IJCAI 2026「论文王」潘世瑞：破解图数据在真实应用中的「不完美」条件

高质、高产的研究底色：从现实问题出发，并且有本事重新定义它。

作者丨幸丽娟

编辑丨齐铖湧

2026 年 8 月 15 日至 21 日，IJCAI-ECAI 2026 将在德国不来梅举行。在梳理本届会议录用论文时，我们统计出了四位“论文王”，他们各有四篇论文入选。其中一位引起了我们的注意：他叫潘世瑞（Shirui Pan），澳大利亚基金委杰出青年 ARC Future Fellow 、澳大利亚昆士兰艺术与科学院 Fellow。

个人主页：https://shiruipan.github.io/

真正让我们想深挖的，不只是“四篇”这个数字。翻看他过去十年的“战绩”，你会发现潘世瑞的“论文王”身份并非本届 IJCAI 的偶然爆发，而是一个持续近十年的稳定输出状态：

他已在NeurIPS、ICML、IJCAI、AAAI、KDD、TPAMI、TKDE、《自然-机器智能》等顶会顶刊发表论文200余篇，曾获2024年IEEE TNNLS杰出论文奖、2020年ICDM最佳学生论文奖以及 2020年JCDL会议最佳论文提名奖。

更值得注意的一组数据是：他有八篇论文获评最具影响力论文——IJCAI五篇、KDD一篇、AAAI一篇、CIKM一篇。高产的同时，质量也没掉。

这位年仅40岁的研究者，Google Scholar引用超68,000次，H-index 94，连续五年入选AAAI/IJCAI最具影响力学者榜单，连续四年位列全球前2%顶尖科学家。2024年入选IEEE“AI's 10 to Watch”，同年获得IEEE ICDM Tao Li Award（亚太地区首位），并常年担任ICLR、NeurIPS、KDD、WWW、IJCAI、AAAI等顶会的领域主席。

但除了这些辉煌的学术成就，我们还想弄清楚一个问题：他的研究到底在解决什么问题？200多篇论文，背后有没有一条贯穿始终的主线？

带着这个疑问，我们梳理了他过去十年的发表记录，一个轮廓逐渐清晰：他的工作几乎都围绕“图结构数据”展开，但关心的不是图神经网络的结构设计本身，而是图数据在真实应用中遇到的各种“不完美”条件——标签缺失、分布偏移、隐私约束、对抗攻击。

几乎每一次选题，都是从某个具体的数据缺陷出发，再设计对应的图学习方法。这种“问题先于方法”的研究习惯，在他的论文中体现得相当稳定。

本次IJCAI 2026收录的四篇论文，同样能看到这种脉络。

01

图异常检测：

一个方法内核，两种现实约束

图异常检测是潘世瑞团队深耕最久的方向。IJCAI 2026上的两篇异常检测论文，处理的是同一个根本问题——如何在缺乏可靠标注的情况下识别异常。

但面向的是两种不同的现实约束：单机环境下的标签稀缺，和分布式环境下的隐私约束。团队针对这两种场景分别给出了技术方案。

▎CAMERA：当骗子开始模仿你说话，反向划定“正常”边界

在社交平台环境中，传统的图欺诈检测有一个默认假设：骗子（即进行虚假评论、操纵舆论等恶意行为的用户或账号）的行为和属性跟正常人不一样。所以只要盯着那些“异常”的结构和特征就行。

但这个假设现在越来越不成立了。骗子开始有意识地模仿正常用户的表达方式，用看起来完全正常的文字来掩盖异常行为。当文本和结构两条线索同时被干扰，传统的检测方法基本就失效了。

难点有两个：一是欺诈线索多元——结构异常、语义偏移、社区离群，而单一类型线索很难单独奏效，怎么有效组合是个问题。二是在无监督场景下没有标签，很难利用“骗子本来就少”这一事实来训练模型。

CAMERA的思路是逆向思考：既然骗子在模仿正常人，那就别盯着“异常特征”找——反过来，把“什么是正常”的边界定义清楚，越过边界的即是异常。

论文链接：https://arxiv.org/pdf/2605.20032

技术上，CAMERA做了三件事：

• 自我解耦的混合专家（MoE）架构：每个专家专门建模一种类型的欺诈线索（结构异常、语义偏移、社区离群等），实现线索的显式解耦与互补提取。

• 上下文感知的门控网络：不仅考虑节点自身的表示，还综合其局部邻域上下文，动态决定各专家输出的融合权重。

• 基于稀缺性的单类学习：利用骗子的固有稀缺性，通过专家级目标函数鼓励模型学习主导的正常模式——任何偏离正常边界的即被判定为异常。

这个设计的巧妙之处在于：没有标签这件事，不再是障碍，反而成了可以主动利用的条件。“骗子”本身就是少部分数据，天然适合做单类学习。

效果方面，在4个专门测试语义伪装的数据集上，CAMERA的AUROC全部排名第一，AUPRC拿下3个第一（Reddit上略低于DOMINANT）。（注：AUROC和AUPRC是异常检测中衡量模型判别能力的常用指标，数值越高越好。）

