重点实验室李先贤教授团队研究成果被CCF A类会议ICML 2026录用

近日，国际机器学习领域顶级会议 ICML 2026（The 43rd International Conference on Machine Learning）公布了论文录用结果。我院重点实验室李先贤教授团队研究论文《FedRGL: Robust Federated Graph Learning under Label Noise》成功被会议录用。ICML 是机器学习领域历史最悠久、最具国际影响力的顶级学术会议之一，与 NeurIPS、ICLR 并称为机器学习领域“三大顶会”，由中国计算机学会（CCF）推荐为 A 类会议。本届会议共收到 23918 篇有效投稿，最终录用 6352 篇论文，录用率为 26.6%。

图1:ICML 2026会议信息

该论文由广西师范大学计算机科学与工程学院/软件学院/人工智能学院和福州大学计算机与大数据学院合作完成，我院为第一完成单位和通讯单位，第一作者为我院青年教师李德老师，论文作者信息：李德、谭宙、黎启宇、甘泽明、夏天格、李春培、李先贤。

研究工作简介

联邦图学习（Federated Graph Learning, FGL）能够在保护本地图数据隐私的前提下实现多方协同建模，但图数据中的标签噪声会显著降低全局模型的泛化性能。针对这一问题，研究团队提出了一种面向标签噪声场景的鲁棒联邦图学习方法 FedRGL，在兼顾隐私保护的同时实现更加稳健的全局建模。

   1. 提出类感知双一致性筛选机制（CADF），综合全局模型预测与本地子图结构信息，实现噪声节点的精确识别，并可作为即插即用模块提升现有联邦图学习框架的抗噪能力。

   2. 引入高置信伪标签分配与图增强机制，为被识别的噪声节点提供更有效的监督信息，提升局部训练质量。

   3.利用未标记节点预测熵实现服务器端自适应聚合，提高全局模型的收敛稳定性与泛化性能。

图2: FedRGL方法整体框架图

实验在 Cora、CiteSeer、PubMed、CS、Physics、Photo 以及 OGBN-arxiv、ogbn-products 等多个数据集上开展。结果表明，FedRGL 在不同噪声类型、噪声水平和客户端规模下均表现出优异的鲁棒性与可扩展性，平均精度提升约 5%—8%，相较较弱基线方法最高可提升约 30%。

该成果为噪声标签条件下联邦图学习的鲁棒建模提供了新的研究思路，对社交网络分析、推荐系统、跨域教育等场景具有潜在应用价值，也体现了我院重点实验室在人工智能与图学习方向的持续探索和创新能力。