q-learning with uncertainty and familiarity（依賴不确定性和熟悉度的自适應估計Q學習）”被IJCAI 2023錄用。論文的第一作者為呂帥副教授指導的2020級碩士生龔曉宇，通訊作者為呂帥副教授，其他作者為呂帥副教授指導的2019級碩士生于佳玉、2020級碩士生朱盛、2020級碩士生李宗澤。
在深度強化學習方法中，通常使用神經網絡對某個時刻環境所給出的狀态與智能體的動作進行價值估計，并根據估計的價值決定智能體與環境的交互策略。價值估計發生高估或者低估，可能會對智能體策略提升産生誤導作用，從而導緻策略訓練不穩定或者陷入局部最優，最終影響智能體的性能表現。目前提升價值估計準确性的方法多采用兩個或多個函數估計器對價值估計進行一定的修正，但這種修正通常不能根據訓練中的特定樣本或者訓練階段進行動态調整，隻能在有限程度上控制誤差的産生。實際上，針對特定的訓練階段與經驗樣本采取合理的高估與低估有利于強化學習對環境的樂觀探索，可以防止策略陷入高風險區域。
針對上述問題，本文提出了自适應估計Q學習（Adaptive Estimation Q-learning，AEQ），使用不确定性和熟悉度自适應調節價值估計。該方法基于集成Q學習策略，使用多個函數估計器同時對價值進行估計，在計算目标Q值時對多個估計值求平均值，并使用多個估計值的方差與經驗樣本的熟悉度作為懲罰項，動态地調節目标Q值，從而達到平衡價值高估與低估的目的。本文證明了對于任意一個經驗樣本，總存在一個熟悉度值使得估計偏差近似為0。在MuJoCo的若幹連續控制任務上進行了系統評估，實驗表明AEQ的性能優于目前最優方法，也證實了動态估計可以提高性能，防止偏差持續增加。此外，AEQ方法實現簡單，可以應用于任何離策略的行動者-評論家算法。
（四）
楊博教授等的論文“Dual Personalization on Federated Recommendation”被IJCAI 2023錄用，論文的第一作者為楊博教授指導的2019級博士生張春旭，通訊作者為楊博教授，⏭➰者為悉尼科技大學龍國棟教授，馬裡蘭大學周天翼教授和悉尼科技大學張成奇教授。
聯邦推薦系統是一種新的互聯網服務架構，旨在為用戶提供隐私保護的推薦服務。現有方法一般直接組合分布式推薦算法和隐私保護機制，延續了在服務器端部署重量級模型的形式，阻礙了智能模型在終端用戶的部署。針對這一問題，論文提出了一種新的個性化聯邦推薦框架，能夠學習多個用戶特定的輕量級模型。此外，論文還提出了一種新的雙重個性化機制，能夠有效建模用戶和商品的細粒度個性化信息。論文在多個基準數據集上對提出的模型進行了驗證，實驗結果表明，論文提出的方法相比于當前最先進的聯邦推薦模型具有顯著的性能提升。
（五）
黃晶教授指導的2020級碩士生劉冰的論文“Do we need an encoder-decoder to model dynamical systems on networks?”被IJCAI 2023收錄，論文作者為劉冰，⏭➰教授迪肯大學羅玮，李罡，黃晶，楊博。黃晶教授是通訊聯系人。
節點特征嵌入隐空間中的思想在圖神經網絡相關任務中被廣泛應用。然而在複雜網絡動力學建模任務中，高維嵌入雖使模型更好的拟合了觀測數據，但并未正确的學習到表達觀測數據的動力學原理。針對此問題，本文提出動力學預測任務應滿足的三個測試準則，通過實驗分析展示了基于嵌入的模型無法滿足這些準則，以拓撲共轭的視角進行理論分析，并提出一種基于參數化兩個向量場分量的無嵌入建模方法，通過實驗驗證了該方法能夠可靠的學習到不同拓撲結構上的一類動力學現象。
（六）
徐昊教授團隊的論文“RZCR: Zero-shot Character Recognition via Radical-based Reasoning”被IJCAI 2023錄用。論文的第一作者為意大利特倫托大學與伟德国际BETVlCTOR聯合培養的2020級博士生刁曉蕾，由Fausto Giunchiglia教授和徐昊教授共同指導。通訊作者為徐昊教授，其他作者包括意大利特倫托大學博士生史大千，我院博士生申強，軟件學院碩士生李沿增和吳壘。
