5月1日，机器学习领域最具影响力的三大国际学术会议之一ICML（International Conference on Machine Learning）正式发布论文录用结果，二年级硕士研究生莫有达提交的论文“Entangled no more: Multi-domain decoupling for robust dynamic graph neural networks”获得主会正式录用。本次会议共收到23918篇有效投稿论文，是去年的两倍，共录用6352篇，录用率26.6%。ICML2026（第43届）将于7月6-11日在韩国首尔举行。

附论文基本信息：
作者：莫有达（华南师范大学）、贺超波（华南师范大学）、程俊伟（华南师范大学）、梅鹏（华南师范大学）、官全龙（暨南大学）
摘要：动态图在现实系统中普遍存在，但其紧密耦合的时空演化过程带来了显著的建模挑战。现有动态图神经网络（DGNN）缺乏一个能够系统解耦这种多域纠缠的理论框架，由此引发两个关键问题：（i）由结构不完整性导致的表征漂移，以及（ii）由噪声扰动所放大的信号失真。这些问题会随时间累积，形成时域冗余，从而削弱DGNN的鲁棒性。针对上述问题，提出了一种面向鲁棒DGNN的多域解耦框架DeR-Mamba（图1）。为解决问题（i），开发了多粒子核卡尔曼观测场（MP-K²alman），通过在核子空间中对潜在演化路径进行采样并执行卡尔曼式更新来估计结构状态，从而实现空域解耦。为解决问题（ii），设计了抗干扰感知的频域解耦模块（AFDM），通过频域解耦和动态跨频调制来净化频谱信号。最后利用一个动态图状态空间系统执行时域解耦以控制冗余，通过离散化的跨时间建模和选择性快照扫描来抑制残余扰动。在带有对抗攻击的基准数据集上进行大量实验，结果验证了DeR-Mamba 优越的鲁棒性。 

图1 DeR-Mamba框架