我院教师王一帆长文论文《CLINIC: Towards High-quality Graph Out-Of-Distribution Detection》、《CURE: Context-driven Diffusion with Progressive Expansion for Single Domain Generalization in Time Series Classification》、《CELL: A Causal Perspective for Fairness-aware Graph Adaptation》被第43届国际机器学习大会（International Conference on Machine Learning，简称 ICML 2026）录用。ICML是机器学习与人工智能领域公认的国际顶级三大会之一，由国际机器学习学会（International Machine Learning Society, IMLS）主办。在中国计算机学会（CCF）推荐会议目录中，ICML被列为 A 类会议。据会议公布信息，ICML 2026 共收到 23,918 篇投稿，最终录用 6,352 篇，录用率约为 26.6%。本届会议将于 2026 年 7 月 6 日至 7 月 11 日在韩国首尔举行。

【论文题目】
CLINIC: Towards High-quality Graph Out-Of-Distribution Detection

【作者】

王一帆, Haodong Zhang, Changhu Wang, Tao Ren, Dongjie Wang, Wei Ju, Chong Chen, Xiansheng Hua, Xiao Luo

【内容简介】

随着图神经网络在分子图、生物网络、社交网络等复杂关系数据建模任务中的广泛应用，模型在开放环境下的可信性问题日益凸显。现有图学习方法通常依赖训练集与测试集服从同分布假设，但在真实场景中，测试阶段往往会出现训练过程中未见过的分布外图样本，导致模型误判风险显著增加。因此，如何准确识别分布外图样本，成为构建可靠图智能系统的重要问题。针对这一挑战，现有图分布外检测方法多侧重于利用图拓扑结构或局部模式进行异常识别，但容易忽略同一数据分布内部由上下文邻域关系所保留的深层语义结构，难以有效区分“拓扑相似但语义异质”或“拓扑差异但分布一致”的图样本。为此，本成果提出上下文亲和探索与双重一致性学习框架 CLINIC，通过构建上下文亲和图并引入高阶亲和传播，挖掘图样本在隐空间中的语义邻域关系；进一步设计扰动感知一致性与上下文感知一致性学习机制，提升图表示的鲁棒性与判别性；同时采用决策边界压缩策略增强分布内样本的紧致性，从而扩大分布内与分布外样本之间的隐式间隔。在多个真实图数据集上的实验表明，论文方法在图OOD检测任务中取得优于现有代表性方法的性能，为分子图、生物网络、社交网络等开放场景下的异常图识别与可信图学习提供了新的技术路径。

【论文题目】
CURE: Context-driven Diffusion with Progressive Expansion for Single Domain Generalization in Time Series Classification

【作者】

Yuhang Pei, Fanchun Meng, Wenrui Wu, Tao Ren, 王一帆（通讯作者）, Wei Ju, Chao Zheng, Xiao Luo

【内容简介】

时间序列分类是金融分析、健康监测和人体活动识别等智能感知应用中的基础任务。真实环境中，时间序列数据常受个体差异、采集条件和环境变化影响，导致训练域与测试域之间存在分布偏移，进而削弱模型的泛化能力。尤其在单域泛化场景下，模型仅能依赖单一源域数据训练，缺乏多源环境信息，难以充分刻画稳定的类别语义与潜在域变化；同时，现有生成式增强方法往往存在语义约束不足、样本多样性有限和噪声干扰等问题。针对上述挑战，本成果提出CURE方法，通过表示解耦分别提取语义感知的类别不变信息与语义无关的域上下文信息，并以二者作为条件引导扩散模型生成兼具类别一致性和域风格多样性的虚拟时间序列样本；进一步结合动态记忆库更新和边界样本过滤机制，实现渐进式数据扩展与高质量样本筛选。实验表明，CURE 在多个跨域时间序列分类基准上优于现有方法，有效提升了单源域条件下模型面向未知目标域的鲁棒性与泛化能力。

【论文题目】
CELL: A Causal Perspective for Fairness-aware Graph Adaptation

【作者】

Hourun Li, 王一帆（通讯作者）, Qinghua Ran, Junyu Luo, Jia Yang, Changling Zhou, Zhiping Xiao, Wei Ju, Xiao Luo（通讯作者）, Ming Zhang（通讯作者）

【内容简介】

图神经网络在现实场景中常面临公平性问题，而现有公平图学习方法大多依赖目标域敏感属性标签，这在实际应用中往往难以获得。为此，本文提出 CELL 框架，面向源图有标签、目标图完全无标签的图公平自适应问题，在无需目标域敏感标签的情况下，同时提升预测性能与群体公平性。具体而言，CELL 从因果视角出发，利用双编码器将任务相关因果表征与敏感属性表征进行解耦，并通过互信息约束减少敏感信息泄漏。随后，框架为目标域生成任务伪标签与敏感属性伪标签，并引入组感知无偏学习策略，以缓解伪标签中的公平性偏差。最后，CELL 构建公平感知的跨域二部图，将源域与目标域中任务标签相同但敏感属性不同的节点进行结构对齐，从而降低域偏移和虚假相关带来的影响。在Bail、German/Credit、Pokec和合成图等多个基准数据集上的实验表明，CELL相比GCN、NIFTY、FairVGNN、FatraGNN、DANCE等方法，在准确率、ROC-AUC 以及公平性指标上取得了更优的综合表现。该工作为缺失目标敏感标签场景下的公平图学习提供了一种有效的因果解耦与结构对齐范式。

王一帆系体育博彩平台推荐-体育博彩导航 教师，长期从事图神经网络、图机器学习，可信机器学习，时间序列模型，科学智能（AI4Science/Socialscience）, 大语言模型等方向研究。

此次论文入选国际顶级学术会议ICML2026，体现了体育博彩平台推荐 在机器学习与大语言模型研究领域的创新能力，也展现了体育博彩平台推荐 在高水平科研人才培养和人工智能国际前沿学术成果产出方面的良好发展态势。