近日，第40届神经信息处理系统大会(NeurIPS'26)论文录用结果公布，山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR）在多智能体强化学习、联邦学习持续遗忘和联邦迁移聚合等方向的多项研究成果被录用。
论文《Structural Entropy Optimized Communication for Multi-Agent Reinforcement Learning》第一作者为杜威博士，通讯作者为崔立真教授。通信学习对于多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）中的复杂协调至关重要，但现有方法常常陷入通信开销与任务性能之间的根本性两难。由于通信协议通常缺乏理论指导，现有方法生成的通信图往往结构无序、连接冗余，既限制了效率，也制约了可扩展性。为解决这一问题，本文提出结构熵优化通信（Structural Entropy Optimized Communication, SEOC）框架。该框架基于信息论中的结构熵原理，直接优化智能体间的通信拓扑。SEOC 引导网络自组织为一种低熵状态，即连接稀疏、社区分明，从而支持高效且可解释的去中心化协作。这一目标通过一种统一机制实现，该机制同时约束结构有序性与语义简洁性，一方面借助可微分结构熵损失降低拓扑复杂度，另一方面利用节点信息瓶颈压缩冗余信息。在星际争霸多智能体挑战（StarCraft Multi-Agent Challenge v2, SMACv2）等基准上的实验表明，SEOC 在效率和性能等方面显著优于现有方法。
图1：多智能体通信拓扑比较
论文《FedSOUL: Federated Continual Unlearning via Spectral Orthogonality》针对联邦持续遗忘中更新重叠引发的请求干扰，提出谱正交性框架 FedSOUL。该框架基于共享的标准正交谱基，为各客户端分配专属频域子空间，每次遗忘仅更新关联子空间，其余保持不变，从而避免更新在所分配谱系数空间中的重叠，减少干扰。同时，利用快速傅里叶变换（FFT）高效处理稀疏谱系数，并仅传输其更新量，降低计算与通信开销。理论分析表明，该谱构造从设计上满足更新正交性，而模型功能的保持依赖于投影梯度泄漏的有界性。实验表明，在多达十次连续请求中，FedSOUL 能够在遗忘效果与模型效用间保持稳定权衡，并持续优于具有竞争力的联邦基线方法。
论文《Geometry-Regularized Collapse Resistance via Consensus Enhancement for Federated Learning》针对联邦知识蒸馏中异构数据造成的全局知识偏差，提出几何正则化跨孤岛一致性增强方法（RISE），通过在本地适配中保持预训练几何一致性先验，增强模型抵抗表示坍缩的能力。RISE 包含两个互补模块：偏置低维子空间校正（BLSC）约束主表示子空间中的特征能量分布，保持预训练谱能量特征，无需逐方向对齐，通过抑制能量过度集中缓解低维特征坍缩；流形关系图对齐（MRGA）基于预训练全局类别原型构建类别间拓扑，并对齐客户端类别结构，减少表示漂移，提升聚合稳定性。在八个基准数据集和两类任务上的实验表明，RISE 能够提升跨客户端一致性与全局模型泛化能力，性能优于八种先进的联邦学习方法。
图2：RISE框架
神经信息处理系统大会（Conference on Neural Information Processing Systems，NeurIPS）是机器学习与人工智能领域最具影响力的国际顶级学术会议之一。作为中国计算机学会（CCF）推荐的A类国际会议，NeurIPS 长期聚焦于机器学习、深度学习、计算机视觉、自然语言处理、优化方法、神经科学等前沿研究方向。为全球学者提供展示最新成果、交流前沿思想的重要平台，也为人工智能研究的学术创新与国际合作注入了新的动力。NeurIPS第40届会议，将于2026年12月在悉尼举行主会，并在美国亚特兰大和法国巴黎设置卫星会场。NeurIPS 2026共收到约30,709篇投稿，最终接收约7,900篇，整体接收率约为25.7%。
