我校三项研究成果入选ICML 2026

计算机科学与技术学院（大数据学院）王彬教授团队聚焦精神疾病智能诊断这一脑科学与临床医学交叉领域的重大挑战，提出面向个体不变性的逆图对比学习框架 SI-IGCL，相关成果以论文《SI-IGCL: Subject Invariance-aware Inverse Graph Contrastive Learning for Psychiatric Disorder Identification》被录用。该论文由博士研究生鲁佳宇担任第一作者，王彬教授为通讯作者。

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。

SI-IGCL模型整体框架图

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。

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。

人工智能学院王莉教授团队聚焦新能源电池寿命早期预测难题，提出受生物双耳效应启发的弱退化感知方法 DITING，成果论文《DITING: A Weak Degradation Listener for Battery Lifetime Early Prediction》入选会议。太原理工大学为唯一完成单位，王莉教授为通讯作者，博士研究生苗昊为第一作者，张妮为共同第一作者，宁泽飞参与研究，工作获国家自然科学基金区域创新发展联合基金与山西省科技成果转化引导专项资助。

电池寿命早期预测对于新能源汽车、储能系统和智能装备的安全评估、健康管理与运行维护具有重要意义。然而，在电池使用早期，退化信号通常较为微弱，且易受测试波动、工况变化和随机噪声影响，实现准确、稳定的寿命预测面临挑战。

针对上述问题，论文提出了一种受生物双耳效应启发的电池寿命早期预测方法DITING。该方法借鉴双耳听觉系统通过左右通道差异增强感知可靠性的机制，不再简单地将噪声视为需要完全滤除的干扰，而是通过构建稳健的健康状态原型，为早期电池状态建立结构化参照；在此基础上，进一步提取相对于健康原型的退化残差，并设计三重耦合退化显化机制，构建左右对称的动态响应结构，从而抑制随机噪声对退化表征的影响，使具有方向一致性的真实退化信号表现为稳定的双侧差异特征。

大量数据实验结果表明，DITING 能够在高噪声背景下有效捕捉早期弱退化特征，并提升电池寿命早期预测的准确性与稳定性。该研究将差异感知机制引入弱退化建模，为复杂工业系统高噪声场景下的退化信号提取以及新能源电池寿命早期预测提供了新的研究思路。

人工智能学院吴永飞副教授、刘雪宇副教授与计算机科学与技术学院魏明强教授联合团队，聚焦视觉基础模型 Segment Anything Model（SAM）提示优化难题，提出博弈论多智能体提示优化框架 PromptPilot，成果论文《PromptPilot: Game-Theoretic Multi-Agent Prompt Optimization for Segment Anything》被录用。论文第一署名单位为太原理工大学，计算机学院博士生师广泽为第一作者，软件学院 22 级本科生米英杰为共同第一作者，吴永飞、刘雪宇、魏明强为共同通讯作者，研究获国家自然科学基金面上项目与山西省基础研究计划资助。

该研究聚焦于视觉基础模型 Segment Anything Model（SAM）在实际应用中的关键问题——如何自动获得高质量提示点。现有提示优化方法在优化阶段未纳入SAM反馈，而在推理阶段又依赖SAM生成最终分割结果，由此产生了优化过程与分割目标之间的错位。为此，团队创新性地提出了一个基于博弈论的多智能体提示优化框架PromptPilot，将提示优化过程建模为合作博弈，在优化过程中显式引入SAM的分割反馈，并利用高效的Shapley value近似方法量化提示点的边际贡献，从而实现对高价值提示点的保留和低效、误导提示点的剔除。实验结果表明，该方法在自然图像、医学图像和视频目标分割等多类场景中均表现出良好的泛化能力与鲁棒性。

该论文是团队继CVPR2025、CVPR2026连续发表的系列工作，论文的发表展示我校在人工智能前沿领域持续的科研产出能力，同时也展示我校鼓励本科与研究生人才的创新培养机制。

此次三项成果同步入选 ICML 2026，集中体现太原理工大学在人工智能交叉应用领域的深耕布局与创新突破能力。未来，学校将持续聚焦 “人工智能 +” 交叉方向，推动基础研究与技术转化深度融合，鼓励师生勇攀学术高峰，产出更多高水平科研成果，为行业发展与科技进步贡献理工力量。