IACLAB任星宇同学参加工智能领域顶级学术会议NIPS 2025

IACLAB成员任星宇同学参加人工智能领域顶级国际会议 NeurIPS 2025（Conference on Neural Information Processing Systems，原 NIPS），其论文 “Uncertainty-Informed Meta Pseudo Labeling for Surrogate Modeling with Limited Labeled Data” 被会议主会接收。此次参会既展示了IACLAB在人工智能赋能科学计算与工程仿真方向的最新研究成果，也为同学开展高水平国际学术交流、拓展海外科研视野提供了重要平台。

NeurIPS是机器学习与人工智能领域最具影响力的国际会议之一，属于中国计算机学会（CCF）推荐A类会议。据会议公开信息，NeurIPS 2025主会共有21,575篇有效投稿，其中5,290篇论文被录用，录取率为24.52%。任星宇同学论文入选该会议，体现了IACLAB相关研究在国际顶级学术平台上的竞争力与认可度。

论文链接：https://proceedings.neurips.cc/paper_files/paper/2025/hash/6fc46679a7ba2ec82183cf01b80e5133-Abstract-Conference.html

图1 任星宇同学论文海报展示：Uncertainty-Informed Meta Pseudo Labeling for Surrogate Modeling with Limited Labeled Data

该论文面向科学计算与工程仿真中的有限标注代理建模问题。随着深度神经网络和神经算子在复杂物理场预测中的应用不断深化，高质量标注数据获取成本高、样本数量有限等问题逐渐成为制约模型性能和工程落地的重要瓶颈。半监督学习能够利用未标注数据缓解标注不足，但伪标签质量不稳定时，模型训练容易出现误差累积，并影响分布偏移和域外场景下的泛化能力。

针对上述问题，团队提出不确定性感知的元伪标签学习框架UMPL（Uncertainty-Informed Meta Pseudo Labeling）。该方法同时引入认知不确定性与偶然不确定性，用于评估伪标签可靠性并优化教师模型与学生模型之间的反馈过程，构建面向半监督回归任务的元学习闭环。通过提升伪标签质量并抑制低可信样本带来的训练扰动，UMPL增强了代理模型在有限标注条件下的稳定性和鲁棒泛化能力。

实验结果表明，UMPL具有良好的模型无关性，可灵活集成到不同神经网络与神经算子架构中。在涵盖稳态与瞬态预测问题的七个任务上，UMPL相较现有半监督回归方法取得一致更优的性能；在仅使用全监督训练数据10%标注样本的情况下，UMPL相较最佳现有方法实现了14.18%的性能提升。该成果体现了IACLAB在可靠机器学习、科学代理建模和智能工程仿真交叉方向上的持续积累。

除论文展示外，任星宇同学在NeurIPS 2025现场积极参与海报交流、专题报告和产业技术展示等活动，围绕神经算子、科学机器学习等主题与来自世界各地的研究人员进行交流。

图2 NeurIPS 2025会议现场的海报交流环节

在参会期间，任星宇同学还关注了人工智能基础模型、科学计算智能化以及产业界前沿应用等议题。会议现场的NVIDIA相关技术报告、Google Gemini团队交流活动等，为其近距离观察国际人工智能生态、理解学术研究与产业创新之间的互动提供了宝贵机会。这些海外参会经历不仅拓宽了其国际视野，也有助于其在后续研究中更好地把握前沿问题、凝练创新方向。

图3 会议现场的前沿技术报告与产业展示环节

图4 Google Gemini团队相关交流活动现场

IACLAB始终重视面向国际前沿的科研创新与学生培养，鼓励实验室成员在高水平国际会议中展示成果、交流思想、拓展合作。任星宇同学此次参加NeurIPS 2025，是实验室学术成果与人才培养成效的集中体现。未来，IACLAB将继续围绕人工智能与工程科学交叉方向开展深入研究，推动更多高质量成果走向国际学术舞台。