近日，软件学院许小龙教授团队在CCF A类会议AAAI Conference on Artificial Intelligence（AAAI）上发表论文3篇。其中，两篇为Oral会议正文，一篇为Poster会议正文。Oral论文是学术会议中以口头汇报形式呈现的论文，是会议录用论文里认可度较高的类型，该会议一般Oral论文比例占4%左右。AAAI为人工智能领域的顶级学术会议，今年共计31,000篇投稿（其中23,680篇文章进入第一阶段审稿），最终会议录取率仅为17.6%。

团队项昊龙博士以第一作者在AAAI会议上发表题为“MTP: Exploring Multimodal Urban Traffic Profiling with Spectrum Fusion and Modality Augmentation”的研究论文。该论文提出一种新型多模态城市交通画像框架（MTP），该框架从数值、视觉和文本三个维度学习多模态特征。其中，三个分支旨在实现频域下城市交通信号学习的多模态视角，而频域学习策略则可精细优化信息提取过程。具体而言，首先对交通信号进行视觉增强处理：将原始模态转换为频域图像与周期性图像，用于视觉特征学习；同时，结合特定主题、背景信息及项目描述，为交通信号补充描述性文本，用于文本特征学习；为完善数值信息学习，采用频域多层感知器对原始模态数据进行处理。此外，本文在三个分支上设计了层级对比学习机制，以实现三种模态频谱特征的融合。最后，在六个真实数据集上开展的大量实验表明，该方法相较于现有最优方法，性能更具优势。

团队2023级硕士研究生魏顺以第一作者在AAAI会议上发表题为“Exploring High-order-aware Prompt Learning for Zero-shot Anomaly Detection”的研究论文。该论文提出了一种用于零样本异常检测的高阶级提示学习框架（HPL），旨在生成由超图增强的精细提示来检测异常。具体来说，HPL首先通过动态构建一个超图来捕捉patches间的高阶关系，并通过一个超图语义卷积来捕获潜在的协作信息。随后，HPL引入一个混合专家提示学习器，其中每个专家基于所建模的高阶关系来生成不同的提示，并综合考虑所有提示以生成最终的高阶级提示。在跨越自然，工业，医学领域的多个数据集上进行的大规模实验证明了所提出的HPL的有效性。

此外，团队许小龙教授与上海交通大学、中国石油大学（华东）、英国兰卡斯特大学、Tiktok（新加坡）等单位合作的论文“IdeFN: Identifying Unclicked Space False Negatives via Relaxed Partial Optimal Transport for Conversion Rate Prediction”被AAAI接收。

论文信息如下：

Haolong Xiang, Peisi Wang, Xiaolong Xu, Kun Yi, Xuyun Zhang, Quan Z. Sheng, Amin Beheshti, Wei Fan. MTP: Exploring Multimodal Urban Traffic Profiling with Spectrum Fusion and Modality Augmentation. AAAI Conference on Artificial Intelligence, 2026.

论文信息如下：

Shun Wei, Jielin Jiang, Xiaolong Xu. Exploring High-order-aware Prompt Learning for Zero-shot Anomaly Detection. AAAI Conference on Artificial Intelligence, 2026.