近日，人工智能领域旗舰会议AAAI 2026公布录用结果，南京师范大学计算机与电子信息学院/人工智能学院共有3篇论文入选主技术论文轨道，其中《Counterfactual Question Generation Uncovering Learner Contradictions》被选为大会口头报告（Oral）。本届主技术论文轨道共23,680篇投稿，最终接收4,167篇，总体录用率 17.6%，竞争十分激烈。上述成果彰显我院在计算机视觉、跨模态学习与教育智能等方向的原创贡献与综合实力。

论文概况

1. Counterfactual Question Generation Uncovering Learner Contradictions (Oral)

作者：张博，俞皓，董文杰，杨愉行，苗德壮，宋凤义，顾彦慧，张小明，周俊生

内容摘要：论文面向学习者认知反思提出反事实问题生成框架GapProbe。通过引入知识图谱支撑的矛盾检测与问题生成机制，将学习者回答转化为能显式暴露矛盾的追问，从而促使其识别并修正自身推理中的错误。通过引入迭代的“猜测—验证—构造”循环生成显式暴露矛盾的追问问题，并采用动态KGMap记忆机制，聚焦易混淆的知识区域。实验结果表明，GapProbe在自动化反事实问题生成方面实现突破，显著促进学习者的深度反思与概念澄清。

2. Graph-Driven Domain Co-Adaptation for Cross-Domain Image Quality Assessment

作者：朱顺，杨曦晨，张颜，王天舒，毛忠原，李天寅，孙卓岩，沈肖波

内容摘要：图像作为一种经典的信息媒介，已在众多应用场景中得到广泛使用。准确评价图像质量对其后续应用具有重要意义。然而，不同场景下的图像类型及其所含失真类型存在显著差异，且针对特定场景获取标注数据通常需耗费大量时间与人力成本，实现适用于不同场景的跨域图像质量评价方法具有意义。另一方面，现有跨域质量评价方法主要关注图像间内容相关信息，而忽略失真相关信息。基于以上，本文提出一种基于图驱动的域自适应跨域图像质量评价方法（GDCIQA）。首先，引入图知识共享模块（GKS），该模块利用域间失真相关信息进行构图，利用目标域信息更新源域中的质量感知特征。其次，提出协同自适应学习机制（CAL），实现不同模型的联合优化，促进质量感知特征与失真相关信息的充分共享。最后，设计域自适应框架，基于源域图像优化得到适用于目标域的模型。实验结果表明，GDCIQA方法能够有效解决跨域场景下的图像质量评价任务，方法在准确性与稳定性上相对于现有方法均具有一定优势。

3. Modality-Aware Bias Mitigation and Invariance Learning for Unsupervised Visible-Infrared Person Re-Identification

作者：王梦琳，龚小谨，李嘉琛，吉根林

内容摘要：无监督跨模态行人重识别(USVI-ReID)是在不依赖任何标注的情况下，对行人进行可见光-红外跨摄像头的检索。考虑到可见光和红外两个模态显著的图片差异，如何预测可靠的跨模态关联成为该任务的一大挑战。以往方法通常采用最优传输算法对模态聚类结果进行关联，易导致局部聚类误差的放大，同时也忽略了全局的实例级别关系。本方法从应对模态偏置的角度出发，提出缓解模态偏置的全局关联，以及增强模态不变性的表征学习，从而实现更有效的跨模态学习。在多个公开跨模态重识别数据集上的实验表明，所提出方法准确率显著超越当前最优方法，进一步提升了无监督跨模态行人重识别的整体性能。

此次三篇高水平论文同时在AAAI 2026上的集中发表，标志着我院在人工智能基础理论与交叉应用研究方面取得了重要进展，是学院高度重视前沿科学研究、鼓励师生创新探索的成果体现。未来，学院将继续深化人工智能领域的科研布局，力争产出更多具有国际影响力的原创性成果，为国家人工智能技术的发展贡献力量。

关于 AAAI

AAAI（Association for the Advancement of Artificial Intelligence）是人工智能领域历史悠久、影响广泛的国际顶级学术会议之一。本届（AAAI 2026）主技术论文轨道投稿23,680篇、接收4,167篇、录用率17.6%。