近日，我校软件学院许小龙教授团队在CCF-A类系列会议International Conference on Machine Learning（ICML），International Joint Conference on Artificial Intelligence（IJCAI）和The Web Conference（WWW）上发表论文10篇。其中，ICML为机器学习三大顶会之一，今年共计12107篇投稿，录用率约 26.9%。IJCAI为人工智能领域的顶级学术会议，今年共计5404篇投稿（不包括撤稿论文），录取率为19.3%。WWW为互联网领域的顶级学术会议，今年共计2062篇有效投稿，录用率为19.8%。
成果一：
团队许小龙教授在ICML会议上发表题为“DocKS-RAG: Optimizing Document-Level Relation Extraction through LLM-Enhanced Hybrid Prompt Tuning”的研究论文。研究提出了一种新颖且高效的框架（DocKS-RAG），通过引入额外的结构知识和语义信息来进一步提升大语言模型在文档级关系抽取任务上的性能。具体而言，研究首先通过构建文档级知识图谱，以更好地捕捉文档中实体与关系间的结构信息。随后，研究设计一种基于句子层面的语义检索增强生成机制，通过检索相关上下文语义信息来考虑不同句子间的语义关联。此外，研究提出了一种混合提示调优方法，进一步强化大模型对文档级关系抽取能力。最后，在两个基准数据集上的大量实验表明，DocKS-RAG在各项指标上均展现出优越的性能。
论文信息如下:
Xiaolong Xu, Yibo Zhou, Haolong Xiang, Xiaoyong Li, Xunyun Zhang, Lianyong Qi, Wanchun Dou. DocKS-RAG: Optimizing Document-Level Relation Extraction through LLM-Enhanced Hybrid Prompt Tuning. In International Conference on Machine Learning (ICML), 2025.
成果二：
团队项昊龙博士以第一作者在IJCAI会议上发表题为“Empowering Multimodal Road Traffic Profiling with Vision Language Models and Frequency Spectrum Fusion”的研究论文。该论文提出了一种用于道路交通态势分析的新型多模态学习与融合框架，名为 TraffiCFUS。具体而言，针对交通图像，TraffiCFUS框架首先引入视觉语言模型（VLM）来生成文本，然后根据道路交通态势分析的特定场景需求，创建定制化的提示指令来优化这些文本。接下来，模型应用离散傅里叶变换将多模态数据从空间域转换到频域，并进行跨模态频谱变换，以过滤掉与交通态势分析无关的信息。此外，经过处理的空间多模态数据会被整合起来，通过对比学习生成融合损失和交互损失。最后，在四个真实世界数据集上进行的大量实验表明，与当前最先进的方法相比，TraffiCFUS具有更优越的性能。
论文信息如下：
Haolong Xiang, Xiaolong Xu, Guangdong Wang, Xuyun Zhang, Xiaoyong Li, Qi Zhang, Amin Beheshti, Wei Fan. Empowering Multimodal Road Traffic Profiling with Vision Language Models and Frequency Spectrum Fusion. International Joint Conference on Artificial Intelligence (IJCAI), 2025.
成果三：
团队陈鹏博士以第一作者在IJCAI会议上发表题为“Universal Backdoor Defense via Label Consistency in Vertical Federated Learning”的研究论文。该论文提出了一种通用后门防御框架 UBD，通过引入标签一致性聚类合成潜在触发特征，并结合线性探测与批归一化统计约束，有效实现对后门攻击的检测与缓解。该方法无需访问完整模型与全量数据，具备高度的通用性与实用性。在多个数据集上的实验结果表明，UBD 在应对脏标签与干净标签两类后门攻击方面均达到当前最优性能，为纵向联邦学习后门安全防御提供了新的解决思路。
论文信息如下:
Peng Chen, Haolong Xiang, Xin Du, Xiaolong Xu, Xuhao Jiang, Zhihui Lu, Jirui Yang, Qiang Duan, Wanchun Dou. Universal Backdoor Defense via Label Consistency in Vertical Federated Learning. International Joint Conference on Artificial Intelligence (IJCAI), 2025.
