日前，全球人工智能领域顶级国际学术会议AAAI 2026录用结果正式公布。由我校理工学院师生团队所著的两篇论文双双入选会议！该团队成员包括数学系王晋坪、计算机系张丁根两名同学以及计算机系教授高志强、助理学术事务副校长谢志武。其中，本科生王晋坪同学在两篇论文中担任第一作者，高志强教授担任通讯作者。
国际人工智能促进协会年会（AAAI：Association for the Advancement of Artificial Intelligence），是全球人工智能领域“三大顶级学术会议”之一，同时也是中国计算机学会（China Computer Federation，CCF）推荐列表中的A类会议，h5-median高达358，h5-index高达232。本届AAAI投稿最终录用率仅17.6%。
值得一提的是，《Escaping Optimization Stagnation: Taking Steps Beyond Task Arithmetic via Difference Vectors（差分向量，让模型摆脱“卡壳”）》一文还获得了oral presentation（口头报告）的展示机会，约占所有投稿比例中的2.5%。据了解，仅有在原创性、学术影响力、技术突破性与行业引领性等方面达到国际前沿的成果才能入选展示。这些科研成果对本科阶段的同学而言尤为难得，也是我校在人工智能基础研究和应用探索方面的新突破。
师生合作科研
两篇论文的背后，是整个团队踏实而持久的投入。从研究方向的确立、跨学科资源的协调，到实验方案设计、设备与算力统筹，再到长期的实验调试和多轮论文写作修改，每一个环节都依赖反复讨论和打磨。
顶会投稿节奏紧张，为了按时、优质地完成投稿任务，王晋坪同学也经历了多次“通宵连轴转”，在实践中逐渐学会如何在高标准要求下推进复杂的科研工程。他分享说：“我学会了如何从混乱的现象里整理出清晰的逻辑。任何一次看似失败的实验，其实都在提醒我思考得还不够深，坚持下去往往能迎来关键性的突破。”
高志强教授也分享，要高质量地完成一个科研项目，远远不止“会写代码”这么简单。学生既要具备自学与自由探索的能力，也要能在课程压力和科研进度之间做好时间规划，还需要学会与导师和组内同学进行高效沟通。
同在科研小组的张丁根表示：“无论是学校内能随时使用的算力资源、开放的实验环境，还是导师们给予的许多启发性的建议，都让我们这些学生能真正站到科研一线去尝试、去探索。科研不再遥不可及。”
2025年SSpF项目汇报
据悉，此次入选AAAI 2026的成果始于2025年度夏季师生拍档科研项目（Summer Student Partnering with Faculty Research Program，SSpF），并在SSpF项目评选中荣获优秀奖。自2015年启动以来，师生拍档科研项目已成为温州肯恩大学科研育人的重要平台。截至2025年6月，已有超过560名学生和140名教师参与师生拍档科研项目，立项290余项，资助总额近750万元，学生以第一作者或通讯作者身份在SCI、SSCI等国际期刊发表论文超过310篇，多项成果入选国内外学术会议并进行汇报。
下面，让我们一同看看入选会议的2篇成果都有哪些前沿思路吧！
在具体研究内容上，这两篇论文都围绕机器学习的核心算法展开，目标是在复杂真实场景中，让模型更加鲁棒、可靠和值得信任。
差分向量，让模型摆脱“卡壳”
《Escaping Optimization Stagnation: Taking Steps Beyond Task Arithmetic via Difference Vectors》论文简介
该篇论文获得oral presentation，聚焦于当前备受关注的“模型编辑（Model Editing）”问题：一个已经预训练好的大模型，如何在不推倒重来的前提下顺利学会新任务、修正旧行为，而不是学到一半就“卡在原地”。现有常见方法往往基于“任务算术（Task Arithmetic）”，先针对不同任务分别微调同一个模型，再通过简单的“加减法”组合这些任务向量，如果模型在某个状态陷入优化停滞，就很难继续提升。
为此，论文提出了差分向量块级各向异性缩放迭代方法DV-BASI （Difference Vector Block-wise Anisotropic Scaling and Iteration）。简单来说，它不再只看某一次微调前后的差异，而是把训练过程中的整段“学习轨迹”提炼成差分向量，并对不同参数块进行有方向、有力度的多步更新，好比给模型加上一股“会思考的推力”，在遇到局部最优时把它从原地推开，引导继续向前。实验结果表明，在多任务组合、任务否定以及测试时自适应等典型场景中，DV-BASI 能在不增加额外网络结构的前提下，稳步提升整体表现，让模型在不断学习新能力的同时，更好地保留和兼顾原有能力。
空间对齐，让“多数类”和“少数类”都被看见
《Space Alignment Matters: The Missing Piece for Inducing Neural Collapse in Long-Tailed Learning》论文简介
该论文面向现实应用中非常常见的“长尾分布（Long-tailed Distribution）”问题，即有的类别数据成千上万，有的类别样本却寥寥无几，这类任务统称为长尾学习（Long-tailed Learning）。在这种不均衡的数据下，传统模型往往更偏向样本多的“多数类”，样本少的“少数类”容易被误判甚至忽略。理论研究中的“神经坍塌（Neural Collapse）”现象指出，在理想情况下，特征和分类器会形成一种几何结构很整齐的状态，有利于分类稳定和泛化；但在长尾场景下，尤其是少数类，这种结构会被严重破坏。
论文从“空间对齐（Space Alignment）”的视角切入，同时关注特征空间和分类器空间是否真正对得上：一方面在理论上分析了两者方向不一致时对误差指数（Optimal Error Exponent）的影响，说明这种错位会拖累整体性能；另一方面设计了一组轻量的方法，在不改变网络架构的前提下，通过正则、插值和投影等方式，把特征方向和分类器方向逐步“拧回到一条线上”。从技术角度看，这使得模型在长尾数据集上更接近期望中的几何结构；从直观效果看，就是让模型在多数类和少数类之间做出更平衡的判断，在多个标准数据集上显著提升了少数类识别表现，使整体系统更稳健、更可信。
▼推 / 荐 / 阅 / 读
图文 | 受访者提供
文稿编辑 | 项温蔚
一审 | 侯倩雅
二审 | 王舒
三审 | 吕卓环
责编 | 传播与公共关系部
