近日，计算学部3篇论文被第40届人工智能年度大会AAAI 2026录用，成果内容涵盖时空面部行为分析、不平衡性标记分布学习、时序预测领域等前沿方向。

AAAI是人工智能方向的顶级学术会议，被中国计算机学会（CCF）评为A类会议。会议将于2026年1月20日至27日在新加坡举行。AAAI 2026共收到23680篇有效投稿，接收4167篇论文，录用率为17.6%。

成果一：Dep-MAP: A Multi-level Alignment Framework with Semantic Prototypes for Video-based Automatic Depression Assessment

时空面部行为分析是评估抑郁症患者精神状态的重要方法。然而，现实中抑郁症患者常因掩饰心理表现出与健康者相似的面部行为；同时，不同严重程度患者间的面部行为也常存在差异，增加了抑郁症评估的难度。

图1. 基于稀疏抑郁相关情绪表征的抑郁症评估模型

该论文提出了 Dep-MAP 模型，能够从复杂面部行为中提取高置信度的关键时空表征用于视频级自动抑郁评估。Dep-MAP首先通过显式的语义消歧原型聚类模块，将上下文面部行为表示划分为语义上互异的原型集合，以刻画不同抑郁程度下的面部行为差异；同时，Dep-MAP 提出了隐式的跨尺度语义对齐损失函数，增强面部行为表示的语义约束并收缩类内特征空间距离，显著提升对抑郁症患者细微表情变化的识别能力。实验结果表明，Dep-MAP能够有效感知上下文中潜在的关键面部行为，并能通过语义一致性聚合关键帧表示，使得本方法在AVEC2013与AVEC2014公开数据集中取得大幅领先的最新最优表现。

论文第一作者为学部智能化软件与大数据技术团队硕士研究生王浩，通讯作者为王庆祥副教授。

成果二：Adaptive Momentum and EMA-weighted Modeling for Imbalanced Label Distribution Learning

针对标记分布不平衡学习（ILDL）问题，论文提出了一种结合自适应动量和指数移动平均（EMA）加权建模的新框架，AMEMA（Adaptive Momentum and Exponential Moving Average weighted modeling），该框架通过动态平衡优势和非优势分支的优化动量，有效缓解了非优势标记学习中的梯度衰减问题，通过为不同分支分配独立的自适应动量，提高了模型对优势标记和非优势标记的学习效果。同时，该方法利用EMA机制对主导和非主导分支的KL散度损失进行平滑处理，并基于平滑后的损失值动态调整各分支的学习信号权重，该策略使得模型能够根据训练过程中的实时情况，自适应地调整对不同分支的学习速度。

图2：自适应动量和指数移动平均不平衡标记分布学习示意图

论文的第一作者是学部视觉与信息处理团队的高永标博士和硕士研究生孙想成，通讯作者为吕国华副教授。

成果名称三：DeepBooTS: Dual？Stream Residual Boosting for Drift？Resilient Time？Series Forecasting

时序预测中普遍存在“概念漂移”问题，即训练数据与实际应用数据分布不匹配，长期困扰着预测模型的鲁棒性，即便当下主流深度学习模型，也常因方差不稳定导致预测误差骤升。

该论文首先通过“偏差-方差分解”理论证明了当模型的预测偏差与数据噪声固定时，概念漂移的严重程度由预测方差决定，同时证明了通过加权集成学习，可在不增加模型偏差的前提下显著降低其方差。基于此，提出了 DeepBooTS（双流残差提升架构），其核心在于双流并行学习与残差渐进校正。其中，输入流用于分解原始数据，输出流采用分层学习的思想，每一学习器均聚焦前一阶段的预测残差，通过加权减法聚合进一步降低方差，逐步修正预测结果。DeepBooTS在 11 类常用时间序列数据集、7 类 Monash 基准数据集，以及 2 类大规模数据集上对比现有 18 种 SOTA 方法，性能提升了15.8%，大幅降低了预测误差。

论文第一作者为学部超算中心团队梁道君，通信作者为王英龙研究员。