近日，人工智能领域顶级国际会议AAAI 2026（The 40th Annual AAAI Conference on Artificial Intelligence，CCF-A）公布录用结果，学院共有6篇研究论文被录用，实现AAAI国际顶会论文的历史性突破。第四十届人工智能顶级国际会议——AAAI 2026（The 40th Annual AAAI Conference on Artificial Intelligence）将于2026年1月20日至27日在新加坡博览中心召开。作为人工智能领域历史最悠久、国际影响力极高的学术盛会，AAAI被中国计算机学会（CCF）列为A类国际会议。本届会议共录用论文4176篇，录用率仅17.6%。具体情况如下：

一、A Reasoning Paradigm for Named Entity Recognition （作者：第一作者黄辉（2021级博士研究生），通讯作者陈艳平教授）

命名实体识别（NER）任务中，生成式大语言模型（LLMs）通常依赖指令调优，通过隐式的语义模式匹配来提取实体，但它们普遍缺乏一个明确且可验证的推理机制。这种“认知捷径”导致模型在需要推理的零样本（zero-shot）和低资源场景中表现不佳。为了解决这一难题，该论文提出了一种新的NER推理范式，旨在将实体提取从隐式匹配转向显式推理。该框架包含三个阶段：首先，构建一个面向NER的思维链（Chain-of-Thought, CoT）数据集；接着，利用该数据集进行CoT调优，训练模型在推导出最终答案之前，先生成连贯的推理步骤；最后，通过一个综合奖励信号来实施推理增强，以优化整个推理过程。实验证明，该方法（ReasoningNER）在零样本设置下取得了SOTA性能，F1分数显著超越了GPT-4 12.3个百分点，展示了其在推理导向的信息提取研究中的巨大潜力。

二、Intuitive Thinking: Expanding Large Language Models' Thinking for Rapid Decision-Making on Candidate Corrections in Chinese Grammar Error Correction（作者：第一作者龙林涛（2023级硕士研究生），通讯作者黄瑞章教授）

中文语法错误纠正（Chinese Grammar Error Correction，CGEC）旨在识别并纠正中文句子中存在的语法错误。微调大模型纠正语法错误已成为主流方法，但存在明显缺陷：LLMs学习了语法知识，但常常不能明确使用哪种语法概念去纠正错误句子，以致于给出多个可能的纠正，但不能明确哪个纠正是可靠的。相较之下，人类存在一种直觉思维（Intuitive Thinking），使得人类可以凭借经验和直觉来快速决策哪一个纠正更可靠。为了弥补LLMs这种缺陷，该论文提出了Expanding Intuitive Thinking（ExIT）模型以模仿人类的直觉思维。ExIT依托轻量化架构，融合LLMs纠错的置信度信息，快速决策不同纠正中更可靠的一个纠正作为最终纠正。在这个过程中，ExIT对比了原始句子与纠正之间的关联性。与仅解码LLMs基于前置token进行局部思考的方式不同，ExIT 的全局审视更接近人类复查答案的过程。实验表明，ExIT 显著释放LLMs的纠错能力，缓解训练过程中的概念混淆，且可迁移至不同LLMs。

三、Constructing Superior Representations Beyond the original Documents via a Contrastive Gaussian Fusion Network for Clustering （作者：第一作者申奥（2023级硕士研究生），通讯作者黄瑞章教授）

文本聚类是文本挖掘与信息检索的重要任务。尽管变分自编码器（VAE）能通过潜在分布建模文本表示，但其主要依赖文本自身特征，忽视数据集层面的邻域信息，难以克服文本稀疏与高维性导致的表示不完整与分布失真问题。为解决这一问题，论文提出了一种对比高斯融合网络（Contrastive Gaussian Fusion Network, CGFN），旨在构建文本的超级表示（superior representations beyond the original documents）。CGFN在潜在空间中将文档的语义特征与邻域派生信息以高斯分布形式融合，通过高斯融合机制实现多源信息的平滑对齐与结构增强，从概率层面提升表示空间的连续性与可辨识性。此外，对比学习被融入融合过程，以判别性约束优化潜在分布，使模型在抑制噪声的同时保持信息的完整性与判别力。由此生成的潜在表示并非原始文档特征的压缩，而是一种经由分布融合与对比重构的超级表示，能够捕获跨文档的语义关联与结构模式。实验结果表明，CGFN在四个真实世界数据集上显著优于现有最先进方法，能够通过稳健地捕捉全局分布与邻域模式，实现更优的聚类效果。

