近日，人工智能领域旗舰会议IJCAI2026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，包括2篇主技术轨道论文和1篇综述轨道论文。本届会议共超过5,500篇投稿。上述成果彰显我院在机器学习、计算机视觉与教育智能等方向的原创贡献与综合实力。

论文概况

1. Label Enhancement via Cross-View Fusion and Mixed Graph Propagation

作者：开梦娇，谈超（通讯作者），王延达，翟娟娜，吴康，顾彦慧，彭宁康

内容摘要：论文针对标签分布学习中的标签增强问题提出了一种新方法CVMG（Cross-View Fusion and Mixed Graph-based Label Enhancement）。现有方法通常将逻辑标签与实例特征独立处理，未充分利用两者互补信息，且忽略类别间的潜在依赖关系。CVMG通过引入交叉注意力机制，将逻辑标签与实例特征融合，生成高层次特征表示，从而更准确地捕捉实例描述信息。同时，构建混合依赖图，将实例级相似性与类别级相关性结合，并在该图上进行标签传播，实现标签分布的高效恢复。实验表明CVMG在各评估指标上均优于现有先进方法，显著提升了标签增强性能，并通过消融实验验证了跨视图融合与混合依赖图传播在模型中的关键作用。

2. Cross-Domain AI-Generated Image Quality Assessment via Content-Distortion Awareness

作者：朱顺，杨曦晨（通讯作者），赵德春，王天舒，张颜，李天寅，沈肖波

内容摘要：AI生成图（AGI）在游戏、艺术、电影制作等现实场景的应用十分广泛，准确评价AGI的质量对于保障其后续应用具有重要意义。AGI的质量波动往往与其内容和失真信息高度相关。然而，现有的图像质量评估方法难以综合内容和失真角度处理质量评估任务。另一方面，同时具备可信内容和失真标签的AGI数据相对匮乏，设计有效的跨域方法利用经典场景数据集为AGI质量评价任务提供质量相关知识具有重要意义。基于上述结论，本文提出了一种基于内容‑失真感知的跨域AGI质量评价方法（CDAQA）。首先，利用大语言模型获取图像的内容和失真表达，并设计了双流CLIP分别获取内容、失真相关的质量感知特征。其次，提出了一个图知识迁移模块根据域间内容相关特征实现对源域特征的增强。最后，设计了联合学习框架综合利用对比学习损失、图知识迁移损失和质量预测损失实现不同模块间的协同更新，以更好地面向目标域场景。实验结果表明，CDAQA在跨域AGI质量评价任务中取得了更准确和更稳定的性能表现。

3. LLM-based Intelligent Tutoring Systems: A Survey

作者：孔力，孙建文，周俊生（通讯作者），Vincent Ng

内容摘要：大语言模型（LLMs）凭借其强大的生成、推理和交互能力，正在重塑智能导师系统（ITS）的设计与功能，超越了传统的基于规则的方法。论文对基于大语言模型的智能导师系统进行了结构化的综述，分析了这些模型如何改变经典的系统组件和架构。论文首先回顾了传统智能导师系统的基本概念，介绍了其主要组件的功能角色，随后阐述了实现这些组件各自所涉及的大语言模型技术及相关数据集。此外，本文还重点梳理了关键应用领域，并在此基础上展望了未来的研究方向。

 此次三篇高水平论文同时在IJCAI 2026上发表，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，是学院长期重视前沿科研、鼓励师生勇于探索的创新成果的集中体现。学院将持续夯实人工智能领域的科研基础，不断推动理论突破与交叉融合，力争产出更多具有国际学术影响力的原创成果，为推动国家人工智能技术发展贡献智慧与力量。

关于 IJCAI

IJCAI（International Joint Conference on Artificial Intelligence）是全球人工智能领域历史最悠久、最具影响力的综合性顶级学术会议之一，持续聚焦大模型、机器学习、计算机视觉等AI前沿与交叉技术。