（通讯员 黄佳豪）近日，20篇论文成果分别被CCF A类会议AAAI 2026、IEEE/ACM ICSE 2026、ACM FSE 2026、ACM SIGMOD 2026和CCF A类期刊IEEE TDSC录用。其中，嵌入式计算技术研究所5篇论文被CCF A类会议AAAI 2026录用，智能媒体与数据工程研究所6篇论文分别被CCF A类会议AAAI 2026、ACM SIGMOD 2026和CCF A类期刊IEEE TDSC录用，计算机网络与物联网工程研究所4篇论文分别被CCF A类会议AAAI 2026、ACM FSE 2026录用，计算理论与技术研究所1篇论文被CCF A类会议AAAI 2026录用，智能软件与系统新技术研究所1篇论文被CCF A类会议IEEE/ACM ICSE 2026录用，软件工程研究所2篇论文被CCF A类会议AAAI 2026录用，大数据与视觉智能研究所1篇论文被CCF A类会议AAAI 2026录用。这些论文涵盖人工智能+、系统安全、大模型推理优化、计算机视觉、强化学习、代码生成、推荐系统、高效机器学习、信息安全等多个领域。
嵌入式计算技术研究所博士生李柯、通讯作者王笛教授论文“RSVG-ZeroOV: Exploring a Training-Free Framework for Zero-Shot Open-Vocabulary Visual Grounding in Remote Sensing Images”被CCF A类会议AAAI 2026录用。该论文针对遥感图像中精准视觉定位的需求，提出首个面向零样本开放词汇遥感视觉定位的训练免框架RSVG-ZeroOV。该方法挖掘冻结视觉—语言模型与扩散模型的互补优势，通过“概览—聚焦—演化”三阶段策略，将文本语义关联与目标结构先验有效融合，在无需额外标注与微调的情况下，实现对复杂遥感场景中任意描述目标的精确定位与分割。大量实验表明，该方法在多个基准数据集上显著优于现有弱监督与零样本方法，为开放世界遥感感知提供新范式。
嵌入式计算技术研究所博士生梁潇、通讯作者王笛教授论文“Anatomical Region-Guided Contrastive Decoding: A Plug-and-Play Strategy for Mitigating Hallucinations in Medical VLMs”被CCF A类会议AAAI 2026录用。该论文针对医疗视觉语言模型临床应用潜力大但存在幻觉问题（依赖文本先验而非视觉证据），及现有缓解方法的局限（训练型需昂贵专家标注、无训练型对比解码全局校正不可靠），提出解剖区域引导对比解码（ARCD）即插即用策略。该策略依托解剖掩码构建三层对比解码流程，通过令牌、注意力及对数级动态加权，引导模型聚焦特定区域以强化解剖认知、抑制错误输出，经多类医学影像数据集验证，可有效提升区域理解、减少幻觉并提高诊断准确性。
嵌入式计算技术研究所博士生曾辉、通讯作者杨鹏飞教授论文“Lethe: Layer- and Time-Adaptive KV Cache Pruning for Reasoning-Intensive LLM Serving”被CCF A类会议AAAI 2026录用。该论文提出了一种面向大语言模型生成式推理过程中的动态 KV 缓存管理框架 Lethe，沿着解码的空间维度和时间维度引入适应性参数，解决了长文本生成带来的动态性和层敏感性问题，在多种模型和任务上均实现了效率与生成质量之间的理想平衡，并将吞吐量提升了2倍多。
嵌入式计算技术研究所教师程飞（通讯作者）指导本科生王则清（第一作者）的论文“SAMCL:Empowering SAM to Continually Learn from Dynamic Domains with Extreme Storage Efficiency”被CCF A类会议AAAI 2026录用。该论文为了解决SAM在处理多样化领域时面临的灾难性遗忘问题，提出了一种名为SAMCL的持续学习方法。该方法的核心是将增量知识分解为多个轻量化的增强模组，并通过一个基于图像嵌入的模块选择器在推理时自动匹配最佳模块。增强模组通过参数共享和热图增强技术，在提升领域自适应能力的同时，显著降低了存储开销。实验证明，SAMCL在极大地减少存储需求和防止遗忘的同时，显著提升了模型在未知领域上的泛化性能。