成果四：
团队2024级博士研究生鲁帆以第一作者在IJCAI会议上发表题为“CLLMRec: Contrastive Learning with LLMs-based View Augmentation for Sequential Recommendation”的研究论文。该论文提出了一种基于大语言模型（LLM）视图增强的对比学习框架（CLLMRec），该框架通过样本生成有效挖掘行为序列中的差异。具体而言，CLLMRec 利用大语言模型增强视图并扩展用户行为序列表示，提供高质量的正负样本。随后，CLLMRec 利用增强后的视图进行有效的对比学习，捕捉行为序列中的细微差异，抑制无关噪声的干扰。在三个公共数据集上的实验结果表明，所提方法优于现有的最先进基线模型，显著提升了推荐性能。
论文信息如下：
Fan Lu, Xiaolong Xu, Haolong Xiang, Lianyong Qi, Xiaokang Zhou, Fei Dai, Wanchun Dou. CLLMRec: Contrastive Learning with LLMs-based View Augmentation for Sequential Recommendation. International Joint Conference on Artificial Intelligence (IJCAI), 2025.
成果五：
团队2024级硕士研究生陈海洋以第一作者在IJCAI会议上发表题为“Where Does This Data Come From? Enhanced Source Inference Attacks in Federated Learning”的研究论文。该论文提出了一种针对联邦学习的增强型源推理攻击，旨在更准确地揭示目标记录的源信息。具体而言，攻击者通过被动和主动的方式，在联邦训练过程中利用数据增强和梯度上升技术，放大目标客户端和其他客户端间的源信号差异，从而揭露目标记录的源信息。最后，在六个数据集上进行的大量实验表明，相较于现有的源推理攻击，增强型源推理攻击对常见的联邦学习框架更具威胁。该研究为深入探索联邦学习中的隐私漏洞提供了全新的视角。
论文信息如下：
Haiyang Chen，Xiaolong Xu，Xiang Zhu，Xiaokang Zhou，Fei Dai，Yansong Gao，Xiao Chen，Shuo Wang，Hongsheng Hu. Where Does This Data Come From? Enhanced Source Inference Attacks in Federated Learning. International Joint Conference on Artificial Intelligence (IJCAI), 2025.
成果六：
团队2024级硕士研究生张逸凡以第一作者在IJCAI会议上发表题为“MEGAD: AMemory-Efficient Framework for Large-Scale Attributed Graph Anomaly Detection”的研究论文。该论文提出了一种用于大规模属性图异常检测的新型内存高效框架，名为MEGAD。具体而言，针对图数据特性，MEGAD框架首先融合图结构信息与节点属性生成嵌入表示，随后根据内存效率优化的需求，设计轻量级联合优化模型来精炼这些嵌入。接着，经过优化的图嵌入会被输入检测器，生成异常评分损失。最终，在多个基准数据集上的大量实验表明，与当前最先进的方法相比，MEGAD不仅展现出更优异的检测精度，同时显著降低了内存消耗。论文信息如下:
Yifan Zhang, Haolong Xiang, Xiaolong Xu, Zishun Rui, Xiaoyong Li, Lianyong Qi, Fei Dai. MEGAD: A Memory-Efficient Framework for Large-Scale Attributed Graph Anomaly Detection. International Joint Conference on Artificial Intelligence (IJCAI), 2025.
成果七：
团队许小龙教授在WWW会议上发表题为“MGF-ESE: An Enhanced Semantic Extractor with Multi-Granularity Feature Fusion for Code Summarization”的研究论文。该研究提出了一种基于多粒度特征融合的增强型语义提取器（MGF-ESE），通过提取源代码的多粒度特征，构建了其更为全面的整体语义表示。进一步地，研究深入分析并揭示了不同特征间某些语法单元之间的显著关联性，并据此制定了针对性的融合策略。该研究有效解决了仅依赖单一特征时对源代码整体语义表征不足的问题，显著提升了源代码语义理解的准确性和完整性。
论文信息如下：
Xiaolong Xu, Yuxin Cao, Hongsheng Hu, Haolong Xiang, Lianyong Qi, Junqun Xiong, Wanchun Dou. MGF-ESE: An Enhanced Semantic Extractor with Multi-Granularity Feature Fusion for Code Summarization. The Web Conference (WWW), 2025.
此外，团队许小龙教授与微软亚洲研究院、南京大学、中国石油大学（华东）、澳大利亚麦考瑞大学等单位合作的论文“Policy Filtration for RLHF to Mitigate Noise in Reward Models”被机器学习顶会ICML接收，论文“Balancing User-Item Structure and Interaction with Large Language Models and Optimal Transport for Multimedia Recommendation”被人工智能顶会IJCAI接收，论文“Hyperbolic Variational Graph Auto-Encoder for Next POI Recommendation”被互联网顶会WWW接收。
