【儀表網(wǎng) 研發(fā)快訊】近日，山東大學(xué)軟件學(xué)院余國先教授團隊在可信人工智能領(lǐng)域取得系列進展，多項研究成果在IEEE Transactions on Knowledge and Data Engineering(TKDE)、IEEE Transactions on Dependable and Secure Computing(TDSC)、ACM Transactions on Information Systems (TOIS)、KDD 2025、IJCAI 2025、《計算機學(xué)報》和《中國科學(xué)：信息科學(xué)》發(fā)表接收，山東大學(xué)均為第一作者和通訊作者單位。
 

　　1. MultiCFL
 

　　多維度因果公平框架。本成果“Multi-dimensional Causality Fairness Learning”被數(shù)據(jù)挖掘國際期刊IEEE TKDE接收。文章第一作者為山東大學(xué)博士研究生蘇聰，通訊作者為余國先教授。
 

　　該研究提出多維度歧視效應(yīng)分析方法，同時建模個體維度和宏觀維度的交叉歧視效應(yīng)；構(gòu)建因果鏈?zhǔn)阶兎滞评砟Ｐ停东@未觀測到的潛在混淆因子并消除數(shù)據(jù)中的多維度歧視性效應(yīng)，突破傳統(tǒng)個體維度分析的局限性，能夠為政策制定者和企業(yè)推進落實公平性、負(fù)責(zé)任的人工智能提供技術(shù)支撐，避免多維交叉歧視引發(fā)的倫理風(fēng)險。
 

　　2. Sophon
 

　　Sophon: 基于雙重信任機制的拜占庭魯棒聯(lián)邦學(xué)習(xí)。本成果“Sophon: Byzantine-robust Federated Learning via Dual Trust Mechanism” 被人工智能安全領(lǐng)域期刊TDSC接收。文章第一作者為山東大學(xué)碩士研究生桂孝強，通訊作者為余國先教授。
 

　　該研究為服務(wù)器歸一化客戶端梯度，并結(jié)合一致性與多樣性雙重信任得分為梯度分配聚合權(quán)重，有效抵御了異質(zhì)數(shù)據(jù)場景下的拜占庭攻擊，確保聯(lián)邦訓(xùn)練的模型性能不被破壞，為聯(lián)邦學(xué)習(xí)提供了安全可靠的訓(xùn)練方案。
 

　　3. MultiVerse
 

　　聯(lián)邦推薦中的交互隱私漏洞及其無損防御。本成果“Interaction Privacy Vulnerability in Federated Recommendation and Lossless Countermeasure”被人工智能領(lǐng)域期刊TOIS接收。文章第一作者為山東大學(xué)碩士研究生桂孝強，通訊作者為余國先教授。
 

　　該研究首先揭示了聯(lián)邦推薦中的用戶交互隱私泄露風(fēng)險，進而提出了一種隱私保護方法MultiVerse，通過在本地訓(xùn)練時引入偽交互項，并結(jié)合精心設(shè)計的訓(xùn)練、優(yōu)化、精煉和去噪四步策略，在確保無損模型性能的同時顯著降低了交互隱私泄露風(fēng)險。為聯(lián)邦推薦中的用戶交互隱私保護提供了安全可靠的解決方案。
 

　　4. FedPANO
 

　　基于參數(shù)解耦與節(jié)點增強的個性化聯(lián)邦學(xué)習(xí)方法。本成果“Personalized federated few-shot node classification”由信息科學(xué)領(lǐng)域期刊Science China Information Sciences接收，文章第一作者為山東大學(xué)博士研究生趙云峰，通訊作者為余國先教授。
 

　　該工作研究了一個實際且具有挑戰(zhàn)性的個性化聯(lián)邦學(xué)習(xí)問題，客戶端具有異構(gòu)任務(wù)，但訓(xùn)練節(jié)點稀少。提出的基于參數(shù)解耦與節(jié)點增強的聯(lián)邦學(xué)習(xí)方法(FedPANO)首先將本地模型分離為圖神經(jīng)網(wǎng)絡(luò)(GNN)和分類器，用以處理客戶端之間的任務(wù)差異。GNN通過聯(lián)邦學(xué)習(xí)訓(xùn)練，以捕捉客戶端之間網(wǎng)絡(luò)節(jié)點的共享知識，而分類器則為每個客戶端量身定制并單獨訓(xùn)練。此外，F(xiàn)edPANO還引入了一個通用分類器，以鼓勵GNN對共享信息的學(xué)習(xí)。接著，F(xiàn)edPANO進一步提出了節(jié)點生成器及其本地和協(xié)作訓(xùn)練策略，以應(yīng)對客戶端節(jié)點稀缺的問題。
 

　　5. CausalSME
 

　　面向多環(huán)境數(shù)據(jù)分布偏移的因果發(fā)現(xiàn)。本成果“Causal Discovery from Shifted Multiple Environments”被國際數(shù)據(jù)挖掘會議KDD 2025接收。文章第一作者為山東大學(xué)博士研究生楊德智，通訊作者為軟件學(xué)院王峻。
 

　　該算法在環(huán)境信息未知的情況下，自動識別樣本所屬的環(huán)境和每個環(huán)境下的未觀測因果效應(yīng)，從具有未觀測分布偏移的混合多環(huán)境數(shù)據(jù)中學(xué)習(xí)因果有向無環(huán)圖。算法還從理論上證明了存在未觀測分布偏移的混合多環(huán)境中因果結(jié)構(gòu)的可識別性，并在合成和真實數(shù)據(jù)集的因果關(guān)系發(fā)現(xiàn)任務(wù)中表現(xiàn)出優(yōu)秀的準(zhǔn)確性和魯棒性。該研究得到國家重點研發(fā)計劃青年科學(xué)家項目、國家自然科學(xué)基金重點項目與面上項目的資助和支持。
 

