1028
0
2026-05-01
2026-05-02
5月1日，機器學習領域最具影響力的三大國際學術會議之一ICML（International Conference on Machine Learning）正式發(fā)布論文錄用結果，二年級碩士研究生莫有達提交的論文“Entangled no more: Multi-domain decoupling for robust dynamic graph neural networks”獲得主會正式錄用。本次會議共收到23918篇有效投稿論文，是去年的兩倍，共錄用6352篇，錄用率26.6%。ICML2026（第43屆）將于7月6-11日在韓國首爾舉行。
附論文基本信息：
作者：莫有達（華南師范大學）、賀超波（華南師范大學）、程俊偉（華南師范大學）、梅鵬（華南師范大學）、官全龍（暨南大學）
摘要：動態(tài)圖在現(xiàn)實系統(tǒng)中普遍存在，但其緊密耦合的時空演化過程帶來了顯著的建模挑戰(zhàn)?，F(xiàn)有動態(tài)圖神經(jīng)網(wǎng)絡（DGNN）缺乏一個能夠系統(tǒng)解耦這種多域糾纏的理論框架，由此引發(fā)兩個關鍵問題：（i）由結構不完整性導致的表征漂移，以及（ii）由噪聲擾動所放大的信號失真。這些問題會隨時間累積，形成時域冗余，從而削弱DGNN的魯棒性。針對上述問題，提出了一種面向魯棒DGNN的多域解耦框架DeR-Mamba（圖1）。為解決問題（i），開發(fā)了多粒子核卡爾曼觀測場（MP-K²alman），通過在核子空間中對潛在演化路徑進行采樣并執(zhí)行卡爾曼式更新來估計結構狀態(tài)，從而實現(xiàn)空域解耦。為解決問題（ii），設計了抗干擾感知的頻域解耦模塊（AFDM），通過頻域解耦和動態(tài)跨頻調(diào)制來凈化頻譜信號。最后利用一個動態(tài)圖狀態(tài)空間系統(tǒng)執(zhí)行時域解耦以控制冗余，通過離散化的跨時間建模和選擇性快照掃描來抑制殘余擾動。在帶有對抗攻擊的基準數(shù)據(jù)集上進行大量實驗，結果驗證了DeR-Mamba 優(yōu)越的魯棒性。
圖1 DeR-Mamba框架
