<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-07-21 17:05 | 專題：IJCAI：國際人工智能聯合會議 |
原文鏈接：https://mp.weixin.qq.com/s/neNpcbTylwL-T-vqFwLvUQ?scene=1&click_id=70
近日，人工智能領域的頂級國際會議IJCAI 2026論文錄用結果揭曉，華中科技大學認知計算與智能信息處理實驗室共有3篇論文被2026年第35屆國際人工智能聯合會議（IJCAI-ECAI 2026）計劃于2026年8月15日-8月21日在德國不萊梅市召開。自1969年成立以來，IJCAI一直是全球人工智能社區的頂級會議，促進了人工智能研究突破性進展和成果的交流，在人工智能領域享有較高學術聲譽。
論文介紹
01
論文標題:Strikingness-Aware Evaluation for Temporal Knowledge Graph Reasoning （IJCAI 2026）
論文作者：Rikui Huang (22級博), Shengzhe Zhang (23級碩), Wei Wei*（導師）
論文概述：在人工智能領域，時序知識圖譜推理（Temporal Knowledge Graph Reasoning，TKGR）旨在基于歷史事件序列預測缺失事件（或者未來可能發生的事件），在金融風控、智能推薦、公共安全等場景中具有重要應用價值。當前主流TKGR評估體系默認所有事件具有相同重要性，但事實上，大量事件僅是高頻重復的“瑣碎事件”，模型即便通過模式記憶獲得較高分數，也未必真正具備深層推理能力。相比之下，罕見且具有突出影響力的“顯著事件”，通常因模型缺乏對復雜時序規律的理解與推理能力而被忽視。針對該問題，我們提出了一種“顯著性感知”的時序知識圖譜推理評估框架（Strikingness-aware TKGR Evaluation Framework），引入一種基于規則的顯著性度量機制（Rule-Based Strikingness Measuring Framework），通過對比事件的實際發生與其基于時間規則推導出的同類事件預期發生，量化事件的顯著性程度，并將該顯著性指標作為權重因子融入MRR、Hits@k等核心指標用于模型評測。在四個標準TKG基準上系統性實驗揭示了三個重要發現：（1）多數典型基線模型性能隨事件顯著性增加而顯著下降，比如“黑天鵝”事件預測；（2）不同方法各有所長: 基于路徑的方法在低顯著性事件上表現更優，而基于表示的方法在高顯著性事件上更勝一籌；（3）性能提升“假象”：通過設計的集成方法發現，其性能提升源于對瑣碎事件的過度擬合，而非真正推理能力的增強。因此，希望該領域將關注點從“平均性能提升”轉向“顯著性預測”，推動時序知識圖譜推理領域研究聚焦顯著事件預測問題，尤其是罕見高顯著性事件。
![[IJCAI 2026] 華中科技大學CCIIP實驗室3篇論文被人工智能頂會IJCAI 2026全文錄用!](https://static.leiphone.com/uploads/new/images/20260721/6a5f35367c886.png)
圖1：RSMF框架圖
02
論文標題:RIVS: Mitigating Hallucination in Large Vision-Language Models via Representation Intervention on Visual Grounding Shift （IJCAI 2026）
論文作者：Xuanyu Yin （24級碩）, Xiaoye Qu（23級博）, Wei Wei*（導師）