值得一提的是，在AmazonVideo、YelpChi这些大规模数据集上，一些对比方法直接因显存不足跑崩（OOM），而CAMERA不仅稳定运行，还取得了领先结果。这说明CAMERA 在大规模、无监督、语义伪装等多重困难条件下，依然能保持稳定的高性能。

▎FedCIGAR：数据不能出本地，怎么合作抓异常？

如果说CAMERA解决的是“单机环境下标签稀缺”的问题，那么FedCIGAR把同样的问题放到了“数据分散、隐私受限”的联邦场景中。

论文链接：https://arxiv.org/pdf/2605.09428

图级异常检测在金融风控、社交网络分析等领域有较强的应用价值。以金融反诈为例：每家银行各自持有一张客户交易关系图，图级异常检测的目标是找出那些交易模式异常的子图结构——它们可能对应着一个洗钱团伙或欺诈网络。

但现实瓶颈在于，这些图数据分散在不同的银行和金融机构手里，出于商业竞争和客户隐私保护，谁都不想共享数据。

联邦学习可以解决数据共享的问题，但现有方法又遇到两个新麻烦：

一是训练时需要人工合成异常样本，但合成出来的异常跟真实的异常差得很远，模型学了半天，结果到了真实场景依旧失灵；

二是各家的数据分布天然不一样，强行统一聚合反而损害本地检测效果。

FedCIGAR的思路是彻底换道：不训练“找异常”的模型，而是训练一个“只会重建正常图”的模型。推理时，哪个图重建误差大，哪个就是异常——完全绕开合成数据的问题。

面对各家数据分布不一样的问题，团队在客户端设计了节点贡献门控（每个节点自己决定其信息在聚合时的权重），在服务器端设计了滑动窗口聚类（动态识别哪些客户端情况类似，做个性化聚合而非一刀切）。

实验结果显示，FedCIGAR在检测性能和鲁棒性上均超过现有最好方法。它重新定义了联邦异常检测的目标：不再沿用“训练一个通用模型给所有人用”的大一统思路，而是让每个客户端在保护数据的前提下，拥有自己的异常判别能力。

当我们把这两篇放一起看时，会发现CAMERA和FedCIGAR的底层思路如出一辙：都是用“重建正常”来代替“检测异常”，从而绕过对异常标签和合成数据的依赖。

而差别在于应用场景：CAMERA解决的是单机环境下的无监督问题和语义攻击，FedCIGAR解决的是分布式环境下的隐私约束和数据异质。同一个方法内核，在两个不同的现实约束下分别做了适配。

02

时序预测非平稳：

让模型“理解”外部事件变化的因果

论文链接：https://arxiv.org/pdf/2508.13434

时间序列预测最棘手的问题之一，是数据的非平稳性（分布偏移的一种）。指的是，今天观察到的统计规律，明天可能就不再适用。节假日的用电量、突发管制下的交通流量、促销前后的销售额，这些外部事件会直接改变数据分布。

大多数现有模型把外部事件当成一个额外特征简单加进去，但事件和数字变化之间的因果关系，模型根本没学到。

难点有二：一是事件是离散文本、时序是连续数值，两种数据在表示空间里天然对不上；二是扩散模型中传统的时间步采样是均匀的，但不同事件引发的数据变化剧烈程度完全不同，统一节奏导致模型在不同阶段的去噪难度严重失衡。

EventTSF 的核心思路是让模型真正理解事件“在说什么”，而不是把它当标签贴上去：

• 把时间序列切成窗口，每个窗口对齐到同一时间段发生的外部事件（没有事件就留空），构建事件和序列的配对数据。

• 用自回归扩散框架，在扩散过程的每一步，事件信息和序列信息逐步深度融合，而不是简单拼接。

• 最关键的是设计了事件感知的流匹配时间步：模型会根据当前事件的语义复杂度，自动调整扩散节奏——复杂的事件多给点“消化”时间，简单的事件走快一点。

实验表现相当突出。概率预测方面，EventTSF在CRPS、WQL、MAE三项指标上7个数据集全部拿下第一；确定性预测方面，7个数据集中有6个拿下第一（在Traffic News数据集上略逊于Koopa方法）。

