近日，学院“复杂系统与交叉科学应用”创新团队的研究生在机器学习领域国际顶级会议 The International Conference on Machine Learning（ICML 2026）发表两篇论文。

2023级硕士生付瑶在导师王智副教授指导下完成的研究成果《Nonconvex Low-Rank Tensor Representation with Deep Priors for Multiview Subspace Clustering》被ICML2026 main conference录用。多视图子空间聚类是无监督机器学习的重要分支，旨在利用数据的多源异构特性实现精准的数据划分。然而，面对真实场景中的复杂情况，现有方法往往对数据的深层先验信息挖掘极其有限，且未能有效抑制复杂噪声与异常值的干扰，这直接削弱了模型刻画高阶关联结构的能力，进而导致难以有效保持数据的全局与局部几何流形特征。为突破上述瓶颈，本研究提出了一种融合深度先验的非凸低秩张量表示学习框架。该框架从结构建模与表示学习协同优化的视角，为多视图数据分析提供了全新的理论范式。具体而言，本文设计了一种新颖的非凸张量正则子，以精准捕捉多视图数据间复杂的全局高阶相关性；同时，引入自适应稀疏约束精确刻画重构误差，显著提升了模型对抗异常值的鲁棒性。在此基础上，构建了耦合非凸低秩张量约束与深度网络先验的联合聚类模型，不仅大幅增强了跨视图特征的表示能力、实现了全局高阶结构与局部几何流形的协同保持，更有效弥补了深度模型黑盒特性的不足，赋予了学习过程清晰的数学物理意义。针对所构建的复杂非凸目标函数，本研究进一步设计了一种具有严格理论保证的高效优化算法，并严格证明了各关键优化子问题均存在精确的闭式解。该研究为解决复杂数据聚类问题提供了新的理论框架，具有重要的学术价值。西南大学为论文第一完成单位，论文作者分别为付瑶（2023级硕士研究生，第一作者）、胡东（重庆理工大学两江人工智能学院）、王智（通讯作者）。

图1：NRDN-MvSC框架概述

2022级博士生詹岭与2023级博士生余逍遥在导师贾韬教授指导下共同完成的研究成果《Position: AI for Science Should Treat Measurement-to-Dataset Pipelines as Inference Components》被ICML2026 position track录用。该研究聚焦 AI for Science（AI4Science）中由观测数据处理流程引发的科学分析可靠性问题。当前许多 AI4Science 工作将公开数据集视为固定输入，而在脑科学等领域中，数据集是由多阶段测量、重建与预处理管线生成的派生表示。论文指出上述管线应被视为科学推断的重要组成部分，系统分析了固定数据处理管线可能带来的三类风险：假设空间被隐含限定、跨场景适用性缺乏验证以及多种合理管线选择尚未被系统纳入不确定性评估。论文以脑电（EEG）功能连接分析为案例，对 245,376 个“管线—算子”配置开展系统实证审计，发现在跨数据集稳定性标准下，仅 1 个配置同时满足显著性与稳定性要求，通过率约为 0.0004%。基于上述分析，论文呼吁将观测管线转化为可表示、可执行、可审计的推断对象，并强调未来 AI4Science 研究应更加重视科学结论的稳定性评估以推动科学发现与证据评估过程向更可靠、可迁移和可累积的方向发展。西南大学为论文第一完成单位，论文作者分别为詹岭（2022级博士研究生，共同第一作者）、余逍遥（2021级博士研究生，共同第一作者）、贾韬（通讯作者）。此项研究得到国家自然科学基金等项目的资助。

图2：AI4Science 中“冻结透镜”问题与论文核心观点示意图

ICML 与 NeurIPS、ICLR 并称为机器学习领域三大顶级会议，是人工智能与机器学习领域最具影响力的国际学术会议之一，属于 CCF-A 类会议。ICML 2026 设置 Position Paper Track，旨在鼓励研究者围绕机器学习领域的重要问题提出具有明确立场、充分论证和行动倡议的观点型论文。两项研究成果在竞争激烈、审稿严格的 ICML 2026 中获得录用，体现了“复杂系统与交叉科学应用”创新团队在研究生培养中坚持问题导向、交叉融合与方法创新并重的育人成效，也反映了团队在多视图学习、高维数据建模、AI4Science 可靠性等前沿领域高水平创新研究的持续积累。

供稿：詹一岭

供图：詹一岭 付一瑶

初审：刘作勋

复审：廖剑伟

终审：王一晖