近日，人工智能领域顶级国际会议AAAI 2026（The 40th Annual AAAI Conference on Artificial Intelligence）公布录用结果，由李志飞副教授等指导的研究生团队完成的3篇研究论文被录用，涉及视觉知识问答、多模态知识对齐、深度知识追踪等研究方向，实现我院在AAAI国际顶会论文的新突破。
其中，由2024级硕士研究生王怡然、夏玉婧和2025级博士研究生熊晨伊共同完成的论文《MacVQA: Adaptive Memory Allocation and Global Noise Filtering for Continual Visual Question Answering》，提出创新性的视觉问答框架——MacVQA，该方法融合自适应记忆分配与全局噪声过滤机制。MacVQA通过对视觉与问题信息的深度融合，并在特征层面有效过滤噪声，保证了多模态特征的稳健表达。同时，基于原型的记忆分配策略优化了特征质量和记忆资源的利用，使模型在知识获取、保持和组合泛化能力之间实现了良好平衡。在十个持续视觉问答任务上的实验结果表明，MacVQA在标准任务中取得了43.38%的平均准确率和2.32%的平均遗忘率，在新组合任务中也达到了42.53%的平均准确率和3.60%的平均遗忘率，显著优于现有主流方法。整体来看，MacVQA不仅提升了模型的持续学习能力，还增强了其在复杂、多变场景下的泛化与鲁棒性，具有广泛的实际应用潜力。
由2024级硕士研究生秦紫玥、2023级硕士研究生罗翔宇共同完成的论文《MyGram: Modality-aware Graph Transformer with Global Distribution for Multi-modal Entity Alignment》则提出了MyGram——一种用于多模态实体对齐的全局分布的模态感知图转换器，通过开发一个模态扩散学习模块，以捕获模态内的深层结构上下文信息并实现细粒度的多模态融合。此外，本文引入了Gram Loss，通过最小化多模态特征形成的4维平行四面体的体积来充当正则化约束，从而实现跨模态的全局分布一致性。本文在五个公共数据集上进行了实验，结果表明，MyGram的性能优于基线模型，在FBDB15K数据集上的Hits@1提高了4.05%，在FBYG15K数据集上提高了10.25%，在DBP15K数据集上提高了3.75%。
由2024级硕士研究生陈丽帆、易佳丽共同完成的论文《KeenKT: Knowledge Mastery-State Disambiguation for Knowledge Tracing》聚焦当前知识追踪防范在区分学生的真实能力与偶然的发挥或失误，从而在判断掌握状态时产生模糊性这一问题，提出了一种用于知识追踪的知识掌握状态消歧模型（KeenKT）。该模型利用正态逆高斯（Normal-Inverse-Gaussian, NIG）分布来表示学生在每次交互中的知识状态，从而捕捉学习行为中的波动性。此外，本文设计了一种基于NIG距离的注意力机制，以建模知识状态的动态演化过程。同时，引入了基于扩散的去噪重构损失和分布式对比学习损失，以增强模型的鲁棒性。在六个公开数据集上的大量实验结果表明，KeenKT在预测精度和对学习行为波动的敏感性方面均优于当前最先进（SOTA）的知识追踪模型。该方法实现了最高5.85%的 AUC提升和最高6.89%的ACC提升。
据悉，AAAI会议是人工智能领域历史最悠久、国际影响力极高的学术盛会，被中国计算机学会（CCF）列为A类国际会议。第四十届人工智能顶级国际会议——AAAI 2026（The 40th Annual AAAI Conference on Artificial Intelligence）将于2026年1月20日至27日在新加坡召开，本届会议共收到23680份论文投稿，最终录用论文4176篇，录用率仅17.6%。
（审核：张䶮）