该方法，通过事件感知的扩散过程，让模型在预测时能够理解外部事件与数据变化之间的因果关系。这意味着时间序列预测正从“纯统计拟合”走向“结合上下文语义的动态推断”。

03

蛋白质设计：

图数据方法论的跨域延伸

前三篇论文讲的异常检测和时序预测，是潘世瑞团队深耕多年的核心方向，方法论底色是清晰的：用图结构数据上的各种“重建正常”的思路来解决分布偏离的问题。

第四篇论文TTS-Design，看起来跳到了完全不同的领域：蛋白质设计。但背后有一条连贯的逻辑：蛋白质本身就是图结构数据——氨基酸是节点，化学键和空间近邻关系是边。这正是图机器学习最擅长的建模对象。

首先来看这篇论文解决的是什么问题。

蛋白质的功能取决于它的3D结构。如果能设计出特定结构的蛋白质，就能加速新药研发。但这事儿难在：给定一个目标结构，怎么找出能折叠成这个结构的氨基酸序列？这就像给你一个复杂的锁（结构），你要配一把钥匙（序列）。

传统方法依赖大量高质量的结构数据来训练模型，但实验解出来的蛋白质结构数据太少了（每个都要花大量经费和时间），模型学不到足够的规律。

TTS-Design 换了一个思路：不追求训练阶段用更多数据，而是在推理的时候多花计算时间来找更好的答案。这个方法叫“测试时计算扩展”（Test-Time Computing Scaling），已经在大语言模型得到验证。

具体做法是：推理时让模型一次性生成多个候选序列，然后用一个评分器（IF-RM）给每个候选打分——谁跟目标结构最匹配，谁的分数最高——最后挑分数最高的那个。生成越多、算得越久，找到最佳答案的概率越高。

在CATH 4.2和CATH 4.3这两个蛋白质设计的标准测试集上，TTS-Design在多个现有模型上都稳定提升了设计质量，而且在真实蛋白质案例上也验证了实用性。

这项工作的关键价值在于：方法论上，它证明了 “以算力换性能”的思路，在科学问题上同样有效；应用上，对数据稀缺领域来说，有望在不依赖更多训练数据的前提下，显著提升蛋白质设计的成功率，加速新药发现的进程。

04

结束语：高质、高产的研究底色

比起四篇论文实现的技术创新，更令我们印象深刻的，是潘世瑞团队的选题思路：几乎每一篇都不是从某个热门技术出发去找应用场景，而是从一个具体的现实约束出发——标签不够、数据不能共享、外部事件干扰、训练数据稀缺，再倒推需要什么样的方法。

同时，解题思维也一以贯之：几乎每一篇都没有选择在已有框架内“硬碰硬”，而是换了一个角度重新定义问题。

——没有标签，就去刻画“正常”的边界；数据不能共享，就让每个节点自己决定贡献多少；外部事件打乱了规律，就让模型学习事件变化因果，动态调整建模节奏；训练数据不够，就在推理阶段多算几轮。

当一个研究者习惯性地从现实约束出发选择课题，以重新定义问题的方式来解题时，高产与高质便不再是需要刻意平衡的两件事，而是同一种研究底色的自然产物。

这四篇论文最终能在各自领域产生多大的长期影响，要交给后续的引用和实践来检验。但至少在选题、解题的研究方法论上，它们提供了一个清晰的参照：当AI研究越来越被规模竞赛和热点风向裹挟时，从问题的真实困境出发，并拥有重新定义问题的能力，仍然是一条经得起推敲的路径。

AI科技评论记者将前往IJCAI 2026现场进行报道。如果你对潘世瑞及其团队的论文有更多想要了解的信息，欢迎在评论区留言，我们将帮你带到现场，向团队当面请教。

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了IJCAI 2026 参会群！进群你会解锁这些「福利」

• 会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

• 同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

• 前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

• 现场后援团：（会议期间专属开启）：到了会场也不用慌——

  路线导航：场馆分布、报告厅怎么走，群里随时问；

  议题共读：热门 session、Keynote 现场探讨，错过也能追；

  Poster 汇编：现场海报精华整理，一键收藏不遗漏；

  约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

进群传送门：扫码进群或添加微信Qvv0909777，备注：IJCAI+ 单位/学校+姓名+方向。

搞科研/搞技术，信息差很重要。

来，一起快人一步！

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。