四、CD-DPE: Dual-Prompt Expert Network based on Convolutional Dictionary Feature Decoupling for Multi-Contrast MRI Super-Resolution（作者：第一作者谷贤明（2023级博士研究生），通讯作者王丽会教授）

多对比度磁共振成像是临床检查软组织结构的重要手段，但受物理成像参数、扫描时间及生理条件的限制，同时采集多组高分辨率多对比图像较为困难。多对比度MRI超分辨率重建技术可利用其他对比度下的高分辨率参考图像，提升目标图像的细节和分辨率。然而，不同对比度之间存在显著的结构与纹理差异，这些差异在融合过程中容易引入虚假纹理或结构伪影，干扰有效信息的提取与利用。因此，如何充分挖掘跨对比度的互补信息并有效抑制错误融合，成为多对比度超分辨率重建面临的关键技术瓶颈。

针对这一核心难题，研究团队提出了基于卷积字典特征解耦的双提示专家网络（CD-DPE）。该方法引入迭代式特征解耦模块，将跨对比度可共享的特征与单一对比度特有的特征分离，从源头减少冗余和干扰信息。随后，通过双提示融合机制实现跨对比度信息的精准互补与深度整合，即利用频率提示精确引导参考图像特征选择，结合自适应路由提示为不同区域匹配最优多对比融合策略，从而有效克服结构和纹理差异带来的干扰。

在多个公开MRI数据集上的实验结果表明，CD-DPE不仅能够清晰还原精细的解剖结构，显著提升图像锐度与抑制伪影，而且在整体重建精度与临床可用性方面均优于现有主流方法，为多对比度MRI超分辨率重建提供了新思路与技术支撑。

五、Uncertainty-Propelled Physics-MAE Fusion for Self-Supervised Diffusion-Weighted Image Denoising（作者：第一作者邓泽宇（2021级博士研究生），通讯作者王丽会教授）

扩散加权磁共振成像（DWI）在探测生物组织微结构方面具有独特优势，但其成像信噪比较低，容易导致微观组织结构估计失真。在缺乏真实、无噪图像作为参考的情况下，如何有效抑制噪声并保留细微的组织结构特征，成为DWI去噪面临的核心挑战。

针对这一问题，研究团队基于极大似然融合机制，提出了全新的自监督去噪框架UP²-MAE（Uncertainty-Propelled Physics-MAE Fusion）。该框架设计了两个估计误差相互独立的自监督去噪分支：一是基于物理模型的Noise2Noise分支，通过成像物理知识约束，强化在扩散各向异性区域的降噪效果；二是基于MAE策略的分支，提升在各向同性区域的降噪表现。最终，利用极大似然的不确定性估计，生成不确定性图并自适应引导两分支的融合，实现降噪与细节保留的最佳平衡。

研究团队在多种模拟与真实数据集（包括脑与心脏DWI）上验证了UP²-MAE的有效性。实验结果显示，该模型在图像质量（PSNR 31.48 dB、SSIM 0.98）及扩散张量指标（FA、MD）上均显著优于现有方法，能够在抑制噪声的同时保留微结构细节。该研究为自监督医学影像去噪提供了一种融合物理约束与深度学习优势的新范式，为高质量图像重建与精准诊断提供了新的技术路径。

六、E3SAM2: Entropy-Aware and Edge-Guided Adaptation of SAM2 for Echocardiography Video Segmentation（作者：第一作者郑龙（2023级博士研究生），通讯作者李智教授）

超声心动视频分割是评估心功能和辅助诊断心血管疾病的重要手段，但受散斑噪声、低对比度等影响，左心室边界往往模糊不清。直接将基于自然图像训练的通用分割模型（如 SAM2）迁移到超声场景时，容易出现结构不确定、前景与背景混淆和分布偏移下性能退化等问题，如何在保持推理效率的前提下提升结构建模与边界刻画能力，成为当前的关键技术瓶颈。

针对上述挑战，本工作提出轻量级熵感知与边缘引导适配框架 E3SAM2。在冻结的 SAM2 主干上引入全局–局部特征适配器；通过熵引导注意力与熵正则损失建模不确定性，抑制高熵噪声响应并突出结构可靠区域；同时设计边缘感知监督模块，利用边缘检测算子生成的轮廓先验强化左心室边界表征。实验表明，所提E3SAM2框架 在 CAMUS 与 EchoNet-Dynamic 等数据集上，相比 MemSAM 等代表性方法在 mDice、LVEF 相关性及 FLOPs/帧率等方面取得更优的精度–效率平衡，为通用分割模型在医学超声视频中的应用提供新的解决思路。

一审：李忠强

二审：何    飞

三审：龙慧云