数据所张铭教授Dlib组3篇论文入选WWW 2026北京大学计算机学院数据所张铭教授Dlib组3篇论文入选WWW 2026
近日，网络信息处理领域顶级会议WWW 2026放榜，有3篇来自北京大学计算机学院数据所张铭教授Dlib实验室的高水平论文成功入选。The Web Conference (WWW)会议是互联网技术与网络科学领域历史最悠久和具权威性的顶级学术会议之一。会议聚焦万维网的演进与未来，涵盖了人工智能、数据挖掘、推荐系统、计算社会科学等多个前沿方向，共同探讨网络技术的最新突破与应用。本次 WWW 2026 竞争异常激烈，共收到有效投稿3370篇，最终仅录用676篇，录用率约为20.1%。WWW 2026会议将于2026年4月13日至4月17日在迪拜举行。以下是3篇Dlib实验室WWW 2026论文的简要介绍：
一、STEM：基于空间参数进化的图模型持续进化
论文名：Space-based Parameter Evolving with Lightweight Optimization for Graph Adaptation to Evolving Shifts
图数据的分布往往随时间动态演化，现有的持续学习方法主要依赖记忆回放，带来了高昂的存储计算开销与隐私风险。为此，本文提出了一种无回放的全新框架STEM，将图持续学习重构为低维参数空间中的动力学演化问题。
核心创新：
- 控制器-执行器解耦架构：冻结基础GNN参数，仅通过控制器动态生成轻量级适配器注入模型，实现极低成本的实时适配 。
- 演化状态空间模型：引入非线性、输入依赖的门控状态空间机制，捕捉图域演化的时间动力学特征，精准预测参数演化轨迹 。
- 理论级稳定性保证：设计参数空间稳定性正则化，从数学上证明了对灾难性遗忘的误差上界，无需存储历史数据即可保证模型在旧域上的性能 。
实验效果：在四个基准数据集（节点级和图级）上，STEM 不仅取得了 SOTA 性能，更在计算效率上实现质的飞跃，相比最强基线 GCAL，推理速度大幅提升，且无需任何历史样本回放 。
该论文作者包含罗钧宇（北京大学），欧阳子绚（北京大学），罗霄（威斯康星大学麦迪逊分校，校友），李厚润（北京大学），肖之屏（华盛顿大学，校友），王一帆（对外经贸，校友），张铭（北京大学，通讯作者）
二、融合证据专家的图级别长尾分类识别
论文名：Long-Tailed Recognition of Evidential Experts for Graph-level
Classification
图级别分类旨在分析并预测整个图的属性，通常利用图神经网络算法来解决。现有研究大多假设类别分布是均衡的，即各类别拥有近似相同数量的训练样本。然而，在真实应用中，数据往往呈现出明显的长尾分布特征，即尾部类别的训练样本远少于头部类别，直接应用现有图神经网络方法容易对头部类别产生偏置，从而限制其在尾部类别上的泛化能力。此外，现有算法的预测结果通常缺乏可信度，训练得到的分类器难以刻画自身预测的不确定性。针对上述问题，本文提出了一种用于长尾图级别分类的统一框架 GraphEVER。具体而言，GraphEVER 融合了多位专家的信念，并将主观逻辑引入Dempster–Shafer证据理论中，为每个专家同时提供证据与不确定性估计。其中，证据通过Dirichlet分布进行参数化，以刻画类别概率分布，而不确定性则在严格的理论框架下进行量化。在此基础上，不同专家的证据可在证据理论框架下进行有效融合，从而赋予分类器更高的可靠性与鲁棒性。进一步地，本文提出了一种基于证据的路由机制，用于动态分配专家资源，使尾部类别能够获得更多关注，同时减少头部类别中冗余专家的参与，在提升效率的同时降低计算开销。在七个基准数据集上进行了大量实验，结果表明，所提出的算法在性能上显著优于多种现有先进方法。
该论文作者包含琚玮（四川大学，校友），易思宇（四川大学），毛正阳（北京大学），覃义方（北京大学），王一帆（对外经贸，校友），肖之屏（华盛顿大学，校友），付艺伟（北京大学），乔子越（大湾区大学），张铭（北京大学，通讯作者）
三、KEGOD: 基于核增强的潜在子结构学习用于图分布外检测
论文名：KEGOD: Kernel-enhanced Latent Substructure Learning for Graph Out-Of-Distribution Detection
在机器学习领域，确保模型的鲁棒性至关重要。图分布外（OOD）检测是识别在测试时偏离训练数据分布的样本的关键任务。尽管针对欧几里得数据的OOD检测已经取得了显著进展，但针对图结构数据的OOD检测仍然处于相对探索的阶段。图的独特性质，尤其是其复杂的子结构，使得这项任务尤为具有挑战性。
本文提出了一种新型的核增强图子结构学习框架（KEGOD），旨在解决图结构数据中的无监督图分布外检测问题。具体而言，我们引入了一种可学习的图生成器，用于构建增强图视图，保持可区分的结构信息。接着，框架结合图神经网络（GNN）和图核（GK）分支，从隐式和显式两种方式提取图的拓扑信息，并通过多分支一致性学习和自适应学习损失机制，优化图的表示。该方法通过分支间的不一致性进行OOD检测，显著提升了图外分布检测的准确性和鲁棒性。
该论文作者包含王一帆（对外经贸大学，校友），张皓东（东北大学），肖之屏（华盛顿大学，校友），赵禹昇（北京大学，导师为张铭教授），易思宇（四川大学），尹楠（香港科技大学），刘新旺（国防科技大学），张铭（北京大学），琚玮（四川大学，校友）。