近日，人工智能领域国际顶级学术会议AAAI2026（The 40th Annual AAAI Conference on Artificial Intelligence）公布录用论文。我院软件与安全团队张佳乐和王俊生两位教师的论文被录用。

研究工作一：MultiKD: Backdoor Defense in Federated Graph Learning via Attention-Guided Multi-Teacher Distillation

现有联邦学习防御方法难以适配联邦图学习的复杂场景，复杂图结构与隐蔽多样的触发器使得恶意行为难以检测。为此，提出一种基于注意力引导多教师蒸馏的联邦图学习后门防御方法 MULTIKD。该方法将所有客户端上传的模型作为教师模型，聚合后的全局模型作为学生模型，利用少量干净数据，从教师模型中蒸馏有效知识以抑制后门。再设计注意力图对齐模块，引导学生模型匹配教师模型的注意力分布，抑制后门导致的注意力偏移；同时通过层间关系一致性模块，捕捉跨层结构依赖。结合标签监督损失，在保留模型任务性能的同时实现后门净化。实验结果表明，MULTIKD可将攻击成功率（ASR）基本控制在8%以内，部分场景下更低，且对模型干净数据准确率（ACC）的影响很小，显著优于现有主流防御方法。

研究工作二：Robust Domain Adaptive Hashing via Structural Noise Modeling and Correction

现有跨域哈希方法通常假设源域数据干净且标注准确，但真实场景中噪声标签普遍存在。模型在训练过程中易学习到错误语义，并将其迁移到目标域，从而显著降低检索性能。为此，提出一种具备噪声鲁棒性和跨域自适应能力的跨模态哈希方法，旨在保持语义一致性的同时，实现稳健、可迁移的检索表现。通过建模样本损失分布的结构特征，利用高斯混合模型估计样本的清洁置信度，并自适应划分为干净与噪声样本。再设计全局类别级对齐与域级结构对齐两层机制，提升哈希表示的鲁棒性与可迁移性。实验结果表明，该方法在检索精度和跨域鲁棒性方面均优于现有方法，尤其在高噪声和强域偏移场景下表现更加稳定。

AAAI是人工智能领域历史最悠久、国际影响力极高的学术会议，是全球人工智能研究成果展示的核心平台，该会议被中国计算机学会（CCF）和中国人工智能学会（CAAI）列为A类国际学术会议。本届会议共收到全球范围有效投稿23680篇，接收4167篇，整体论文接收率仅为17.6%，竞争极为激烈，录用成果代表了领域的最新前沿进展。