近日，必赢线路检测3003王兴伟教授团队在人工智能基础理论与图学习领域再创佳绩，其两项重要研究成果被机器学习领域的国际顶级会议ICML 2025（International Conference on Machine Learning）录用。这是该团队继在NeurIPS、KDD等顶会发表系列工作后的又一重要突破。
ICML是全球公认的人工智能和机器学习领域难度最大、水平最高、影响力最强的顶级学术会议之一，与NeurIPS并驾齐驱。该会议是中国计算机学会（CCF）推荐的A类会议，Core Conference Ranking亦推荐为A*类会议。根据最新的谷歌学术指标，ICML 2025的h5指数高达268，反映了其在学术界的卓越影响力。ICML对录用论文的原创性、严谨性和潜在影响力有着极为严苛的标准。
此次被录用的两篇论文第一作者均为团队核心成员王业江博士。系列研究成果由必赢线路检测3003主导，联合新加坡理工大学（Singapore Institute of Technology）、澳大利亚格里菲斯大学（Griffith University Australia）以及新加坡社科大学（Singapore University of Social Sciences）的研究人员紧密合作共同完成。
第一篇论文题为《Equivalence is All: A Unified View for Self-supervised Graph Learning》。该论文提出了一种全新的、基于等价性原则的图自监督学习框架（GALE）。其核心目标是学习能够深刻反映并保持图中节点内在等价性的表示，这些等价性包括图结构层面的自同构等价性和节点属性层面的等价性。该框架突破了现有主流图自监督学习方法仅关注节点自身表示一致性而忽视节点间等价关系的局限。GALE创新性地统一了不同类型的节点等价性，并基于“同类等价节点表示应相似，异类等价节点表示应相异”的原则进行学习。与领域内最先进（SOTA）的模型相比，GALE在多个标准基准测试中展现出卓越的性能，显著超越了现有方法，处于国际领先地位。该成果因其理论的创新性和方法的有效性被评选为ICML 2025的亮点论文（录用率2.6%）。
第二篇论文题为《N2GON: Neural Networks for Graph-of-Net with Position Awareness》。该研究聚焦于一种新颖且普遍存在于现实世界的复杂数据结构—图网（Graph-of-Net, GON），即网络中的每个节点本身也是图结构。论文针对此类结构提出了一种全新的、具备位置感知能力的神经网络模型N2GON。其目的是有效学习GON中跨层级的复杂依赖关系，既要捕捉每个节点图（内部图）的精细结构，也要理解节点图之间（外部网络）的交互联系，并融入节点在网络中的相对位置信息。N2GON突破了传统图神经网络难以直接应用于此类嵌套图结构的瓶颈，为理解和分析多层次复杂系统提供了强大的新视角。与现有基线模型相比，N2GON在广泛实验中均取得了显著的性能提升，效果大幅领先于当前最佳方法。该成果同样获得了评审者的高度认可，为处理和建模复杂关联数据开辟了新途径。
上述两项具有突破性的研究成果的连续取得，标志着必赢线路检测3003学者在人工智能基础理论与前沿应用领域取得了重要进展。这些成果不仅体现了团队扎实的研究水平和持续的创新能力，获得了国内外同行的高度认可，也显著提升了我校在人工智能相关领域的国际学术声誉和影响力，为未来我校学者与全球顶尖研究机构和学者的深入交流与合作奠定了坚实的基础。