近日，人工智能领域CCF A类顶级会议IJCAI 2025（International Joint Conference on Artificial Intelligence）公布了论文的评审结果，杭州电子科技大学计算机学院多个科研团队的研究成果被该会议录用。国际人工智能联合会议（IJCAI）是中国计算机学会（CCF）推荐的A类会议，从1969年开始举办至今，今年是第34届会议，预计于8月16日至8月22日在加拿大蒙特利尔召开；本届会议共有5404篇稿件进入评审流程，最终录用率为19.3%。
成果一：“Temporal Consistency Constrained Transferable Adversarial Attacks with Background Mixup for Action Recognition”，该成果以杭电为唯一完成单位，由计算机学院李平教授、22级硕士生倪家楠、23级硕士生庞博共同合作完成。该成果主要研究视频动作识别模型的安全性问题，从黑盒迁移攻击的角度提出一种背景融合引导的时序一致性攻击方法。具体来说，从输入变换的角度设计一个模型无关的背景对抗融合模块以减少代理模型与目标模型之间的依赖，通过强化学习选择最具攻击能力的背景视频帧与干净视频帧融合；同时，为了确保攻击方向的一致性，该方法利用背景帧所在动作类别引导对抗样本的梯度更新，并设计时序梯度一致性损失加强攻击方向在后续视频帧上的稳定性。该成果对使用深度神经网络为骨干的视频模型安全性研究具有积极的借鉴意义，可用于视频监控、机器人、虚拟现实等实际场景中。
成果二：“Optimal Distributed Training With Co-Adaptive Data Parallelism in Heterogeneous Environments”,该成果以杭电为唯一完成单位，由计算机学院24级博士生陈丽芳，颜力琦、管昉立、李攀教授等人共同合作完成，通讯作者为李攀教授、颜力琦特聘副教授。该成果主要面向解决分布式环境面临通信开销高、数据分布不平衡以及设备异构等挑战，提出了一种名为协同自适应数据并行的分布式训练方法。首先，在参数服务器架构下建立数据并行模型，采用本地训练与延迟参数同步的策略来降低通信开销；其次，提出了一个调度优化模型，通过优化数据分配与调度来最小化训练时间；为解决该调度问题，设计了一个双重障碍对数算法求解器。该方法能够与数据并行的分布式训练无缝衔接。
成果三：“Self-Classification Enhancement and Correction for Weakly Supervised Object Detection”，该成果以杭电为第一单位，由计算机学院尹宇飞副研究员、余宙教授等人共同合作完成。该成果主要研究弱监督目标检测问题，提出一种自分类增强和纠正框架，从而改善传统传统模型中任务间存在的分类模糊性。具体而言，该方法首先提出了一个自分类增强模块，该模块集成了类别相关的二分类模块，旨在弥合两个不同的多类别分类任务之间的差距。类别相关的二分类模块任务以类的方式增强了网络在正样本和误定位样本之间的区分能力，并与多类别分类任务建立了相互强化的关系。另一方面，该方法提出了一种推理阶段的自分类修正算法，该算法结合了两个多类别分类任务的结果，有效减少了误分类的预测。该成果对弱监督目标检测研究具有积极的借鉴意义，可在大幅减少精细标注的同时，将检测模型应用于视频监控、机器人等实际场景中。
