计算机科学与技术学院沈笑老师的论文被CCF A类国际会议AAAI录用

近日，海南大学计算机科学与技术学院智能软件与系统新技术研究团队沈笑副教授的论文被CCF A类顶级国际会议AAAI录用。AAAI是人工智能领域中历史最悠久、涵盖内容最广泛的国际顶级学术会议之一，也是中国计算机学会CCF推荐的人工智能领域A类国际学术会议。AAAI-2025国际会议在美国费城举办，共收到来自全球12957篇投稿论文，接受率为23.4%。

沈笑老师被AAAI-2025录用的论文题目为“Open-set Cross-network Node Classification via Unknown-excluded Adversarial Graph Domain Alignment”。该论文针对开放集跨网络节点分类(Open-set Cross-network Node Classification, O-CNNC) 问题，提出排除未知类别的对抗图域对齐 (unknown-excluded adversarial graph domain alignment, UAGA)模型。

跨网络节点分类(Cross-network Node Classification, CNNC)是近期图机器学习领域的热点研究问题，旨在迁移从标签丰富的源网络中学习的知识，帮助缺乏标签的目标网络预测节点标签。现有的跨网络节点分类方法普遍基于闭集假设，即要求源网络和目标网络共享相同的类别空间。然而，在现实世界的应用场景中，这种闭集假设很难得以保证。为突破闭集假设的限制，该论文研究更为现实和新颖的开放集跨网络节点分类问题，其中，目标网络不仅包含源网络中所有的已知类别，还包含额外的“未知”类别。开放集跨网络节点分类问题的目标是将目标网络中属于源网络已知类别的节点分类到对应的已知类别，并检测出目标网络中属于“未知”类别的节点。

图1：开放集跨网络节点分类问题示意图

该论文提出的UAGA模型框架如图2所示，具有以下三大创新点：

1） 现有的对抗域适应方法始终为来自不同域的所有样本分配正的域适应系数。UAGA首次提出在对抗性域适应中使用负域适应系数来排除未知类别的样本。通过给未知/已知类别节点分配负/正域适应系数，UAGA使得目标网络的已知类别节点与源网络对齐，并将目标网络中未知类别的节点推离源网络。

2） 与计算机视觉领域的开放集域适应工作不同，该论文从图结构数据的角度，证明了关于开放集跨网络节点分类问题的图同质性定理，即无论目标网络的节点属于已知类别还是未知类别，都倾向于与其具有相同类别的其他节点相连。受该定理的启发， UAGA设计了一个��+1维的邻域聚合节点分类器，用于同时分类已知类别的节点和检测未知类别的节点。

3） UAGA设计了一个先分离再域适应的框架，首先通过对抗学习获取一个粗略边界来分离未知类别和已知类别，随后进行排除未知类别的对抗图域对齐。

图2：UAGA算法框架图

在多组数据集的丰富实验结果表明，相比于9个最先进的基线方法，论文提出的UAGA模型在开放集跨网络节点分类准确性上具有显著的提升。

该论文的第一作者为海南大学计算机科学与技术学院沈笑老师，第二作者为海南大学信息与通信工程学院2023级博士生陈志豪，论文合作者包括澳大利亚格里菲斯大学潘世瑞教授，香港理工大学博士生周爽，郑州大学杨天若院士，和海南大学热带作物学院周犀老师。

沈笑，香港理工大学博士和博士后，现任海南大学副教授，博士生导师。以唯一第一作者或唯一通讯作者发表高质量学术论文10余篇，包含CCF A类顶级国际会议 (AAAI、SIGIR、WWW)，CCF A类顶级国际期刊 (IEEE TKDE) 和中科院SCI大类一区国际期刊 (IEEE TNNLS、IEEE TCyb、IEEE TFS)。主持国家自然科学青年基金2项和省部级项目1项。曾获英国伦敦大学杰出学术表现奖学金，香港特区政府最高等级博士奖学金 (Hong Kong PhD Fellowship, HKPFS)，香港理工大学电子计算学系杰出博士奖学金，和香港创新科技署创新及科技基金研究人才库 (RTH-ITF) 资助。担任CCF A类顶级国际会议 (KDD、WWW、AAAI、IJCAI) 程序委员会委员，多个知名国际期刊 (IEEE TKDE、IEEE TNNLS、IEEE TCyb、ACM TOIS、ACM TKDD) 审稿专家，第7届IEEE数据科学和系统国际会议IEEE-DSS程序主席，国家自然科学基金项目评审专家和澳门大学多年度研究资质项目评审专家。

沈笑老师在跨网络分类和图域适应领域以唯一第一作者/唯一通讯作者发表10余篇高质量论文，包含CCF A类国际会议（AAAI-2020、AAAI-2023、AAAI-2025）、CCF A类国际期刊（IEEE TKDE, ESI高被引）、SCI大类一区Top期刊（IEEE TNNLS、IEEE TCyb、IEEE TFS、Neural Networks、Pattern Recognition）。该系列研究工作受到国内外知名高校和企业的研究学者多次引用和积极评价，如卡内基梅隆大学、伊利诺伊大学-香槟分校、牛津大学、新加坡国立大学、清华大学、北京大学、Google DeepMind等。