实验室3篇论文被AAAI 2025接收

近日，实验室3篇论文被CCF-A类会议AAAI Conference on Artificial Intelligence (AAAI) 2025接收。其中2篇论文“Mind Individual Information! Principal Graph Learning for Multimedia Recommendation”与“Leveraging Group Classification with Descending Soft Labeling for Deep Imbalanced Regression”被接收为Oral （仅占总投稿量的4.63%）。

1. 论文题目：Mind Individual Information! Principal Graph Learning for Multimedia Recommendation

作者：余鹏航，谭智一，卢官明，鲍秉坤

通讯作者：鲍秉坤

在多媒体推荐任务中，基于图神经网络的方法已成为主流。通常来说，这些方法在完整的行为图上进行消息传递，并利用行为信息间的共现性来建模用户偏好。尽管这些方法较为有效，但我们认为它们没有充分利用用户个性化行为信息，导致推荐系统有效性不足。为了验证我们的论点，我们从谱图理论出发，对现有方法展开了深入分析。我们发现，现有的方法侧重于捕获全局结构特征，但未充分利用反应用户个性化行为信息的局部结构特征。进一步的分析实验表明，这种不充分的利用会使得用户偏好建模过于相似，导致用户偏好间可辨别性不足。为了解决该问题，我们提出了一种面向多媒体推荐的主子图学习技术（PGL）。其思想是通过有效地挖掘和利用主要的局部结构特征来实现差异化的用户偏好建模。我们首先设计了全局/局部感知的主子图抽取方法，来抽取最具信息量的行为主子图。然后，我们通过在行为主子图上进行消息传递，同时捕获行为信息间的共现性和差异性，从而实现更具差异化的用户偏好建模。与现有方法相比，我们的方法实现了平均超过9%的性能提升。

2. 论文题目：BeFA: A General Behavior-driven Feature Adapter for Multimedia Recommendation

作者：樊祺乐，余鹏航（共同第一作者），谭智一，鲍秉坤，卢官明

通讯作者：卢官明

多媒体推荐是指根据商品内容信息与用户行为信息来建模用户偏好，预测用户感兴趣的内容。通常来说，现有方法采用预训练的特征编码器来提取内容特征，并将其与行为特征进行融合以建模用户偏好。然而，由于预训练的特征编码器会不加区分的提取内容信息，可能会导致提取的信息中包含过多的无关信息。基于我们的归因分析表明，过多无关信息的引入，导致内容特征出现信息漂移和信息遗漏的问题，误导了用户偏好建模。为了解决该问题，我们提出了一个有效且高效的通用特征适配器（BeFA），其在行为信息的引导下对内容特征进行重构，使内容特征能更准确的反映用户偏好。在三个真实场景的实验表明，该适配器适用于任意主流多媒体推荐模型及任意特征编码器。无论是简单场景，还是复杂场景，均可实现有效的内容信息重构，并显著提升了推荐效果。

3. 论文题目：Leveraging Group Classifcation with Descending Soft Labeling for Deep Imbalanced Regression

作者：Ruizhi Pu, Gezheng Xu, Ruiyi Fang, Bing-Kun Bao, Charles Ling, Boyu Wang

通讯作者：Boyu Wang

在机器学习领域，深度不平衡回归（DIR）是一个关键但未被充分探索的问题——目标值分布高度偏斜且连续，传统方法难以兼顾数据的连续性与相似性。本文提出一种创新框架，通过“分治策略”与“对称下降软标签”技术，为DIR问题提供了更优解决方案。该研究从贝叶斯视角重新审视DIR目标，首次将其分解为“组分类”与“组内回归”的组合任务。具体而言，团队将邻近标签的数据聚为一组，通过“序数组感知对比学习”提取保留顺序信息的高质量特征；再用“多专家回归器”针对不同组数据分别训练回归模型，实现“分而治之”。针对组分类中易出现的“多数组过拟合、少数组误判”问题，团队提出“对称下降软标签”策略，将硬标签转化为对称递减的软标签（如某组标签的软标签向相邻组平滑衰减），有效捕捉组间相似性，提升分类准确性。实验验证了方法的优越性：在年龄预测（AgeDB-DIR、IMDB-WIKI-DIR）和文本相似度（STS-B-DIR）等真实数据集上，该框架的MAE（平均绝对误差）、皮尔逊相关系数等指标均优于现有方法，尤其在少数样本组表现突出。研究为医学影像、推荐系统等需处理不平衡连续目标的场景提供了新思路。

撰稿：余鹏航  审核：贾耕云