近日，国际顶级人工智能会议 AAAI2026 （第40届美国人工智能协会年会）公布录用结果，哈尔滨工程大学计算机科学与技术学院多篇学术论文成功入选。AAAI会议是计算机人工智能领域中国计算机学会（CCF）推荐A类顶级学术会议，本次会议录用率仅为17.6%，竞争极为激烈，会议将于2026年1月20-27日在新加坡举行。
《From Semantics to Spectrum: A New Lens on Graph Augmentation Strategy》由郑香平、郝秀鑫、吴博、李伟、任斌、唐滨、郭玉慧、梁循、於志文合作完成。针对现有图增强技术语义失真问题，论文提出低频信号为语义信息稳健载体的核心观点，构建频率感知图对比学习（FA-GCL）框架，通过频域分解指导图增强，并设计动态难度调整（DDA）模块生成递增难度负样本。该框架在多个真实场景基准测试中持续超越现有先进基线模型，具有统计学显著性提升。
《Towards Adaptive Humanoid Control via Multi-Behavior Distillation and Reinforced Fine-Tuning》由赵英男、王鑫淼、王德玮、刘昕哲、卢丹、韩启龙、刘鹏、白辰甲合作完成。论文聚焦人形机器人复杂地形多行为自适应控制问题，提出两阶段训练框架 AHC，通过多行为蒸馏融合基础策略、强化微调适配多样地形，引入行为特定评论家与梯度投影机制缓解梯度冲突。该框架在 Isaac Gym 仿真环境训练并部署于 Unitree G1 实体机器人，多种地形行走与跌倒恢复任务成功率显著优于基线方法，展现出良好的多行为融合与地形适应能力。
《Robust Noise Modeling for Spike Camera via Time-Interval Quantification and Spike-DSLR Multimodal Dataset in Low-Light Imaging》由曹越、李思照、张立国合作完成。论文针对脉冲相机极低光照条件下的噪声建模难题，提出基于时间间隔的噪声量化新方法，精确建模各间隔内各类噪声，并构建首个脉冲—单反相机多模态数据集（SDMD）。该方法显著提升噪声参数估计准确性，数据集为脉冲相机噪声模型评估提供了可靠真实参照基准。
《CLUHCS: Dual-View Contrastive Learning Enabled Unsupervised Heterogeneous Community Search with Meta-Path Behavior Modeling》由谢晓芹、赵斌、常明珠、韩帅和杨武合作完成。论文提出一种基于对比学习的无监督异构图社区搜索框架（CLUHCS）。该框架采用双视图对比学习，通过关系视图编码局部节点邻近度，利用元路径视图捕获全局行为语义，采用元路径平均PathSim策略生成自监督正样本，能够消除标签依赖和识别动态社区边界，实现有效的无监督异构图社区搜索。实验结果验证了 CLUHCS 的有效性和高效性。
《DarkFarseer: Robust Spatio-temporal Kriging under Graph Sparsity and Noise》由梁焯炫、李伟、张大林、贾子钰、陈一丹、王志宏、郑香平、Moustafa Youssef 合作完成。论文聚焦图稀疏与噪声条件下的时空插值问题，提出稳健框架 DARKFARSEER，采用“时间优先”建模与时间风格迁移机制，通过区域语义对比学习提升节点表示，基于节点时空相似度降低图噪声。该框架在交通、气象等五个真实数据集上，相关评估指标显著优于七种最新基线模型，具备更强鲁棒性、可扩展性与泛化性能。
《Next Generation Active Learning: Mixture of LLMs in the Loop》由齐媛媛、杨晓昊、卢觉庆、顾国祥、Joanne Enticott、刘刚、杜岚合作完成。论文聚焦主动学习框架革新，旨在解决大语言模型标注质量不足与噪声问题，提出 MoLAM 标注模型与鲁棒性优化机制，通过多轻量级 LLM 协同、伪标注增强、负标签识别及负学习等技术提升标注可靠性。该框架在四个基准数据集上实现零人工标注，性能与传统人工标注相当，标注准确率与噪声鲁棒性显著提升，且具备轻量化部署优势。
此次多篇论文的录用，彰显了学院在人工智能领域的科研实力与创新潜力。学院将持续聚焦人工智能核心技术攻关，紧扣相关政策导向，推动科研成果转化与应用，为人工智能领域高质量发展贡献力量。