（一）

  李占山教授指导的学生2020级博士生镇路晗同学的论文“Eliminating Computation of Strongly Connected Components in Generalized Arc Consistency Algorithm for AllDifferent Constraint”被IJCAI 2023收录。论文的作者是镇路晗，李占山，李彦志，李宏博。

  全不同约束（AllDifferent Constraint）被广泛使用在约束可满足问题领域，在约束理论和约束建模中具有不可替代的地位，同时也被用于其它约束（如GCC，Sequence等）的传播算法。现有的全不同约束的广义弧相容算法将全不同约束映射到一个二部图上，并利用强连通分量的结构来删除不相容的值。然而计算强连通分量的过程是一个极其耗时的过程，为了解决这个问题，镇路晗等人首先通过理论证明了所有的无效边都指向偶数长度交替环，并得出结论计算强连通分量的过程是可消除的，然后他们设计了一种更简单更高效的广义弧相容算法，该算法在局部图上利用复杂度更低的广度优先搜索来删除不相容的值。实验结果表明，该方法与这些最经典最新的算法相比，求解效率具有显著提高。

（二）

  李占山教授作为通讯作者的论文“A Bitwise GAC Algorithm For Alldifferent Constraints”被IJCAI 2023收录。论文的作者是李哲，王耀华，李占山。

  广义弧相容性（GAC）算法是解决全异（alldifferent）约束问题的主流解决方案。GAC的核心部分是挖掘和枚举图模型的所有强连通分量（SCC）。这导致大量复杂的数据结构来维护节点信息，从而导致时间和内存空间的大量开销。更关键的是，数据结构的复杂性进一步阻碍了不同优化方案的协调。为了解决这个问题，本文的关键观察是GAC算法只关心图模型的节点是否在SCC中，而不关心它属于哪个SCC。基于这个观察结果，我们提出了AllDiffbit算法，它使用位数据结构和操作来有效地确定节点是否在SCC中。这大大减少了相应的开销，并增强了将现有优化方案协同工作的能力。我们的实验表明，我们的算法的性能优于最先进的GAC算法超过60％。

（三）

  吕帅副教授等的论文“Adaptive estimation Q-learning with uncertainty and familiarity（依赖不确定性和熟悉度的自适应估计Q学习）”被IJCAI 2023录用。论文的第一作者为吕帅副教授指导的2020级硕士生龚晓宇，通讯作者为吕帅副教授，其他作者为吕帅副教授指导的2019级硕士生于佳玉、2020级硕士生朱盛、2020级硕士生李宗泽。

  在深度强化学习方法中，通常使用神经网络对某个时刻环境所给出的状态与智能体的动作进行价值估计，并根据估计的价值决定智能体与环境的交互策略。价值估计发生高估或者低估，可能会对智能体策略提升产生误导作用，从而导致策略训练不稳定或者陷入局部最优，最终影响智能体的性能表现。目前提升价值估计准确性的方法多采用两个或多个函数估计器对价值估计进行一定的修正，但这种修正通常不能根据训练中的特定样本或者训练阶段进行动态调整，只能在有限程度上控制误差的产生。实际上，针对特定的训练阶段与经验样本采取合理的高估与低估有利于强化学习对环境的乐观探索，可以防止策略陷入高风险区域。

  针对上述问题，本文提出了自适应估计Q学习（Adaptive Estimation Q-learning，AEQ），使用不确定性和熟悉度自适应调节价值估计。该方法基于集成Q学习策略，使用多个函数估计器同时对价值进行估计，在计算目标Q值时对多个估计值求平均值，并使用多个估计值的方差与经验样本的熟悉度作为惩罚项，动态地调节目标Q值，从而达到平衡价值高估与低估的目的。本文证明了对于任意一个经验样本，总存在一个熟悉度值使得估计偏差近似为0。在MuJoCo的若干连续控制任务上进行了系统评估，实验表明AEQ的性能优于目前最优方法，也证实了动态估计可以提高性能，防止偏差持续增加。此外，AEQ方法实现简单，可以应用于任何离策略的行动者-评论家算法。

（四）

  杨博教授等的论文“Dual Personalization on Federated Recommendation”被IJCAI 2023录用，论文的第一作者为杨博教授指导的2019级博士生张春旭，通讯作者为杨博教授，合作者为悉尼科技大学龙国栋教授，马里兰大学周天翼教授和悉尼科技大学张成奇教授。

  联邦推荐系统是一种新的互联网服务架构，旨在为用户提供隐私保护的推荐服务。现有方法一般直接组合分布式推荐算法和隐私保护机制，延续了在服务器端部署重量级模型的形式，阻碍了智能模型在终端用户的部署。针对这一问题，论文提出了一种新的个性化联邦推荐框架，能够学习多个用户特定的轻量级模型。此外，论文还提出了一种新的双重个性化机制，能够有效建模用户和商品的细粒度个性化信息。论文在多个基准数据集上对提出的模型进行了验证，实验结果表明，论文提出的方法相比于当前最先进的联邦推荐模型具有显著的性能提升。

（五）

  黄晶教授指导的2020级硕士生刘冰的论文“Do we need an encoder-decoder to model dynamical systems on networks?”被IJCAI 2023收录，论文作者为刘冰，合作教授迪肯大学罗玮，李罡，黄晶，杨博。黄晶教授是通讯联系人。

