近日，第40届AAAI 人工智能会议（AAAI Conference on Artificial Intelligence, AAAI 2026）在新加坡博览中心（Singapore EXPO）召开，山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR）师生参加会议，并汇报展示论文成果。
1、论文题目：Couterfactual Fairness with Imperfect Causal Graphs
论文作者：Cong Su, Qiaoyu Tan, Carlotta Domeniconi, Lizhen Cui, Jun Wang, Guoxian Yu
C-FAIR研究生苏聪为该篇文章的第一作者，余国先教授为通讯作者。
论文内容：公平性机器学习旨在构建符合公平性要求的预测模型，即模型预测结果不因个体的敏感属性（如性别、年龄、地域等）发生改变而改变。在基于因果关系的公平性概念中，反事实公平性因其个体粒度的保障而被广泛采用——要求个体的预测结果在其敏感属性被改变的反事实世界中保持不变。然而现有方法假设真实因果图是完全已知，这在实践中往往难以实现。此外，反事实公平性还存在固有的可识别性限制，原因在于反事实效应无法总是从观测数据中唯一估计，特别是在因果图不完整的情况下。为解决这些挑战，论文提出一种适用于噪声因果图（如部分有向无环图CPDAGs）的反事实公平性学习框架CF- ICG 。论文首先提出了判断反事实公平性可识别的标准，并对CPDAGs下的反事实效应进行约束。在此基础上，开发了一种高效局部算法，避免了对所有有向无环图的穷举，确保了对最坏情况下的模型公平性。在合成数据集和真实世界数据集上的实验结果证明了CF- ICG 的有效性与理论可靠性。
2、论文题目：MLLM Enriched Explainable Multiple Clustering
作者：Shan Zhang, Liangrui Ren, Qiaoyu Tan, Wei Du, Jun Wang, Carlotta Domeniconi, Guoxian Yu
C-FAIR研究生张珊为该篇文章的第一作者，余国先教授为通讯作者。
论文内容：论文提出了一种融合多模态大语言模型的可解释多重聚类方法（MLLM Enriched Explainable Multiple Clustering）。针对现有多重聚类方法过度依赖人工先验、语义信息利用不足的问题，该方法利用 MLLM/LLM 自动挖掘数据中潜在的多种聚类语义，并将其与用户关注的聚类需求相结合。同时，通过对齐语言生成的语义描述与视觉特征，构建语义增强的表示空间，实现多样化且具有良好可解释性的聚类结果。实验结果表明，该方法在聚类质量、多样性和可解释性方面均取得显著提升。
3、论文题目：ReCast: Reliability-aware Codebook assisted Lightweight Time Series Forecasting
作者：Xiang Ma, Taihua Chen, Pengcheng Wang, Xuemei Li, Caiming Zhang
C-FAIR博士后马翔、研究生陈泰华为该篇文章的共同第一作者。
论文内容：时间序列预测在众多领域应用中具有关键作用，现有方法通常依赖于将序列全局分解为趋势项、季节项和残差项，但面对以局部性、复杂性和高度动态性为主导的真实世界的序列时，效果并不理想，并且此类方法的高模型复杂度也限制了其在实时或资源受限环境中的应用。为此，论文提出了一种新颖的基于可靠性感知码本的时序预测框架（ReCast），通过挖掘在历史数据中重复出现的局部形态，实现轻量化且鲁棒的预测。ReCast利用可学习码本通过分片量化（quantization）将局部模式编码为离散嵌入，从而紧凑地捕捉稳定的规律性结构。为弥补量化过程中未保留的残差变化，ReCast采用一种双路径架构：量化路径用于高效建模规律结构，残差路径则负责重构不规则残差。该架构的核心创新在于可靠性感知的码本更新策略，通过加权修正实现码本逐步优化。修正权重取自分布鲁棒优化（DRO）对多视角可靠性因子的融合，确保模型能适应非平稳性并抑制分布漂移的影响。
AAAI是由人工智能促进协会举办的人工智能顶级国际会议，为中国计算机学会CCF推荐的A类国际学术会议，被公认为全球AI学术界的顶级会议，其录用论文代表了相关领域的前沿水平与未来趋势。AAAI 2026共收到来自全球的投稿近2.9万篇，整体录用率仅为17.6%，可谓优中选优。C-FAIR成果论文能够在数万篇投稿中胜出，充分体现了研究的前沿性、原创性与坚实的技术价值。
会议期间，C-FAIR师生还参加了南洋理工大学ANGEL实验室举办的“绿色与负责任人工智能”国际研讨会。
