近日，多媒体技术领域国际顶级会议——中国计算机学会（CCF）推荐A类会议ACM International Conference on Multimedia（ACM MM）2026公布论文录用结果。我校计算机与信息工程学院、福建省模式识别与图像理解重点实验室师生完成的两项研究成果成功入选，展现了我校在多媒体智能、协同学习及多视图数据分析等领域的科研新进展。

两项研究分别面向资源受限设备上的协同模型训练和少量标注条件下的多视图智能分析，从梯度优化与语义校准两个角度解决多媒体人工智能模型中的关键问题。论文PSL-RGHA: Parallel Split Learning with Reference Gradient Half-Space Alignment for Mitigating Gradient Divergence由我校研究生李晗担任第一作者，计算机与信息工程学院杨淼老师、朱顺痣老师担任通讯作者。

该研究针对资源受限终端设备在部署人工智能模型时，面临计算能力不足和存储资源有限等问题提出基于参考梯度半空间对齐的并行拆分学习框架PSL-RGHA，并设计参考梯度渐进构建（RGPC）和梯度半空间对齐（GHA）两个关键模块该研究为资源受限终端设备上的多媒体智能协同学习提供了一种新的技术方案。

另一篇论文Joint Local–Global Contrastive Calibration for Multi-View Semi-Supervised Classification，由福建省模式识别与图像理解重点实验室肖顺鑫老师担任第一作者、王大寒老师担任通讯作者，2025级研究生谢彦欣等参与完成。厦门理工学院为论文第一单位和通讯单位。

针对多视图半监督分类现有方法存在的提出联合局部—全局对比校准方法JLGCC，从中间特征和最终分类结果两个层面对多视图语义一致性进行校准。实验结果表明，该方法在五个数据集上取得了最高的分类准确率，并在其余数据集上保持较强的竞争力，验证了其在缓解中间层语义偏移、抑制伪标签噪声以及提升少量标注条件下分类性能方面的有效性。（计算机与信息工程学院）

并行拆分学习框架PSL-RGHA

多视图半监督分类算法JLGCC