　　6. ASGM
 

　　解釋糾偏框架：一種基于標(biāo)準(zhǔn)解釋的歸因分?jǐn)?shù)生成方法。本成果“Explanation Rectification Framework: An Attribution Score Generation Method Based on Standard Explanations”被國內(nèi)頂級期刊計算機學(xué)報接收。文章第一作者為山東大學(xué)碩士研究生邢鐘毓，通訊作者為余國先教授。
 

　　該研究針對模型可解釋性中歸因分?jǐn)?shù)因隨機因素等導(dǎo)致不一致的關(guān)鍵挑戰(zhàn)，首先從理論上揭示了解釋不一致與模型不確定性的內(nèi)在聯(lián)系。據(jù)此提出了一個歸因分?jǐn)?shù)生成糾偏框架ASGM，該框架從少量抽樣模型中高效生成穩(wěn)定且能代表羅生門效應(yīng)集或規(guī)格不足集的歸因分?jǐn)?shù)解釋，顯著提升了歸因解釋的效率和穩(wěn)定性。該研究得到國家重點研發(fā)計劃項目、國家自然科學(xué)基金重點項目和面上項目的資助和支持。
 

　　7. CMClusts
 

　　對齊用戶興趣的對比多聚類：通過數(shù)據(jù)增強和對比學(xué)習(xí)捕捉用戶感興趣的聚類，實現(xiàn)用戶興趣導(dǎo)向的高質(zhì)量、可解釋、多樣化的聚類模式挖掘。本成果“Aligning Contrastive Multiple Clusterings with User Interests”被人工智能領(lǐng)域國際會議IJCAI接收。文章的共同第一作者為山東大學(xué)碩士研究生張珊、博士研究生任良瑞，通訊作者為余國先教授。
 

　　該研究能根據(jù)用戶提供的興趣引導(dǎo)生成多樣化、低冗余的聚類。基于用戶興趣生成多角度的數(shù)據(jù)增強，并利用聚類級對比學(xué)習(xí)捕捉用戶感興趣的聚類特征，以提高聚類質(zhì)量和可解釋性。另外，聚類級對比學(xué)習(xí)將不同的聚類類型作為負(fù)樣本，增大其距離實現(xiàn)多樣性聚類。該研究得到國家重點研發(fā)計劃青年科學(xué)家項目、國家自然科學(xué)基金重點項目與面上項目的資助和支持。
 

　　8. I2MVC
 

　　基于知識蒸餾的無插補不完整多視圖聚類。本成果“Imputation-free Incomplete Multi-view Clustering via Knowledge Distillation”被人工智能領(lǐng)域頂級國際會議IJCAI接收。論文第一作者為山東大學(xué)博士研究生吳本鈺，通訊作者為山東大學(xué)杜威和余國先。
 

　　該研究針對不完整多視圖數(shù)據(jù)聚類中傳統(tǒng)插補方法存在的誤差累積和效率問題，團隊提出無插補不完整多視圖聚類模型I2MVC，通過任務(wù)分解與知識蒸餾機制，利用完整視圖聚類信息指導(dǎo)不完全多視圖數(shù)據(jù)的有效聚類，實現(xiàn)在視圖缺失場景下的穩(wěn)定性和高效性。該研究得到國家重點研發(fā)計劃項目、國家自然科學(xué)基金重點項目和面上項目的資助和支持。
 

　　IEEE TKDE、IEEE TDSC為IEEE旗下人工智能領(lǐng)域頂級期刊，是中國計算機學(xué)會推薦的A類學(xué)術(shù)期刊；ACM TOIS為ACM旗下大數(shù)據(jù)領(lǐng)域頂級期刊，是中國計算機學(xué)會推薦的A類學(xué)術(shù)期刊；計算機學(xué)報為中國計算機學(xué)會主辦的國內(nèi)頂級期刊，是中國計算機學(xué)會推薦的A類中文學(xué)術(shù)期刊；《中國科學(xué)：信息科學(xué)(英文版)》是由中國科學(xué)院、國家自然科學(xué)基金委員會主辦的信息科學(xué)領(lǐng)域知名期刊，是中國計算機學(xué)會推薦的A類中文學(xué)術(shù)期刊；KDD是數(shù)據(jù)挖掘領(lǐng)域的頂級學(xué)術(shù)會議，由 ACM 的數(shù)據(jù)挖掘及知識發(fā)現(xiàn)專委會(SIGKDD)主辦，是中國計算機學(xué)會推薦的A類學(xué)術(shù)會議；IJCAI是人工智能領(lǐng)域最具影響力的國際會議之一，也是中國計算機學(xué)會推薦的A類學(xué)術(shù)會議。
 

　　余國先教授，山東大學(xué)杰出中青年學(xué)者、齊魯青年學(xué)者、小米青年學(xué)者，長期從事人工智能理論方法及其在生物醫(yī)學(xué)信息分析中的應(yīng)用研究，聚焦多模態(tài)、公平性、安全性和可解釋性等可信人工智能核心方向，相關(guān)成果在IEEE TKDE/TDSC/TNNLS、ACM TOIS/TKDD、NAR、KDD、AAAI、IJCAI等主流期刊或會議發(fā)表，主持國家級青年人才計劃項目、國家重點研發(fā)青年科學(xué)家項目、國家自然科學(xué)基金、山東省杰青基金等項目。