KDD(ACM SIGKDD Conference on Knowledge Discovery and Data Mining)是数据挖掘与知识发现领域的顶级国际学术会议,在中国计算机学会(CCF)推荐论文列表中为A类国际学术会议。KDD 2027为第33届会议,将于2027年8月1日至5日在美国加利福尼亚州圣何塞举行。论文入选其AI for Sciences赛道,该赛道面向物理、生物及生物医学等科学领域。
一、论文题目:GO-pFed: Graph-Optimized Personalized Federated Foundation Models for Medical Vessel Segmentation
第一作者:郭帅(2024级博士研究生)
收录会议:Proceedings of the 33rd ACM SIGKDD Conference on Knowledge Discovery and Data Mining(KDD 2027 AI for Sciences Track,CCF A)
指导老师:张卫山
论文概述:分割一切模型(SAM)借助提示可精确分割医学结构,但血管分割仍依赖医生手动点选提示点,随机或密集提示又容易冗余并遗漏细小分支;同时,多医院联合学习中各医院标注稀少,统一聚合会削弱罕见血管形态。针对现有方法难以利用血管拓扑指导提示优化与跨站点学习的问题,本文提出图优化个性化联邦基础模型GO-pFed。在提示优化方面,自动化的图点提示优化从全图候选点出发构建空间—语义点图,学习候选点的位移并筛选有助于恢复不同血管分支的点,再通过轻量级空间残差强化图支持的血管区域;在联邦学习方面,拓扑感知的个性化联邦学习以共享和客户端私有的图编码器保留各医院的局部血管模式,并依据图结构相似度对共享更新加权聚合。GO-pFed冻结图像编码器,仅更新6.31M参数(占基础模型骨干的6.97%),可适配多种基于SAM的模型。在视网膜眼底、冠状动脉造影和脑血管数字减影血管造影(DSA)三类任务上,GO-pFed的中心线Dice(clDice)均优于9种对比方法,较最佳对比方法分别提升1.94、3.85和2.46个百分点。

二、论文题目:TRIDENT: Geometry-Aware Field Reconstruction from Sparse Sensors with Inference-Time Physics and Adaptive Sensing
第一作者:孙永强(2025级博士研究生)
收录会议:Proceedings of the 33rd ACM SIGKDD Conference on Knowledge Discovery and Data Mining(KDD 2027 AI for Sciences Track,CCF A)
指导老师:张卫山
论文概述:从少量点传感器观测中重建完整物理场,是科学与工程领域的基础问题。现有摊销式神经重建方法普遍将偏微分方程(PDE)残差加入训练损失,但在数据充足时是否仍然有效尚不明确。为此,本文提出TRIDENT框架。在模型结构上,将潜变量令牌锚定于可学习的空间位置,通过距离偏置交叉注意力与传感器和查询点耦合,兼具经典插值的局部性与注意力机制的表达能力,可在单次前向传播中给出校准的不确定性,并在全部8个数据集上优于Senseiver基线,相对L2误差最高降低73%。在物理约束方面,系统比较6种物理残差融合机制后发现,监督充分时训练损失中加入残差无法提升测试精度,因此TRIDENT仅在低成本的残差有效性检验通过后,于推理阶段对单个测试样本的潜变量做物理引导精炼,在残差有效的数据集上使误差最高降低32%;同时结合不确定性与空间覆盖度进行自适应传感,使达到相同精度所需的传感器数量减少1.7倍至6倍以上,在真实ERA5温度场上减少约40%的站点。在含49种CFD隧道火灾工况的数据集上,面对训练中未见过的场景,仅用20个传感器即可将温度峰值定位误差控制在约2米,最热层温度平均绝对误差为4.0℃,而经典重建方法失效。

三、论文题目:Preventing Conflict Before It Forms: One-Shot Federated Low-Rank Adaptation via Subspace Disentanglement
第一作者:罗道斌(2025级博士研究生)
收录会议:Proceedings of the 33rd ACM SIGKDD Conference on Knowledge Discovery and Data Mining(KDD 2027,CCF A,Research Track,1st Cycle)
指导老师:张卫山
论文概述:联邦学习可在不上传原始数据的前提下协同微调预训练模型,但传统多轮通信带来较高开销与潜在安全风险。单轮联邦学习虽然减少了通信,却容易因客户端数据分布差异以及低秩适配器中共享与私有方向相互纠缠,在模型聚合时产生更新冲突。针对现有方法主要在聚合阶段修正冲突的局限,本文提出FedSD框架,将冲突处理前移至本地训练之前。该方法预先构建相互正交的共享子空间和客户端专属子空间,冻结LoRA下投影矩阵,仅训练上投影矩阵与分类头,使共享更新在统一子空间内融合,客户端私有更新减少相互干扰。同时,设计异构性感知的聚合策略,并提供严格单轮通信的FedSD-Hybrid及通过一次额外轻量统计交互增强子空间构建的FedSD-Cov两种模式。理论分析及CIFAR-100、ImageNet-100和Tiny-ImageNet数据集上的实验表明,FedSD能有效缓解更新冲突;两种模式在CIFAR-100上相较最优单轮联邦学习基线的最高分类准确率提升分别达到7.29和7.67个百分点。


当前位置: