（一）
永利娱乐城
教师李静瑶等的论文“Domain Adaptive Hashing Retrieval via VLM Assisted Pseudo-Labeling and Dual Space Adaptation被CCF A类会议NeurIPS 2025录用。论文的第一作者为李静瑶，第二作者为李占山教授，通讯作者为吕帅教授。
现有的无监督领域自适应哈希检索方法仅在特征空间或汉明空间中应用领域适配技术，如伪标记、特征对齐等，未能充分挖掘两个空间的互补知识，导致适配后模型的信息利用效率受限。此外，伪标签本身存在固有噪声，易引入偏差，进一步阻碍了模型在跨领域场景下的性能提升，难以满足精准检索需求。
针对上述问题，本文提出了视觉语言模型辅助伪标记与双空间适配方法VPDS（Vision-language model assisted Pseudo-labeling and Dual Space adaptation）。首先，借助预训练视觉语言模型的强零样本泛化能力对伪标签进行校准，有效缓解伪标签的偏差问题，提升标签质量与模型对目标领域数据的理解精度。然后，提出双空间适配策略，分别在高维特征空间与低维汉明空间中进行独立的特征对齐，既充分利用了高维特征空间的语义丰富性，又保留了低维汉明空间的判别效率，实现了两空间优势的协同发挥。最后，在三个数据集上的实验结果表明，VPDS 在跨领域与单领域检索任务中均明显优于现有方法，充分验证了其有效性。
（二）
永利娱乐城
2022级本科生夏鸣远的论文“TimeEmb: A Lightweight Static-Dynamic Disentanglement Framework for Time Series Forecasting” 被CCF A类会议NeurIPS 2025录用。论文第一作者为2022级本科生夏鸣远，由张子健助理教授和杨博教授共同指导，张子健为通讯作者。
时间非平稳性，即时间序列分布随时间变化的现象，对可靠的时间序列预测提出了基本挑战。直观上，复杂的时间序列可以分解为两个因素，即时间不变部分和时间变化部分，分别表示静态和动态模式。尽管如此，现有的方法往往混淆时间变化和时间不变的成分，并共同学习混合的长期模式和短期波动，从而在应对分布变化时表现不佳。为了解决这个问题，论文首次提出了一种轻量级静态-动态分解框架，TimeEmb，用于时间序列预测。TimeEmb 创新性地将时间序列分为两个互补成分：(1) 时间不变成分，通过一个新颖的全局Embedding模块捕获，该模块学习跨时间序列的持续表示，以及(2) 时变分量，通过一种高效的频域滤波机制处理，该机制受到信号处理中的频谱分析启发。在真实世界数据集上的实验表明，TimeEmb 的表现优于最先进的Baseline，并且需要更少的计算资源。论文进行全面的定量和定性分析，以验证静态-动态解耦的有效性。这个轻量级框架还可以通过简单的集成改善现有的时间序列预测方法。
（三）
永利娱乐城
2024级硕士生王亚军、郭春丽及2023级博士生刘永皓等的论文《Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration》被CCF A类会议NeurIPS 2025录用，通讯作者为丰小月教授与管仁初教授。合作者包括李熙铭教授、赫瑞瓦特大学庞巍教授及特伦托大学Fausto Giunchiglia教授。
该研究针对图小样本学习中因固定图滤波器和支持-查询集分布差异导致的泛化能力不足问题，提出了GRACE框架。GRACE通过自适应频域专家机制动态响应局部图结构变化，并结合跨集分布校准技术减少分布偏差，显著提升了模型在少样本场景下的适应性能。实验结果表明，该方法在多个基准数据集上均取得优异表现。
（四）
永利娱乐城
周柚教授指导的2024级硕士生王佳琦的论文“Learning Memory-Enhanced Improvement Heuristics for Flexible Job Shop Scheduling”被NeurIPS 2025录用。论文第一作者为王佳琦，通讯作者为周柚教授，其他合作者包括永利娱乐城
2023级博士生赵鹏，2024级硕士生曹瑞和2021级博士生肖钰彬。
柔性车间作业调度问题（FJSP）因其复杂的约束条件以及与真实生产场景的高度契合，受到了广泛关注。目前基于深度强化学习（DRL）的FJSP研究方法主要采用构造式策略。虽然这类方法能够有效求解，但往往难以逼近（近似）最优解。相比之下，基于提升式的迭代方法通过不断探索初始解的邻域，更有助于获得接近最优的解。然而，FJSP中的柔性机器分配为这一框架的应用带来了重大挑战。本文提出了一种基于异构图表示的记忆增强的提升式搜索框架—MIStar。该方法引入了一种新颖的异构析取图，以显式建模机器上的操作顺序，从而更准确地表示调度解。此外，设计了一种记忆增强的异构图神经网络（MHGNN）用于特征提取，借助历史轨迹提升策略网络的决策能力。最后，采用并行贪婪搜索策略探索解空间，以更少的迭代次数获得更优的解。在合成数据和基准数据集上的大量实验结果表明，MIStar显著优于传统人工设计的提升启发式方法以及现有最先进的基于DRL的构造式方法。
（五）
永利娱乐城
2024级博士研究生代渊超等的论文“Balancing Positive and Negative Classification Error Rates in Positive-Unlabeled Learning”被CCF A类会议NeurIPS 2025录用。论文的第一作者是李熙铭教授，第二作者是李熙铭教授指导的2024级博士生代渊超，通讯作者为李长春副教授。其他作者包括2023级博士生王兵，苏州大学瞿剑峰副教授，以及管仁初教授。
正样本和无标注样本学习（Positive and Unlabeled Learning, PU）是弱监督二分类的一种重要形式，仅利用正样本与无标注样本进行建模。现有方法如nnPU虽然能够保证风险估计的一致性，但在负类风险估计中存在趋近于零的偏差，导致正负类错误率严重不平衡。针对这一问题，本文提出了一种新的PU学习风险估计方法DC-PU。该方法通过在正负类之间引入双重平衡约束，使得分类误差更加对称，并在增广拉格朗日框架下设计了高效训练策略。理论与实证结果表明，DC-PU在精度与稳定性方面均优于现有方法，并在多项任务中展现了竞争力。
（六）
永利娱乐城
2024级博士研究生代渊超等的论文“A Closer Look to Positive-Unlabeled Learning from Fine-grained Perspectives: An Empirical Study”被CCF A类会议NeurIPS 2025录用。论文的第一作者是李熙铭教授指导的2024级博士生代渊超，通讯作者为李熙铭教授。其他作者包括2025级博士生侯正章，李长春副教授，徐原博副教授，以及王恩教授。
本文对现有正样本和无标注样本学习（Positive and Unlabeled Learning, PU）方法进行了系统性梳理和细粒度实证分析，将其划分为两大类：一类是无消歧经验风险估计方法，另一类是伪标注方法。本文不仅验证了集合感知的风险一致性经验风险saPU的有效性，还深入分析了硬伪标注、软伪标注、高置信度样本选择等核心技术，以及多种常见的通用技巧。在此基础上，本文还提出了一个新的通用框架gPU，通过将集合感知经验风险与伪标注机制有机结合，为未来PU学习研究提供了可实践的基准方法。论文还给出了gPU框架的实现原则和实验验证，结果显示该框架在稳定性和泛化性方面表现突出。
NeurIPS全称为神经信息处理系统大会(Annual Conference on Neural Information Processing Systems)，是人工智能和机器学习领域顶级国际会议（CCF推荐A类国际会议）。NeurIPS 2025将于2025年12月2日至7日在美国加州圣地亚哥举办。