甲骨文作為現代漢字的源頭，是中華文化的瑰寶，對于探尋和理解中華民族的發展具有重要價值。但由于出土的甲骨文字符樣本量少，且包含大量異體形式，給甲骨文的識别帶來了挑戰。基于對甲骨文構字的特點的分析，本文提出了一種基于部首推理的零樣本字符識别框架RZCR，引入部首對字符進行分解和重構，以提高尾部少樣本字符類别的識别性能。本文提出了一種基于部首推理的零樣本字符識别框架RZCR，引入部首對字符進行分解和重構，以提高尾部少樣本字符類别的識别性能。具體來時，RZCR 首先從字符圖像中并行識别候選部首及其可能的結構關系，然後将結果輸入 KGR，通過知識圖推理來識别目标字符。 該工作在多個數據集上進行了驗證，并展示其在少樣本字符數據集上的優勢。尤其是在對甲骨文的識别上，與最先進的方法相比，能夠顯著提高識别精度，并實現對更多的甲骨文字符類别的識别。
（七）
管仁初教授和豐小月副教授共同指導的2020級碩士生劉永皓和2021級碩士生李夢宇的論文“Local and Global: Temporal Question Answering via Information Fusion”被IJCAI2023收錄。論文的其它作者包括李熙銘副教授、黃岚教授、Fausto Giunchiglia教授和美團相關研究人員。通訊作者是管仁初教授和豐小月副教授。
基于知識圖譜（KG）的模型最近在問答（QA）任務中取得了顯著成功。在現實世界中，許多包含在KG中的事實是存在時間限制的，因此時序圖譜問答（TKGQA）受到了高度關注。現有的TKGQA模型存在局限性：（1）它們既不強調KG中實體之間的圖結構信息，也沒有明确利用多跳關系路徑來增強答案預測。（2）采用預訓練語言模型（LMs）獲取問題表征，僅關注與問題相關的全局信息，沒有顯式利用KG中實體的局部信息。
為解決這些限制，我們提出LGQA模型，在時序知識圖譜嵌入過程中融合局部信息和全局信息以完成TKGQA任務。我們首先引入輔助任務進行時間戳嵌入。然後，設計了信息融合模塊，以有效結合局部和全局信息用以理解問題。我們通過實驗驗證了LGQA的有效性和可靠性。此外，LGQA也能夠針對預測結果提供一定的可解釋性。
（八）
陳海鵬教授指導的2020級博士生楊宇恒的論文“Action Recognition with Multi-stream Motion Modeling and Mutual Information Maximization”被IJCAI2023收錄。通訊作者是呂穎達副教授。
基于骨骼的動作識别（Skeleton-based action recognition）在人工智能領域受到了廣泛關注。在本文中，我們提出了一種源自剛體運動學的運動表示。 新的表示方法捕捉了高階運動特征，對傳統的運動特征進行補充。 此外，我們還提出了一個Stream-GCN網絡，集成多流輸入和通道注意力，其中不同的信息流被組合在一起，而注意力的權重則被分配到重要的通道。 最後，我們為動作特征引入了一個互信息目标，實現對動作類别的精準識别。
（九）
陳海鵬教授等的論文“Discrepancy-Guided Reconstruction Learning for Image Forgery Detection”被IJCAI 2023錄用，論文的第一作者為陳海鵬教授指導的博士後石澤男，通訊作者為香港科技大學博士後張冬，⏭➰者為香港科技大學陳隆教授。
論文利用重構思想提出了一種新的圖像僞造檢測範式，以提高對僞造敏感和真實緊湊視覺模式的模型學習能力。與現有的隻關注特定差異模式（如噪音、紋理和頻率）的方法相比，具有更強的通用性。論文首先提出了一個差異性引導的編碼器（DisGE）來提取對僞造敏感的視覺模式。此外，論文構建了一個雙頭重建（DouHR）模塊，以增強不同顆粒空間中真正緊湊的視覺模式。在雙頭重建模塊的引導下，論文進一步引入了差異聚合檢測器（DisAD）來聚合這些真正的緊湊視覺模式，以提高對未知模式的造假檢測能力。論文在四個具有挑戰性的數據集上進行了驗證，實驗結果表明，論文提出的方法相比于當前對最先進的圖像僞造模型具有顯著的性能提升，并具有較好的泛化能力。
IJCAI全稱為國際人工智能聯合會議（International Joint Conference on Artificial Intelligence），是人工智能領域頂級國際會議。IJCAI 2023将于2023年8月19日到25日在中國澳門舉辦。
