实验室2篇论文被AAAI-25接收。AAAI-25会议是机器学习领域最重要的国际会议之一，每年举办一届。该会议将于2025年2月25日-3月4日于美国宾夕法尼亚州费城的宾夕法尼亚会议中心举行。

1：Interpretable Solutions for Multi-Physics PDEs Using T-NNGP

作者：曹璐璐，林泽鑫，陈家进，江敏

摘要：多物理场仿真技术是一种通过模拟真实世界中多个物理场（如流体流动、传热、结构力学、电磁场等）的相互作用，来预测和理解复杂物理现象的方法。偏微分方程组（A System of Partial Differential Equations, PDEs）是物理学中用来描述各种物理现象的基本工具，它们能够捕捉到物理场在空间和时间上的变化，以及不同物理场之间的相互作用。求解偏微分方程组是多物理场仿真的核心问题。

目前求解偏微分方程组的方法得到的解，往往是离散的数值点，这在一定程度上限制了结果的可解释性和广泛适用性。本文针对这一挑战，提出了一种混合遗传编程算法T-NNGP，该算法融合了传统数值方法和深度学习技术，旨在推导出偏微分方程组中多个未知函数的近似符号表达式。T-NNGP的工作流程分为三个阶段：首先，利用传统方法获取部分数值解作为数据集；接着，通过深度强化学习技术生成一系列候选符号表达式；最后，运用遗传规划方法基于这些候选符号表达式进行更进一步的筛选和优化。此外，本文还引入了通用解耦策略，该策略能够指导搜索方向并有效解决耦合问题，从而显著提升搜索效率。本文在三种不同类型的偏微分方程组上进行了实验，实验结果不仅证明了该方法能够获得与偏微分方程组和传统数值解相匹配的符号表达式，还为多物理场仿真技术的发展提供了新的见解。

该论文第一作者是2021级硕士研究生曹璐璐，通讯作者是江敏教授。该研究成果是与2023级硕士研究生林泽鑫、香港理工大学的陈家进教授共同合作完成的。

2：Long-Tailed Out-of-Distribution Detection: Prioritizing Attention to Tail

作者：何依娜，彭磊，张永存，翁娟娟，李绍滋，罗志明

摘要：当前的域外检测方法通常假设域内数据是平衡的，但大多数真实世界数据呈现长尾分布。以往的长尾域外检测方法通常通过减少头部类的语义信息来平衡数据，但这会严重影响域内数据的分类准确性。该任务的挑战在于尾类特征缺乏，容易与域外数据混淆。为了解决这一问题，我们提出了一种新颖的优先关注尾类方法，采用数据增强而非语义减少。我们通过混合von Mises-Fisher分布建模域内数据，并使用温度缩放提升其置信度，从而生成无限的对比对，增强域内数据的语义并促进其与域外数据的区分。此外，我们在推理阶段提出了特征校准方法，提取关注尾类的注意力权重，降低域外数据的置信度，从而提升域外检测能力。实验表明，我们的方法在多个基准测试上超越了当前最先进的方法。

该论文第一作者是厦门大学信息学院2023级硕士研究生何依娜，通讯作者是罗志明副教授。由彭磊、张永存、翁娟娟、李绍滋教授共同合作完成。