近日，學院五篇學術論文被國際頂會AAAI Conference on Artificial Intelligence (AAAI-25)錄用，以上論文作者全部來自軟件工程與教學研究中心，充分彰顯了該基層學術組織在人工智能領域的創新實力，為相關技術的發展提供了新的動力。據了解，本屆AAAI會議收到了12957篇有效投稿，其中7925篇進入評審環節，最終僅錄用了3032篇論文，錄用率為 23.4%。
第一篇論文“Zero-Shot Noise2Mean: Gap Minimization for Efficient Denoising from a Single Noisy Image”，作者劉铎、史一岐、張國印、李思照和張立國。論文通過減少及消除噪聲圖像與清晰圖像之間的差距來實現高質量的圖像去噪，所提出的“Zero-Shot Noise2Mean”不需要訓練數據或噪聲分布的先驗知識。作者設計了兩個輕量級網絡，可以僅使用單個噪聲測試圖像進行訓練。實驗表明，該方法在去噪性能和效率方面均表現出色，達到了更好的去噪效果。
第二篇論文“MTVHunter: Smart Contracts Vulnerability detection based on Multi-Teacher Knowledge Translation”，作者孫國凱、莊園、張碩、馮小雨、劉振廣和張立國。論文提出了一種基于多教師的字節碼漏洞檢測方法，即多教師漏洞獵人（MTVHunter），該方法在多教師指導下對字節碼進行有效的去噪和缺失語義。大量實驗表明，與最先進的方法相比，MTVHunter 取得了顯着的性能提升。
第三篇論文“MIMTrack: In-Context Tracking via Masked Image Modeling”，作者王興梅、聶國豪、孟稼祥和閻梓甯。論文主要對基于圖像生成的目标跟蹤技術進行研究，旨在減少目标預測階段可能引入的位置和規模偏移。MIMTrack将跟蹤定義為結合上下文學習（In-context learning, ICL）的掩碼圖像建模（Masked Image Modeling, MIM）過程。設計一種目标圖像，将目标邊界框編碼為與視頻幀相同的圖像表示，基于MIM過程，其他跟蹤圖像的上下文被用于重建遮蔽後的目标圖像像素，從而将跟蹤變換為統一RGB空間，自然對齊所有狀态預測。實驗結果表明，MIMTrack在多個基準數據集上領先的傳統方法，顯示了生成式目标跟蹤框架的簡單和有效性。
第四篇論文“Int*-Match: Balancing Intra-Class Compactness and Inter-Class Discrepancy for Semi-supervised Speaker Recognition”，作者王興梅、劉菁瀚、孟稼祥、李博權和劉子健。論文主要針對半監督說話人識别方法進行研究，旨在解決現有半監督學習方法無法平衡開集說話人識别任務的類間差異性和類内緊湊性問題，提高無标注數據的利用率并充分發揮标注數據的優勢。Int*-Match提出了一種全新的僞标簽選擇策略，在穩定提升僞标簽類内緊湊性的前提下降低類間差異性阈值。實驗結果表明，Int*-Match在半監督說話人識别任務中顯著優于現有方法，使用部分标注數據就可以實現接近全監督學習的性能。
第五篇論文“From Pairwise to Ranking: Climbing the Ladder to Ideal Collaborative Filtering with Pseudo-Ranking”，作者趙雨涵、陳睿、陳黎、張爽、韓啟龍和宋洪濤。理想的協同過濾模型應當從用戶對所有物品的完整排序中進行學習，以便做出最佳的top-K推薦。然而，由于實際中缺乏這種完整排序，大多數模型依賴于成對損失函數來近似，導緻了巨大的性能差距。論文通過引入由噪聲注入機制監督的排序器對無标簽樣本進行排序，以解決排序信息缺乏的問題，并設計一種新的排序損失函數，有效處理排序信息，為了緩解僞排序中的潛在不準确性，提出基于梯度的置信機制，以減輕異常梯度，實驗結果表明該方法顯著提升了協同過濾模型推薦性能。
AAAI全稱美國人工智能協會人工智能大會(AAAI Conference on Artificial Intelligence)，宗旨在于推動人工智能（AI）領域的研究，并促進人工智能領域及其相關學科之間的學術交流。AAAI會議創辦于1987年，今年是第39屆，是人工智能領域的頂級會議之一，由國際人工智能協會主辦，同時被中國計算機學會（CCF）期刊會議推薦列表評為A類會議，本屆會議将于2025年2月25日至3月4日在美國賓夕法尼亞州費城的賓夕法尼亞會議中心舉行。