近日，国际人工智能联合会议 IJCAI 2025 公布录用结果，由我院师生共同完成的5篇论文被大会录用（包含1篇 Survey Track，4篇 Main Track），涵盖图神经网络，对抗攻击，联邦学习等主题。国际人工智能联合会议 IJCAI 是中国计算机学会推荐的A类会议，从1969年开始举办至今，今年是第34届会议，预计于8月16日至8月22日在加拿大蒙特利尔召开。本届会议一共有5404篇稿件进入评审流程，录用1042篇，录用率19.3%。此次我院被录用的论文的相关信息如下。
成果一
“A Survey on Temporal Interaction Graph Representation Learning: Progress, Challenges, and Opportunities”，该成果由24级博士生陈竑江及合作者共同完成。该成果聚焦时序交互图表示学习（TIGRL）中动态系统行为建模的深度语义捕捉问题。介绍了时序交互图的基本概念，并强调了时间依赖性的关键作用。然后，根据学习过程中使用的信息类型对最先进的 TIGRL 方法方法进行了系统分类，以应对时序交互图固有的独特挑战。为了促进进一步的研究和实际应用，该论文对数据集和基准源进行了整理，为实证调查提供了宝贵的资源。最后，该论文还研究了 TIGRL 领域的主要公开挑战并探索了有前景的研究方向，为未来的进步奠定了基础，这些进步有为复杂动态系统的图表示学习提供了方法论指导和工程实践范式。
成果二
“Heterogeneous Temporal Hypergraph Neural Network”，该成果由24级博士生刘欢作为第一作者及合作者共同完成。该成果主要研究图表示学习在处理真实世界复杂网络时的动态性与异构性问题，特别针对现有图表示学习方法大多聚焦于保留低阶拓扑信息而忽略了更符合真实网络的高阶群组交互关系，以及现有超图方法多限于静态同构图，难以有效建模异构时序图中高阶交互的局限性。为解决这些问题，该研究提出了一种新颖的异构时序超图神经网络（HTHGN）模型。具体来说，HTHGN包含一个分层注意力机制模块，能够同时在异构节点和超边之间进行时序消息传递，以捕捉由超边带来的更广阔感受野中的丰富语义；此外，HTHGN通过最大化异构时序图上低阶相关异构节点对之间的一致性进行对比学习，以避免低阶结构模糊性问题。该成果有效性已在三个真实世界异构时序图数据集上得到验证，并展现了显著的性能提升，可为依赖图结构数据的各类实际应用提供支持。
成果三
“HeTa: Relation-wise Heterogeneous Graph Foundation Attack Model”，该成果由23级硕士生陈紫慧及合作者共同完成。该成果主要解决“是否能够设计一个适用于异构图神经网络（HGNNs）的基础攻击模型，从而生成通用扰动，能够在不同HGNNs之间迁移，并快速适应新的异构图”。具体而言，该方法首先引入了一种基础代理模型，来对齐异构性并识别关系感知攻击单元权重。在此基础上，实现了基于已识别关系权重的逐关系攻击。通过这种方式，扰动可以成功迁移至不同的目标HGNN，并能够快速针对新的异构图进行微调。大量实验表明，该方法在攻击性能和泛化能力方面均表现出了强大的优势。
成果四
“HGMP: Heterogeneous Graph Multi-Task Prompt Learning”，该成果由23级硕士生倪嘉龙及合作者共同完成。该成果主要研究异构图上的多任务学习问题，提出了一种异构图多任务提示学习框架HGMP，以缓解传统预训练-微调方法在异构图任务中存在的任务不匹配问题。具体而言，该方法首先将节点分类与边分类任务统一转化为图分类任务，从而在任务层面消除预训练与下游任务之间的目标差异，增强了多任务学习的一致性。随后，HGMP引入了面向异构图的对比预训练策略，通过子图采样与异构感知的数据增强方式，有效建模图结构与语义间的潜在关联关系，提升了表示学习的泛化能力。在此基础上，该方法设计了异构图提示特征模块（HGPF），通过引入节点类型特异性的可学习提示向量，动态调节不同类型节点的输入表示，使模型更好适应多种异构任务场景。该成果对异构图预训练与提示学习研究具有积极的推动作用，为推荐系统、知识图谱等实际应用中的少样本异构图学习提供了新的技术路径。
成果五
“FedCCH: Automatic Personalized Graph Federated Learning with Inter-Client and Intra-Client Heterogeneity”该成果由22级硕士生周子安及合作者共同完成。该成果主要研究图联邦领域中存在的数据异质性问题，联邦训练的客户端间与客户端内共同提出解决方法联合解决。具体来说，针对客户端内异构性，该论文创新性地提出了可学习的个性化因子 (PF)，通过可学习的参数自动对客户端内的每个图表示进行归一化，从而弱化非独立同分布数据分布的影响。针对客户端间异构性，该论文提出了一种新颖的基于哈希的相似性聚类方法，为每个客户端生成哈希签名，然后将相似的客户端分组，以便在不同客户端之间进行联合训练。最终，该论文协同训练客户端内和客户端间的模块，以提高捕捉客户端图数据异构性的有效性。该成果使得深度学习模型能够在现实场景的图数据集中有效抵抗数据异质性发挥优秀的表现。
恭喜以上老师和同学在科研中取得优秀的成果，也希望同学们能够再接再厉，继续在科研的道路上不断前行，取得更多成果。