論文概述：近年來，大型視覺語言模型（Large Vision-Language Models, LVLMs）在多模態理解與生成任務中展現出強大的能力，但“物體幻覺（ObjectHallucination）”問題仍是制約模型可靠落地的重要瓶頸。模型常會生成圖像中并不存在的物體或錯誤屬性，這不僅影響生成質量，也限制了其在智能問答、自動駕駛、醫療輔助等高可信場景中的應用。現有工作多從訓練策略或解碼約束入手，卻鮮有研究深入探究：幻覺是如何在生成過程中由模型內部表征逐步演化而來的？因此，我們主要從動態表征偏移的視角切入，揭示幻覺生成與視覺注意力衰減之間的關聯，并提出一種無需額外訓練、高效可插拔的表征干預方法 RIVS（Representation Intervention based on Visual Grounding Shift）。具體而言，團隊設計了一種基于自適應閾值的檢測機制，定位到生成過程中視覺注意力顯著衰減的關鍵位置。實驗表明，幻覺詞元的出現往往與視覺注意力的急劇下降密切相關。基于上述觀察，我們在一個小規模校準集上，利用注意力衰減前后的表征差異，直接構建出與幻覺相關的子空間——整個過程無需構造對比樣本，也無需額外監督信號。推理階段，RIVS通過在線投影干預方式，對中間隱藏狀態中的“幻覺方向”進行抑制，從而有效降低幻覺生成，同時最大程度保留模型原有的語言表達與推理能力。在四個主流幻覺評測基準（如POPE、CHAIR等）和兩個復雜推理數據集上實驗表明，RIVS在長文本與短文本生成任務中均能夠穩定、有效地緩解幻覺問題，在生成真實性與語義流暢性之間取得了良好平衡。該工作從模型內部表征演化機制角度，為理解和治理多模態大模型幻覺問題提供了新的研究思路，也為構建更加可信、可解釋的大模型系統提供了重要支撐。實驗室將持續圍繞多模態大模型可信推理與安全生成開展深入研究，推動人工智能向更加可靠、可控和高可信方向發展。
![[IJCAI 2026] 華中科技大學CCIIP實驗室3篇論文被人工智能頂會IJCAI 2026全文錄用!](https://static.leiphone.com/uploads/new/images/20260721/6a5f3536dff36.png)
圖2. RIVS方法示意圖
03
論文標題:Re-weighting Cross-Modal Pairs via Rank Consistency for Noise-Robust Retrieval （IJCAI 2026）
論文作者：Weiran Pan （23級博）, Wei Wei* （導師）
論文概述：在多模態人工智能領域，圖像—文本對齊（Image-Text Alignment）是連接視覺與語言的重要基礎任務，被廣泛應用于跨模態檢索、多模態大模型、智能推薦與內容理解等方向，其核心目標是學習統一的跨模態表征空間，使圖像與對應文本能夠實現精準匹配。然而，當前大規模圖文數據通常來源于互聯網自動采集，不可避免地包含大量語義不一致的“噪聲圖文對”（Noisy Correspondence），其會顯著影響模型訓練質量，甚至導致模型學習到錯誤的跨模態關聯關系。現有研究大多依賴模型自身預測的相似度分數，對訓練樣本進行重加權，但模型在噪聲數據上的預測本身并不可靠，容易高估錯誤圖文對的重要性，從而進一步放大噪聲影響。針對這一關鍵問題，我們團隊提出了一種基于“排序一致性”（Ranking Consistency）的語義匹配程度估計方法。理論上，對于真正語義對齊的圖文對，其圖像 I 和文本 T在共享嵌入空間中應具有一致的語義鄰域結構。換言之，當分別以圖像和文本作為查詢進行跨模態檢索時，所得到的檢索排序結果應保持高度一致。基于這一思想，我們利用歸一化折損累計增益（NDCG）衡量跨模態與單模態檢索結果之間的一致性，并將其作為訓練樣本的重加權依據。與傳統依賴單樣本預測分數的方法不同，我們的方法利用數據流形的全局結構信息進行語義評估，因此在復雜噪聲環境下具有更強魯棒性。多個國際主流跨模態檢索基準上的實驗結果表明，所提出的方法能夠顯著提升圖文對齊性能，并有效緩解噪聲數據帶來的訓練偏差。該研究為噪聲環境下的多模態表示學習提供了新的解決思路，也為構建更加可靠、魯棒的多模態大模型奠定了重要基礎。未來，實驗室將繼續圍繞多模態理解與生成、跨模態推理以及可信人工智能等方向開展深入研究，推動多模態智能技術邁向更高水平。
![[IJCAI 2026] 華中科技大學CCIIP實驗室3篇論文被人工智能頂會IJCAI 2026全文錄用!](https://static.leiphone.com/uploads/new/images/20260721/6a5f35374daa1.png)
圖3. RCR方法示意圖
專題
本專題其他文章
