我有幸参加了于2026年举办的第40届AAAI人工智能年会（The 40th AAAI Conference on Artificial Intelligence），并在此次会议上进行了题为《Bridging Optimization and Neural Networks for Efficient Multi-view Clustering》的学术海报展示与交流。 AAAI自1980年首次召开以来，已发展为人工智能领域最具影响力和权威性的国际顶级会议之一。该会议覆盖机器学习、自然语言处理、计算机视觉、知识表示、智能系统等多个前沿研究方向，以其严格的评审体系、高标准的论文录用机制和广泛的国际影响力著称，被公认为全球人工智能研究者发布创新成果的重要平台。 我的论文提出了一种轻量且可解释的多视图聚类框架BONE。针对现有方法在处理视图间模态差异大或存在噪声时，因依赖显式一致性先验约束而性能受限的问题，BONE创新性地融合经典优化模型与神经网络的优势：首先通过无参数的经典优化过程提取低层语义特征，再利用少量可学习参数构建高层语义表示，从而在无需显式先验约束或后处理特征融合的情况下，高效整合跨视图一致性信息。此外，BONE采用端到端的对比学习策略直接输出聚类结果，避免了传统方法对K-means等后处理聚类算法的依赖。大量实验表明，BONE在多个标准多视图数据集上取得了与当前先进深度方法相当甚至更优的聚类性能，同时仅使用约1%的模型参数，并显著加速了训练收敛过程，展现出卓越的效率与可扩展性。 在本次会议期间，我围绕BONE的研究动机、方法设计、理论优势及实验结果向来自世界各地的专家学者进行了系统介绍，并就多视图学习、模型轻量化、可解释性以及优化与深度学习的融合等议题展开了深入讨论。同时，我积极参与了大会主旨报告、专题研讨会及海报交流环节，全面了解了人工智能领域，特别是多模态学习与高效模型设计方向的最新研究动态与未来挑战。 参与第40届AAAI人工智能年会是我学术成长历程中的一次宝贵经历。此次会议不仅为我提供了向国际同行展示研究成果的高水平平台，也极大地拓宽了我的学术视野，深化了我对前沿技术的理解。通过面对面的深度交流，我获得了诸多富有启发性的建议与合作意向，这些都将对我未来在高效、可解释多视图学习及相关领域的科研工作产生积极而深远的影响。 该团组已进行事后公示。 （领队签字） 徐惠烺 |
