我校王彬教授团队研究成果被CCF A类会议ICML2026录用

近日，我校计算机科学与技术学院（大数据学院）王彬教授团队在大脑信息解码方向取得新进展，相关成果以论文“SI-IGCL: Subject Invariance-aware Inverse Graph Contrastive Learning for Psychiatric Disorder Identification”发表在CCF A类会议International Conference on Machine Learning (ICML) 2026。该论文由博士研究生鲁佳宇为第一作者，王彬教授为通讯作者。

ICML是机器学习领域历史最悠久、最具国际影响力的顶级学术会议，由中国计算机学会（CCF）推荐为A类会议，与NeurIPS、ICLR并称为机器学习“三大顶会”。本届ICML 2026将于2026年7月6日至7月11日在首尔举行。会议共收到来自世界各地投稿23918篇，其中录用6352篇文章，录用率为26.6%。

图1 ICML

精神疾病的准确诊断是脑科学和临床医学面临的重大挑战。基于功能连接（Functional Connectivity）的图神经网络方法近年来在精神疾病诊断中展现出潜力。然而，不同个体之间的大脑功能连接数据存在显著分布差异，现有模型普遍依赖“群体同质性”假设，导致模型容易学习到虚假相关性，在新样本上泛化能力差。

针对上述瓶颈，研究团队提出了一种面向个体不变性的逆图对比学习框架SI-IGCL。该方法采用“两阶段学习范式”，首先通过自监督预训练学习个体不变表示，然后进行下游疾病分类任务。与传统对比学习不同，SI-IGCL创新性地设计了“逆对比目标”，通过拉近不同个体之间的表示、拉远同一个体内部的表示，从而显式抑制个体差异带来的干扰。同时，引入结构保持重建约束以避免表示坍缩，确保关键脑连接信息不被破坏。

图2 SI-IGCL模型整体框架图

实验在多个公开基准数据集上开展，与十余种最先进的图神经网络和图Transformer方法进行了全面的对比。结果表明，SI-IGCL在分类ACC、SEN、SPE、F1值和AUC等核心指标上均显著优于现有方法。此外，模型在跨站点泛化、收敛效率以及可解释性方面均表现出色，识别出的关键脑区（默认模式网络）与已有脑科学研究发现高度一致。

王彬教授团队的研究为人工智能与脑科学的深度融合提供了重要技术支撑，也体现了我校在脑机智能、智慧医疗交叉学科方向的科研布局与创新能力。未来，王彬教授团队将持续深化该方向研究，推动算法成果向临床实践转化。