近日，国际机器学习大会ICML 2025的录用结果揭晓，我院梁新彦副教授、王婕婷副教授等人撰写的3篇论文《Trusted Multi-View Classification with Expert Knowledge Constraints》、《Robust Automatic Modulation Classification with Fuzzy Regularization》、《Stabilizing Sample Similarity in Representation via Mitigating Random Consistency》被国际机器学习大会ICML2025接收（录用率26.9%），其中2篇当选Spotlight Paper（占总投稿量的2.6%）。

论文名称（Spotlight）：《Trusted Multi-View Classification with Expert Knowledge Constraints》

论文作者：梁新彦, 汪世杰, 钱宇华(通讯作者),郭倩, 杜亮, 江兵兵, 罗廷金,李飞江

论文介绍: 在安全应用场景中，基于Dempster-Shafer理论的多视图分类（MVC）因其可靠性而获得了显著认可。然而，现有的方法主要集中在提供决策结果的置信度水平，而不能解释这些决策背后的原因。此外，依赖信念质量的一阶统计量通常难以充分捕捉证据中固有的不确定性。为解决这些局限性，本文创新性地提出了一种专家知识约束的可信多视图学习框架（TMCEK）。TMCEK通过整合专家知识来提供特征级的可解释性，并定义了更可信且符合实际的置信度估计机制：分布敏感的主观观点。本文从理论上验证了所提出的不确定性度量相对于传统方法的优势。此外，在三个多视图睡眠阶段分类数据集上的实验表明，TMCEK实现了最佳性能，同时提供了特征级和决策级的可解释性。这些结果使TMCEK成为安全应用领域中多视图分类问题的一个强大且可解释的解决方案。

图1 本文提出的分布敏感主观逻辑及理论优势

图2 专家知识约束的可信多视图学习框架

论文名称（Spotlight）：《Robust Automatic Modulation Classification with Fuzzy Regularization》

论文作者：梁新彦, 桑瑞杰, 钱宇华(通讯作者),郭倩, 李飞江，杜亮

论文介绍：自动调制分类（AMC）是认知无线电系统的基础支柱，可实现动态频谱分配、非合作信号监控和自适应波形优化等关键功能。然而，自动调制分类的实际部署面临着一个根本性的挑战：调制方案之间的内在相似性导致预测结果模糊，在低信噪比（SNR）条件下尤为严重。这种现象表现为在可混淆的调制类型之间拥有几乎相同的概率分布，显著降低了分类可靠性。为解决这个问题，本文提出了模糊正则化增强AMC (FR-AMC)，这是一种将不确定性量化集成到自动调制识别分类算法中的新框架。该算法具有三个特点：(1)明确地对反向传播过程中的预测模糊度进行建模；(2)通过自适应损失缩放动态调整样本权重；(3)鼓励混淆调制簇之间的类间距离最大化。在基准数据集上的实验结果表明，该方法具有优秀的分类精度和鲁棒性，在实际频谱管理和通信应用中具有非常好应用前景。

图3 （a）预测模糊现象（b）现有的预测方法普遍存在预测模糊现象

图4本文所提模糊正则项及其优势

论文名称:《Stabilizing Sample Similarity in Representation via Mitigating Random Consistency》

论文作者：王婕婷，张泽珑，李飞江，钱宇华(通讯作者)，梁新彦

论文介绍：深度学习因其强大的表征能力被广泛应用，其中样本相似度是衡量表征质量的重要指标。现有研究提出了一种无监督度量方法，通过量化相似度矩阵的信息含量来评估样本间区分能力。然而在分类任务中，类间区分度比样本对相似度更具本质意义。本文提出一种新型损失函数，通过计算表征相似度矩阵与真实邻接矩阵的欧氏距离来评估表征的判别能力。研究发现随机一致性（random consistency）的存在会影响评估结果的类别偏差和数值偏差：理论分析表明，当排列标签服从均匀分布时，常规欧氏距离存在系统性偏差。为此，我们推导出随机一致性下的期望欧氏距离，并给出纯欧氏距离（pure Euclidean distance）的解析解。理论证明该度量具有异质性、无偏性等优良特性，同时基于指数Orlicz范数推导了其泛化性能界，验证了可学习性。实验结果表明，新方法在准确率、F1值和类结构区分能力上显著优于传统损失函数，在多个基准数据集上实现了分类性能的突破性提升。

国际机器学习大会（International Conference on Machine Learning，简称ICML）是机器学习领域最具影响力的学术会议之一，会议涵盖了机器学习领域的各个方面，包括理论、方法、应用和实践，吸引了来自全球学术界和工业界的顶尖研究人员和从业者参与，交流最新研究成果、讨论前沿技术并且探讨未来趋势。7月13日至19日，ICML 2025在加拿大温哥华正式召开，本次ICML 2025 共收到12107篇投稿，其中3260篇被接收。

撰稿人：王婕婷 梁新彦；二审：贾    佳；三审：钱宇华