  节点特征嵌入隐空间中的思想在图神经网络相关任务中被广泛应用。然而在复杂网络动力学建模任务中，高维嵌入虽使模型更好的拟合了观测数据，但并未正确的学习到表达观测数据的动力学原理。针对此问题，本文提出动力学预测任务应满足的三个测试准则，通过实验分析展示了基于嵌入的模型无法满足这些准则，以拓扑共轭的视角进行理论分析，并提出一种基于参数化两个向量场分量的无嵌入建模方法，通过实验验证了该方法能够可靠的学习到不同拓扑结构上的一类动力学现象。

（六）

  徐昊教授团队的论文“RZCR: Zero-shot Character Recognition via Radical-based Reasoning”被IJCAI 2023录用。论文的第一作者为意大利特伦托大学与吉林大学美高梅4858线路登录(中国)App Store联合培养的2020级博士生刁晓蕾，由Fausto Giunchiglia教授和徐昊教授共同指导。通讯作者为徐昊教授，其他作者包括意大利特伦托大学博士生史大千，我院博士生申强，软件学院硕士生李沿增和吴垒。

  甲骨文作为现代汉字的源头，是中华文化的瑰宝，对于探寻和理解中华民族的发展具有重要价值。但由于出土的甲骨文字符样本量少，且包含大量异体形式，给甲骨文的识别带来了挑战。基于对甲骨文构字的特点的分析，本文提出了一种基于部首推理的零样本字符识别框架RZCR，引入部首对字符进行分解和重构，以提高尾部少样本字符类别的识别性能。本文提出了一种基于部首推理的零样本字符识别框架RZCR，引入部首对字符进行分解和重构，以提高尾部少样本字符类别的识别性能。具体来时，RZCR 首先从字符图像中并行识别候选部首及其可能的结构关系，然后将结果输入 KGR，通过知识图推理来识别目标字符。 该工作在多个数据集上进行了验证，并展示其在少样本字符数据集上的优势。尤其是在对甲骨文的识别上，与最先进的方法相比，能够显著提高识别精度，并实现对更多的甲骨文字符类别的识别。

（七）

  管仁初教授和丰小月副教授共同指导的2020级硕士生刘永皓和2021级硕士生李梦宇的论文“Local and Global: Temporal Question Answering via Information Fusion”被IJCAI2023收录。论文的其它作者包括李熙铭副教授、黄岚教授、Fausto Giunchiglia教授和美团相关研究人员。通讯作者是管仁初教授和丰小月副教授。

  基于知识图谱（KG）的模型最近在问答（QA）任务中取得了显著成功。在现实世界中，许多包含在KG中的事实是存在时间限制的，因此时序图谱问答（TKGQA）受到了高度关注。现有的TKGQA模型存在局限性：（1）它们既不强调KG中实体之间的图结构信息，也没有明确利用多跳关系路径来增强答案预测。（2）采用预训练语言模型（LMs）获取问题表征，仅关注与问题相关的全局信息，没有显式利用KG中实体的局部信息。

  为解决这些限制，我们提出LGQA模型，在时序知识图谱嵌入过程中融合局部信息和全局信息以完成TKGQA任务。我们首先引入辅助任务进行时间戳嵌入。然后，设计了信息融合模块，以有效结合局部和全局信息用以理解问题。我们通过实验验证了LGQA的有效性和可靠性。此外，LGQA也能够针对预测结果提供一定的可解释性。

（八）

    陈海鹏教授指导的2020级博士生杨宇恒的论文“Action Recognition with Multi-stream Motion Modeling and Mutual Information Maximization”被IJCAI2023收录。通讯作者是吕颖达副教授。

    基于骨骼的动作识别（Skeleton-based action recognition）在人工智能领域受到了广泛关注。在本文中，我们提出了一种源自刚体运动学的运动表示。 新的表示方法捕捉了高阶运动特征，对传统的运动特征进行补充。 此外，我们还提出了一个Stream-GCN网络，集成多流输入和通道注意力，其中不同的信息流被组合在一起，而注意力的权重则被分配到重要的通道。 最后，我们为动作特征引入了一个互信息目标，实现对动作类别的精准识别。

（九）

    陈海鹏教授等的论文“Discrepancy-Guided Reconstruction Learning for Image Forgery Detection”被IJCAI 2023录用，论文的第一作者为陈海鹏教授指导的博士后石泽男，通讯作者为香港科技大学博士后张冬，合作者为香港科技大学陈隆教授。

    论文利用重构思想提出了一种新的图像伪造检测范式，以提高对伪造敏感和真实紧凑视觉模式的模型学习能力。与现有的只关注特定差异模式（如噪音、纹理和频率）的方法相比，具有更强的通用性。论文首先提出了一个差异性引导的编码器（DisGE）来提取对伪造敏感的视觉模式。此外，论文构建了一个双头重建（DouHR）模块，以增强不同颗粒空间中真正紧凑的视觉模式。在双头重建模块的引导下，论文进一步引入了差异聚合检测器（DisAD）来聚合这些真正的紧凑视觉模式，以提高对未知模式的造假检测能力。论文在四个具有挑战性的数据集上进行了验证，实验结果表明，论文提出的方法相比于当前对最先进的图像伪造模型具有显著的性能提升，并具有较好的泛化能力。

  IJCAI全称为国际人工智能联合会议（International Joint Conference on Artificial Intelligence），是人工智能领域顶级国际会议。IJCAI 2023将于2023年8月19日到25日在中国澳门举办。