近日，第42届计算机视觉领域顶级国际会议CVPR 2025论文录用结果揭晓，西南财经大学计算机与人工智能学院认知计算与群智协同创新实验室（CCCI）关于持续学习和联邦学习的2项最新研究成果被录用，第一作者分别是2021级人工智能专业本科生来冠男（已保研到南京大学人工智能学院周志华教授负责的LAMDA组继续深造学习）和2024级人工智能理论与应用专业博士生喻皓（硕博连读），CCCI实验室负责人杨新教授是唯一通讯作者，一作/通讯第一单位均为西南财经大学。

       IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 是计算机视觉领域的顶级国际会议，被中国计算机学会（CCF）列为人工智能领域A类会议，其论文录用率常年保持在 20% 左右。根据 Google Scholar Citation 的最新统计，CVPR 的 H5 index 高达 440，仅次于 Nature，领先于 Science 和 Cell 等顶级学术期刊。CVPR2025将于2025年6月11日至15日在美国田纳西州纳什维尔举办。CVPR 2025 共有13,008 份投稿，录用2878篇，录取率为 22.1%。

研究成果一：Order-Robust Class Incremental Learning: Graph-Driven Dynamic Similarity Grouping

学生作者：来冠男（本科生）、李昱洁（博士生，共同一作）、王向坤（硕士生）

通讯作者：杨新教授

论文概述：尽管基于预训练模型的类增量学习方法在缓解灾难性遗忘问题上取得显著进展，但任务顺序敏感性这一关键问题仍未得到有效解决。鉴于实际应用场景中任务到达顺序的不可控性，开发具有任务顺序鲁棒性的类增量学习方法具有重要现实意义。本研究通过理论分析推导出任务顺序与泛化误差、遗忘率等关键指标的数学关系，并提出保证任务顺序鲁棒性的充分条件。基于此理论框架，作者创新性地提出图驱动动态相似性分组算法（GDDSG）。该算法通过构建类间相似图，运用图染色理论进行动态分组优化，在确保各分组满足顺序鲁棒约束的同时，显著提升模型整体精度。在四个标准基准数据集上的系统性实验表明，GDDSG算法在模型鲁棒性和分类准确率方面均显著优于现有方法，验证了理论分析的正确性和算法的有效性。

研究成果二：Handling Spatial-Temporal Data Heterogeneity for Federated Continual Learning via Tail Anchor

学生作者：喻皓（博士生）

通讯作者：杨新教授

论文概述： 联邦持续学习（Federated Continual Learning，简称FCL）允许每个客户端从任务流中持续更新其知识，增强了联邦学习在现实世界场景中的适用性。然而，FCL不仅需要解决客户端间的空间数据异质性，还需要解决任务间的时间数据异质性。在本文中，通过实证实验表明，这种输入级别的异质性显著影响模型的内部参数和输出，导致局部和先前知识的严重空间-时间灾难性遗忘。为此，提出了联邦尾锚（Federated Tail Anchor，简称FedTA），将可训练的尾锚与冻结的输出特征混合，以调整它们在特征空间中的位置，从而克服参数遗忘和输出遗忘。通过向特征添加额外的可训练参数，尾锚将固定每个类别在特征空间中的位置，不受时间和空间变化的影响，从而避免遗忘。此外，FedTA还包括三个新颖组件：输入增强，提高预训练模型在下游任务上的性能；选择性输入知识融合，在服务器端融合异构的局部知识；以及最佳全局原型选择，为每个类别在特征空间中找到最佳锚点。广泛的实验表明，FedTA不仅优于现有的FCL方法，而且有效保持特征的相对位置，不受空间和时间变化的影响。

  认知计算与群智协同创新团队（CCCI）相关详情可查看网址：https://ccci.swufe.edu.cn/。