嵌入式计算技术研究所教师程飞（通讯作者）指导本科生季康烨（第一作者）的论文“Jump-teaching: Combating Sample Selection Bias via Temporal Disagreement”被CCF A类会议AAAI 2026录用。该论文针对标签噪声挑战，Jump-teaching提出了一种高效的样本选择框架，其核心在于利用神经网络在不同训练迭代间的时间差异性，通过跳跃式模型更新实现选择偏差的自我修正，从而取代了传统高开销的双网络或多轮训练模式。配合基于单一损失方差的细粒度选择标准，该方法在显著提升模型鲁棒性的同时，将训练速度提升了4.47倍并降低了54%的显存占用。
智能媒体与数据工程研究所徐偲副教授、通讯作者管子玉教授论文“GUIDER: Uncertainty Guided Dynamic Re-ranking for Large Language Models Based Recommender Systems”被CCF A类会议AAAI 2026录用。该论文将LLM用于推荐系统面临数据稀疏、幻觉与高计算开销挑战。核心任务是高效量化置信度以感知预测不确定性。论文提出的GUIDER框架在单次推理中将LLM输出logits视为证据，创新性地采用狄利克雷分布将总不确定性分解为反映数据固有模糊性的数据不确定性（DU）和体现模型知识局限的模型不确定性（MU）。基于四象限动态调整推荐重排策略。实验表明，GUIDER显著提升推荐质量与可信度，性能优于基线，计算开销极低，为部署可靠高效的LLM推荐系统奠定基础。
智能媒体与数据工程研究所硕士生温子祺、通讯作者赵伟教授论文“Universal EEG Epilepsy Detection via Evidential Multi-View De-Biasing”被CCF A类会议AAAI 2026录用。该论文面向跨患者通用癫痫检测任务，针对现有方法在新患者上泛化能力不足的问题，提出一种基于多视角去偏建模的跨患者检测模型，以缓解患者特异性偏差对模型泛化能力的影响，在全新患者上实现稳定且可信的检测。该模型通过不确定性评估识别潜在偏差样本，结合双分支训练范式与独立性约束抑制非病理特征，并引入多视角证据融合机制增强对病理特征的关注，引导模型学习稳定的癫痫核心模式。在多个数据集上的实验结果表明，该模型在跨患者检测任务中的准确性较现有方法平均提升约 5.83%，具有较强的泛化能力和实用价值。
智能媒体与数据工程研究所通讯作者教师王鸣哲论文“RcAE: Recursive Reconstruction Framework for Unsupervised Industrial Anomaly Detection”被CCF A类会议AAAI 2026录用。该论文面向工业t图像中异常样本稀缺、难以标注的问题，提出一种无监督工业异常检测方法—递归自编码器（RcAE）。该方法突破传统自编码器单次重建的局限，通过多步递归重建逐级抑制异常区域并持续细化正常结构，从而更充分建模正常模式。基于递归重建过程中产生的多阶段结果，进一步设计跨递归差异检测模块，用于刻画残差演化特性，提升对细微异常和大尺度缺陷的检测能力。同时，引入细节保持网络以恢复重建过程中易丢失的高频纹理信息。大量实验结果表明，该方法在仅使用扩散模型约 10% 参数量的情况下，实现了与其相当的检测性能，并显著提升推理速度，展现出良好的效率优势与工程应用潜力。
智能媒体与数据工程研究所高熙越副教授论文“RSA-CR: Resisting Shilling Attacks in Citation Recommendation via Dumbbell Inductive Learning”被CCF A类会议AAAI 2026录用。该论文揭示了先令攻击对引文推荐系统的影响，并基于历史合作、显著引用和内容约束三种抵抗策略，提出RSA-CR算法。该算法构建双层学术关系图，采用哑铃归纳学习，结合随机与内容生成方式初始化向量；随后以作者特征引导论文聚合权重，完成置信度引导的双端聚合，最终基于融合向量的距离生成推荐。实验证明该方法在推荐效果和鲁棒性上均优于基线。
智能媒体与数据工程研究所硕士生黄兴业、吴金玉，通讯作者夏小芳副教授、崔江涛教授论文“PartitionKV: Redesigning LSM-tree KV Stores on NVMs with Adaptive Partitioning for Reducing Write Stalls and Amplification”被CCF A类会议ACM SIGMOD 2026录用。该论文针对 LSM-tree 中无序的 L0 结构在压缩过程中引发的严重写停顿和写放大问题，结合 NVM 硬件特性提出了一种新的系统设计方案——PartitionKV。该系统在 NVM 上构建有序的分区层以替代传统的 L0 结构，并根据 L1 层中重叠文件的数量进行自适应分区，从而将压缩过程中参与的数据规模控制在合理范围内。该设计有效减少了 L0–L1 压缩过程中不必要的数据重写，显著缓解了写停顿与写放大问题，并大幅提升了系统地随机写性能。
