近日，第34屆人工智能國際聯合會議（IJCAI2025）在加拿大蒙特利爾和中國廣州同步舉行。IJCAI是全球人工智能領域最具權威性和影響力的學術會議之一，也是中國計算機學會（CCF）推薦的A類國際學術會議。在本次大會上，計算學部3項研究成果獲得錄用發表，成果內容涵蓋聯邦語義分割技術、乳腺超聲圖像病灶分割、不平衡性標記分布學習等前沿方向。
成果一：FedSaaS: Class-Consistency Federated Semantic Segmentation via Global Prototype Supervision and Local Adversarial Harmonization
聯邦語義分割技術通過跨客戶端協作學習實現圖像像素級分類任務。然而，實際應用中客戶端數據的異構性往往導致顯著的特征分布差異，特別是當同類對象呈現不同表征分布時，會嚴重削弱模型的泛化能力。
圖1：類一致性聯邦語義分割框架圖
該論文提出了一種基于全局原型監督和局部對抗協調的類一致性聯邦語義分割框架，以解決聯邦學習客戶端數據異構性導致的跨域泛化能力下降問題。該框架創新性地引入類示例作為評判標準，通過融合服務器端原型學習和客戶端對抗訓練機制，并結合多級對比損失約束，有效協調全局語義引導與局部特征適配，顯著提升了模型在復雜異構場景下的分割性能。在自動駕駛、遙感影像分析和醫學診斷等多模態數據集上的大量實驗驗證表明，所提出的聯邦語義分割方法顯著緩解了跨客戶端類別表征失衡問題，為分布式人工智能的安全部署和跨域協同提供了可靠的技術支持。
論文第一作者為學部數據安全與隱私保護團隊于小洋博士研究生，通信作者為吳曉明研究員。
成果二：ElaD-Net: An Elastic Semantic Decoupling Network for Lesion Segmentation in Breast Ultrasound Images
乳腺超聲圖像普遍存在邊界模糊、組織重疊與語義干擾等問題，導致病灶分割準確性長期受限?，F有方法雖引入邊緣建模與注意力機制以增強判別力，但在多尺度病灶結構識別與語義一致性建模上仍存在顯著瓶頸。
圖2：基于彈性語義解耦的病灶分割框架圖
該論文提出了彈性語義解耦網絡 ElaD-Net，系統引入“解耦–重構”雙模塊機制。首先，彈性語義解耦模塊（ESD）通過軟邊界引導與多尺度語義分離，有效緩解語義混疊與結構歧義；其次，彈性語義重構模塊（ESR）通過波段感知融合與結構一致性重建，增強邊緣連續性與區域完整性。整體架構基于EfficientNet-B2，融合輕量高頻建模與動態卷積結構，兼顧精度與效率。在BUSI、DatasetB等多個基準數據集上開展了大量實踐，結果表明ElaD-Net顯著優于現有方法，尤其在邊緣模糊區域具備更強的泛化能力。
論文第一作者為學部復雜系統與網絡安全團隊徐麗娟副研究員，通信作者為于福強博士和趙大偉研究員。
成果三：Decoupled Imbalanced Label Distribution Learning
標記分布學習通過建立從實例到標記分布的映射關系，能夠有效刻畫每個標記對實例的描述程度，已在表情識別、年齡估計和視頻解析等多個領域取得成功應用。然而，實際標注過程中存在的標注主觀性和標注噪聲的問題，導致標記分布出現顯著不平衡性，使得優勢標記過度占據特征學習空間，而非優勢標記的語義信息難以被充分學習。
圖3：基于解耦的不平衡標記分布學習框架圖
該論文深入剖析了現有標記分布學習模型處理不平衡數據時的性能局限，首次揭示優勢標記過度表示會導致非優勢標記訓練時梯度信息衰減這一關鍵問題。研究提出解耦不平衡性標記分布學習方法（DILDL），通過雙重解耦策略創新解決標記不平衡學習難題：先將原始標記分布顯式分解為優勢與非優勢標記分布，實現解耦標記分布（DLD）；再設計雙分支編碼器結構，差異化提取不同標記特征，并通過高斯分布假設與KL散度度量進行表示對齊，形成解耦表示對齊（DRDA）模塊，有效緩解分布偏移。理論分析表明，該策略可顯著增強非優勢標記訓練時的梯度傳播效率，提升模型對不平衡標記分布的學習能力。在六個標準ILDL數據集上的實驗顯示，DILDL在Chebyshev距離、Clark距離等多項指標上全面超越現有最優方法，在Movie等多個數據集上性能最佳。消融實驗進一步驗證了解耦標記分布（DLD）和解耦表示對齊（DRDA）兩個核心組件的有效性。
論文第一作者為學部視覺與信息處理團隊高永標博士，通訊作者為呂國華副教授。
