吴文俊人工智能科学技术奖申报提名公示
依据中国人工智能学会关于开展2026年度吴文俊人工智能科学技术奖提名工作的有关要求，现对拟提名项目进行公示。
一、公示信息
序号 |
成果名称 |
主要完成人 |
主要完成单位 |
奖种 |
提名者 |
拟提名等级 |
1 |
高阶网络智能分析理论与方法 |
罗辛，胡鹏伟，胡伦，袁野，吴昊 |
草榴社区
，中国科草榴社区
新疆理化技术研究所，华中师范大学 |
吴文俊人工智能自然科学奖 |
草榴社区
|
一等奖 |
二、公示时间
2026年9月2日起至2026年9月8日止。
三、意见受理单位及联系方式
受理单位：草榴社区
软件草榴社区
电话：023-68254254
受理联系人：草榴社区
纪委
电子邮箱：[email protected]
四、项目简介
高阶网络是刻画多主体、多关系、多模态交互的重要数学对象，是复杂系统智能分析、知识发现与人工智能决策的重要数据基础。随着人工智能应用向高维、稀疏、跨域和动态复杂场景拓展，传统方法难以充分刻画高阶交互关系，面临结构表达能力不足、隐语义建模精度受限、优化求解效率和稳定性难以兼顾等瓶颈。
项目团队围绕高阶网络智能分析理论与方法研究，取得如下主要科学发现：
一、构建了面向多体群组交互的高阶网络统一定义理论。构建了面向多体群组交互的高阶网络统一定义理论，形成了时空动力学驱动的高阶关系动态生成机制，建立了“单纯复形—张量”协同的多阶拓扑结构融合理论，解决了传统二元网络难以统一刻画多体交互、高阶关系动态演化及高阶拓扑结构协同表征的关键科学问题。
二、建立了高阶网络张量隐语义表示理论。构建了模态感知的张量网络结构设计机制，设计了图卷积高阶信息传播机制，确立了高阶网络张量多重约束表示原则，建立了高阶网络张量隐语义表示理论，解决了高阶网络张量低复杂度准确表示难题。
三、构建了高阶网络张量隐语义表示优化算法。提出了观测密度感知的硬件亲和型稀疏张量算子级并行机制，设立了隐因子Hessian–向量曲率计算法则，构建了误差反馈驱动的隐因子优化状态递归估计方法；最终构建了高阶网络张量隐语义表示优化算法，解决了高阶网络张量表示优化难题。
本项目代表性成果发表于IEEE Transactions on Knowledge and Data Engineering、IEEE Transactions on Neural Networks and Learning Systems等领域内重要期刊，多次获领域内专家正面引用评价。
五、代表性论文、专著目录
序号 |
作者 |
论文标题 |
发表期刊或会议 |
期卷号 |
1 |
Fanghui Bi, Tiantian He, Yew-Soon Ong, and Xin Luo*（罗辛） |
Graph Linear Convolution Pooling for Learning in Incomplete High-Dimensional Data |
IEEE Transactions on Knowledge and Data Engineering |
2025,37(4): 1838-1852 |
2 |
Xiaorui Su, Pengwei Hu（胡鹏伟）, Zhu-Hong You, Philip S. Yu, and Lun Hu*（胡伦） |
Dual-Channel Learning Framework for Drug-Drug Interaction Prediction via Relation-Aware Heterogeneous Graph Transformer |
Proceedings of the AAAI Conference on Artificial Intelligence |
2024,38(1): 249-256 |
3 |
Ye Yuan（袁野）, Ying Wang, and Xin Luo*（罗辛） |
A Node-Collaboration-Informed Graph Convolutional Network for Highly Accurate Representation to Undirected Weighted Graph |
IEEE Transactions on Neural Networks and Learning Systems |
2025,36(6): 11507-11519 |
4 |
Hao Wu（吴昊）, Xin Luo*（罗辛）, MengChu Zhou*, Muhyaddin J. Rawa, Khaled Sedraoui, and Aiiad Albeshri |
A PID-incorporated Latent Factorization of Tensors Approach to Dynamically Weighted Directed Network Analysis |
IEEE/CAA Journal of Automatica Sinica |
2022,9(3): 533-546 |
5 |
Xin Luo*（罗辛）, Yurong Zhong, Zidong Wang, and Maozhen Li |
An Alternating-Direction-Method of Multipliers-Incorporated Approach to Symmetric Non-Negative Latent Factor Analysis |
IEEE Transactions on Neural Networks and Learning Systems |
2023,34(8): 4826-4840 |
6 |
Weiling Li, Renfang Wang, and Xin Luo*（罗辛） |
A Generalized Nesterov-Accelerated Second-Order Latent Factor Model for High-Dimensional and Incomplete Data |
IEEE Transactions on Neural Networks and Learning Systems |
2025,36(1): 1518-1532 |
7 |
Di Wu, Zechao Li, Zhikai Yu, Yi He, and Xin Luo*（罗辛） |
Robust Low-Rank Latent Feature Analysis for Spatiotemporal Signal Recovery |
IEEE Transactions on Neural Networks and Learning Systems |
2025,36(2): 2829-2842 |
8 |
Di Wu, Xin Luo*（罗辛）, Yi He and MengChu Zhou |
A Prediction-Sampling-Based Multilayer-Structured Latent Factor Model for Accurate Representation to High-Dimensional and Sparse Data |
IEEE Transactions on Neural Networks and Learning Systems |
2024,35(3): 3845-3858 |
草榴社区
草榴社区
软件草榴社区
2026年9月2日