智能媒体与数据工程研究所硕士生贺能禹，通讯作者夏小芳副教授论文“MDA-SMuSha: an efficient and flexible multi-dimensional data aggregation scheme for privacy-preservation in smart grids”被CCF A类期刊IEEE TDSC录用。该论文针对现有基于同态加密的多维数据聚合方案计算开销太大从而不适用于资源受限的智能电表，以及部分掩码方法虽可降低计算开销但缺乏容错能力等不足，提出一种基于 Shamir 多秘密共享的高效、灵活多维数据聚合方案 MDA-SMuSha。该方案结合中国剩余定理和 Paillier 加密，实现一次加密即可支持多周期、多维数据聚合查询，并通过 BLS 短签名保障数据认证与完整性。MDA-SMuSha方案在保护隐私、支持容错与用户动态加入的同时，提供更高系统灵活性和多周期聚合能力，计算和通信开销均保持可控。
计算机网络与物联网工程研究所博士生桑安源、通讯作者杨力教授论文“Flash: Query-Efficient Black-Box Static Malware Evasion through Transferable GAN-Guided Modification Sequences”被CCF A类会议ACM FSE 2026录用。该论文针对黑盒恶意软件对抗攻击中“迁移性差”与“查询成本高”的瓶颈，提出了一种结合GAN与遗传算法的两阶段攻击框架 。Flash通过GAN生成具备强迁移性的初始样本，并利用演化策略进行查询高效的微调，成功打破了迁移攻击与查询攻击的界限。实验表明，该方法在 ClamAV、Avast 及各类SOTA检测器上取得了 95.8% 以上的攻击成功率，并将查询次数大幅减少了 86% 。此外，基于Flash的对抗训练能将模型受攻击概率降低 82.4%，为构建更鲁棒的恶意软件检测系统提供了有力支撑。
计算机网络与物联网工程研究所博士生吴子辉、通讯作者高海昌教授论文“GlitchMiner: Mining Glitch Tokens in Large Language Models via Gradient-based Discrete Optimization”被CCF A类会议AAAI 2026录用。该论文提出 GlitchMiner 框架 —— 一种基于梯度的离散优化框架，该框架通过引入熵作为预测不确定性的度量指标，并采用局部搜索策略探索标记空间，从而高效识别故障标记。在多种大语言模型架构上开展的实验表明，GlitchMiner 在检测准确率和适配性方面均优于现有方法，平均效率提升超过 10%。该方法完善了大语言模型的脆弱性评估体系，为开发更稳健、更可靠的应用奠定了基础。
计算机网络与物联网工程研究所博士生吴子辉、通讯作者高海昌教授论文“HumorReject: Decoupling LLM Safety from Refusal Prefix via A Little Humor”被CCF A类会议AAAI 2026录用。该论文提出一种全新的数据驱动型方法 HumorReject，该方法以幽默作为间接拒绝策略，将大语言模型的安全防护机制与拒绝前缀解耦，从而重构了大语言模型的安全范式。不同于对有害指令做出显性拒绝，HumorReject 会生成契合上下文语境的幽默回复，以此自然消解具有潜在风险的请求。该方法能够有效解决常见的「过度防御」问题，同时对各类攻击路径展现出更优的鲁棒性。
计算机网络与物联网工程研究所教师郑乐乐、通讯作者张涛副教授论文“Differentially Private Subspace Fine-Tuning for Large Language Models”被CCF A类会议AAAI 2026录用。该论文针对大语言模型（LLM）在涉及敏感数据微调时面临的隐私泄露问题展开研究。现有的差分隐私微调方法虽然能够为模型训练提供隐私保护，但通常在高维参数空间直接注入噪声，导致有效信号被淹没，模型性能下降，并带来较高的计算与调优成本。针对这一问题，论文提出了一种新型的差分隐私子空间微调方法。该方法遵循“仅在任务相关子空间中注入噪声”的设计思想，通过利用低维子空间进行梯度投影与扰动，将传统差分隐私中高维噪声的扰动降维至任务关键方向，从而在严格的隐私预算下显著提高模型的精度与稳定性。
