近日，软件学院 人工智能学院5项研究成果被人工智能领域的顶级会议 The 40th Annual AAAI Conference on Artificial Intelligence (AAAI 2026) 录用。AAAI 是人工智能领域历史悠久、学术影响力广泛的顶级国际会议之一，聚焦智能体、知识表示、机器学习、自然语言处理、计算机视觉等方向的前沿研究，同时也是中国计算机学会（CCF）推荐的A类国际学术会议。2026年第40届AAAI将于1月20日至1月27日在新加坡举办。
论文1 Drifting Away from Truth: GenAI-Driven News Diversity Challenges LVLM-Based Misinformation Detection
作者：Fanxiao Li, Jiaying Wu, Tingchao Fu, Yunyun Dong, Bingbing Song, Wei Zhou*
简介：该论文系统探索了生成式人工智能带来的新闻多样性对基于多模态大模型的虚假信息检测系统的影响与挑战。在核心贡献方面，该研究首次提出“模型感知漂移（Model Perception Drift）”与“证据漂移（Evidence Drift）”的概念，深入分析了多样性生成新闻对检测系统稳健性的冲击，并构建了大规模新闻多样性数据集DRIFTBENCH。研究揭示了当前多模态虚假信息检测系统在应对多样化生成虚假信息时存在的显著漏洞，为生成式人工智能时代的虚假信息检测模型设计提供了重要参考。
论文2 MFmamba: A Multi-function Network forPanchromatic Image Resolution Restoration Based on State-Space Model
作者：Qian Jiang, Qianqian Wang, Xin Jin*, Shaowen Yao, Wei Zhou*, Michal Wozniak
简介：该论文系统探索了遥感图像在光谱恢复和分辨率恢复联合优化任务上面临的挑战，解决了以往只能在单个任务上独立实现的问题。在核心贡献方面，该研究在架构耦合与损失约束层面实现了遥感图像光谱恢复和分辨率恢复任务的规范化联合优化。深入分析了两个任务之间的联系和共性，设计了多尺度混合交叉模块（MHCB）、曼巴上采样模块（MUB）、双池化注意力（DPA）通过层级递进方式实现耦合，对空间特征与光谱特征进行联合编码、融合及重建。借助曼巴模型的建模能力实现梯度共享与相互增强，对特征进行显式对齐。损失函数同时约束空间保真度与光谱准确性，确保共享参数的一致性更新。
论文3 Hierarchical Dual-Domain Fusion with Frequency-Guided Spatial Modeling for Pan-Sharpening
作者：Huangqimei Zheng, Chengyi Pan, Qian Jiang*, Wei Zhou, Xin Jin
简介：该研究聚焦于遥感图像处理中的 pan-sharpening （全色锐化）任务，旨在解决现有方法普遍受限于空间域处理、未能充分捕捉频率域特征与空间特征之间深层次上下文交互的局限性，同时探索推理速度更快的方法。该研究深度剖析了现有全色锐化范式在空间域建模中的固有局限性，及其在跨频信息交互上的非适应性与浅层性，这些音速导致融合结果在空间细节保真度与多光谱保真度之间存在显著的权衡困境。本研究利用频率可分离性进行光谱和结构轮廓信息的自适应增强，实现频率域先验对空间上下文建模的多尺度深度引导。该工作成功为全色锐化任务的长程序列建模提供了全新且高效的解决方案，并显著降低了计算开销，提升了全色锐化模型在遥感应用场景中的价值和潜力。
论文4 MPA: Multimodal Prototype Augmentation for Few-Shot Learning
作者：Liwen Wu, Wei Wang, Lei Zhao, Zhan Gao, Qika Lin, Shaowen Yao, Zuozhu Liu, Bin Pu*
简介：近年来，小样本学习已成为一项备受关注的任务，其目标是从少量标注样本中识别新类别，并已广泛应用于自然科学、遥感与医学影像等领域。然而，现有方法大多仅关注视觉模态，直接基于原始支持图像计算原型，缺乏全面丰富的多模态信息。为突破这些局限，该论文提出了一种新型多模态原型增强小样本学习框架MPA，其核心包含基于大语言模型的多变体语义增强（LMSE）、多层次多视角增强（HMA）以及自适应不确定类吸收器（AUCA）。LMSE通过大语言模型生成多样化的类别描述文本，为支持集补充丰富语义信息；HMA综合运用自然角度增强与多视角增强技术（如改变观测距离、相机角度与光照条件）提升特征多样性；AUCA通过插值和高斯采样引入不确定类，有效建模并吸收不确定性样本。在四个单领域与六个跨领域小样本学习数据集上的大量实验表明，MPA在多数设定下优于现有先进方法。特别值得注意的是，在5-way 1-shot设定中，MPA在单域与跨域场景下的性能分别领先第二名方法12.29%和24.56%。
论文5 FACTGUARD: Event-Centric and Commonsense-Guided Fake News Detection
作者：Jing He, Han Zhang, Yuanhui Xiao, Wei Guo, Shaowen Yao, Renyang Liu
简介：基于写作风格的虚假新闻检测方法虽已取得显著进展，但随着攻击者不断模仿真实新闻的写作风格，这类方法的有效性正逐渐下降。近年来，研究者开始尝试引入大语言模型（LLMs）以提升检测性能。尽管大语言模型具备变革性潜力，但其在虚假新闻检测领域的价值仍未得到充分挖掘，其真实应用也受到功能探索不足、可用性模糊以及推理成本过高等因素的限制。为此，该研究提出了一种新的虚假新闻检测框架——FACTGUARD，该框架利用LLM从新闻中提取以事件为中心的内容，从而降低写作风格对检测性能的影响。此外，其提出了一种动态可用性机制，能够在事实推理中识别矛盾与模糊案例，并自适应地引入LLM的建议，以提高决策的可靠性。为了确保效率并支持实际部署，其进一步采用知识蒸馏构建了 FACTGUARD-D，使该框架能够在冷启动和资源受限场景中依然高效运行。在两个基准数据集上的全面实验表明，该方法在鲁棒性和准确性方面均显著优于现有方法，有效解决了虚假新闻检测中面临的风格敏感性与LLM可用性挑战。
