近日，第43届国际机器学习会议（The Forty-Third International Conference on Machine Learning，ICML 2026）录用结果揭晓，我院王友清教授团队研究论文《Deep Multi-view Graph Clustering via Attribute-aware Bidirectional Structural Refinement and Pseudo-label Guided Multi-level Fusion》、《Dual-channel Dynamic Graph Neural Networks with Adaptive Adjacency Learning and Multi-scale Representation Fusion》被成功录用。北京化工大学为第一完成单位，悉尼大学、中科院深圳先进研究院为合作单位。王友清教授团队在过去一年内连续在机器学习与人工智能领域的三大顶级国际学术会议NeurIPS、ICLR、ICML发表学术论文。
研究工作1：Deep Multi-view Graph Clustering via Attribute-aware Bidirectional Structural Refinement and Pseudo-label Guided Multi-level Fusion（第一作者为研究生指导教师王友清教授，第二作者为信息学院2024级硕士研究生赵天祥，通讯作者为合作指导教师郭继鹏副教授）
该研究针对现有方法过度依赖静态局部拓扑结构以及跨视图融合策略缺乏节点级自适应感知的问题，提出了一种新的深度多视图聚类方法（APGC）。现有方法主要基于原始邻接矩阵进行消息传递，忽视了全局属性语义对拓扑结构的动态修正。此外，这些方法均采用粗粒度的视图级加权方案，忽视了不同视图在节点粒度上的贡献差异，限制了共识表示的判别能力。APGC通过执行属性感知双向结构净化策略，利用属性相似度动态强化高质量连接并抑制语义冲突关系，实现了全局属性语义与局部拓扑结构的深度协同，为有效缓解同配性假设带来的学习瓶颈提供了新思路。其次，通过利用伪标签信息引导的多级融合设计，APGC在节点和视图双维度上协同优化权重分配，显著增强共识表示判别性，有效提升模型表现。
研究工作2：Dual-channel Dynamic Graph Neural Networks with Adaptive Adjacency Learning and Multi-scale Representation Fusion（第一作者为研究生指导教师王友清教授，第二作者为信息学院2023级硕士研究生龙家豪，通讯作者为合作指导教师郭继鹏副教授）
为全面有效地挖掘异配图中的潜在语义与结构信息，本研究提出了一种新颖的双通道动态图神经网络框架DCD-GNN。其核心思想是通过双通道并行架构分别学习动态适应性与结构稳定性，实现多层次、多尺度结构信息的最优融合。具体而言，动态通道包含高频与低频两个互补子通道，利用自注意力机制探索任意节点间的多层次语义关联；随后通过自适应融合将低频结构滤波与高频细节捕捉相结合，充分捕获全频域内的潜在语义与结构模式。静态通道则负责保持结构稳定性，在提取显式拓扑信息的同时防止过度动态调整可能引发的结构失真。此外，DCD-GNN采用多尺度表示融合机制，充分考虑不同尺度嵌入对最终表示的贡献，使模型能够根据具体的图结构与任务需求自适应地确定信息依赖程度。
ICML（International Conference on Machine Learning）是机器学习与人工智能领域的顶级国际学术会议之一，也是中国计算机学会（CCF）推荐的A类会议。ICML与国际学习表征大会（ICLR）和神经信息处理系统大会（NeurIPS）并称为人工智能与机器学习领域难度最大、水平最高、影响力最强的“三大会议”。ICML 2026收到了23918份有效投稿，总体录取率为26.6%。本次录用标志着我院在人工智能领域取得的又一进展。
该研究工作依托“化工过程具身智能”北京重点实验室、人工智能与绿色化工交叉中心，得到了国家自然科学基金等项目的资助。