计算理论与技术研究所陆旭副教授、通讯作者田聪教授论文“T4NMTD: Transition-Centric Reinforcement Learning for Non-Markovian Task Decomposition”被CCF A类会议AAAI 2026录用。该论文针对非马尔可夫任务（NMT）提出了强化学习框架 T4NMTD。NMT 依赖长期记忆和历史信息，比传统马尔可夫模型更难解决。T4NMTD 的核心是任务分解与并行训练。基于时序逻辑构建自动机，根据状态转移将任务分解为基本单元，再按语义相似性模块化为子任务。训练采用双层结构：高层协调子任务边界与安排，低层并行学习子任务。同时引入动态策略干预解决并行训练的短视问题。实验表明该框架显著优于现有方法。
智能软件与系统新技术研究所博士生段渝、通讯作者李瑞教授论文“Less Effort, More Productivity: Lessons Learned from Developing Millions of Lines of Code with Large Language Model”被CCF A类会议IEEE/ACM ICSE 2026录用。该论文面向百万行级工业系统难以用片段式AI完成仓库级开发的问题，在1.52 MLoC 的 PicoScenes 上提出并验证“专家—AI混合开发”。专家负责架构设计与瓶颈诊断，LLM执行原型生成与重构优化，并结合AST依赖、接口锚定提示与回归测试，实现一致集成与性能调优。实验表明：特性实现时间降68.3%、吞吐升70%，复杂度降28.2%，缺陷率减半、CPU负载降25%，且对多种LLM均稳健。
软件工程研究所方厚章副教授论文“Spatio-Temporal Context Learning with Temporal Difference Convolution for Moving Infrared Small Target Detection”被CCF A类会议AAAI 2026录用。该论文针对运动红外小目标检测面临的弱特征与复杂背景干扰难题，提出了TDCNet。为克服现有时间差分与3D卷积在时空建模上的局限，该网络创新引入了时间差分卷积（TDC）重参数化模块，第一次将时间差分与3D卷积融合，有效捕获多尺度运动上下文并抑制伪运动杂波。同时，设计了TDC引导的时空注意力机制，通过双主干网络的交叉注意力交互，利用全局语义依赖优化当前帧特征，引导模型精准聚焦关键目标区域。该方法有效增强了时空特征表达，显著提升了复杂场景下红外小目标检测性能。
软件工程研究所博士生王啸林、通讯作者方厚章副教授论文“Blur-Robust Detection via Feature Restoration: An End-to-End Framework for Prior-Guided Infrared UAV Target Detection”被CCF A类会议AAAI 2026录用。该论文第一次提出了联合特征域去模糊与检测的端到端框架（JFD3）。该框架采用权重共享的双分支架构，利用清晰分支引导模糊分支增强判别性特征表达。具体而言，引入轻量级特征恢复网络，以清晰特征为监督提升模糊分支能力；设计频率结构引导模块，将优化的结构先验融入浅层检测层以丰富目标信息；施加特征一致性自监督损失，驱动模糊分支逼近清晰特征表示。该方法有效解决了模糊条件下的特征增强难题，显著提升了检测性能。
大数据与视觉智能研究所博士生刘糠、通讯作者苗启广教授论文“PriorRG: Prior-Guided Contrastive Pre-training and Coarse-to-Fine Decoding for Chest X-ray Report Generation”被CCF A类会议AAAI 2026录用。该论文提出了一种新的胸片报告生成框架PriorRG，通过两阶段训练流程模拟真实临床工作模式，以更充分地利用患者先验信息。在第一阶段，设计先验引导的对比学习预训练方法，利用临床背景信息引导模型进行时空特征学习，使视觉特征与放射学报告中的时序语义更好对齐，从而增强对疾病演变的建模能力。在第二阶段，提出先验感知的粗到细解码策略，在报告生成过程中逐步融合患者先验知识与视觉时空特征，引导模型关注关键病变区域并刻画疾病变化趋势。在MIMIC-CXR和MIMIC-ABN两个公开数据集上的实验结果表明，PriorRG在多项评价指标上均显著优于现有先进方法。其中，在MIMIC-CXR数据集上，BLEU-4和F1-CheXbert指标分别提升了3.6%和3.8%；在MIMIC-ABN数据集上，BLEU-1指标提升了5.9%。这些结果验证了该框架在提升报告临床准确性和语言质量方面的有效性。
这些成果集中体现了公司在计算机与软件工程领域取得的重要学术进展，表明公司科学研究在国际学界的认可度进一步提高，助力学科交叉融合发展与持续创新。
