［本站讯］近日，国际机器学习大会（ICML’26）论文录用结果公布，软件学院MMRC实验室团队在联邦持续学习等方向的成果被该会议录用。

论文名称：Cross-View Lewis Weight Fusion Empowering Exemplar Replay for Federated Class-Incremental Learning

CLIF框架图

在联邦类增量学习（FCIL）中，样本回放已成为缓解知识遗忘的一种有效策略。现有方法要么基于局部动态来选择样本，要么构建全局特征空间以识别具有代表性的样本。然而，这些方法在平衡有效性与隐私保护方面面临着固有的挑战。为解决这一问题，本文提出了CLIF方法，一种专为FCIL（联邦持续增量学习）中的样本回放任务设计的跨视图Lewis权重融合框架。其核心思想在于整合源自多个特征视角的“重要性得分”，从而在异构客户端之间实现对样本代表性更为一致且鲁棒的评估。具体而言，CLIF由两个关键组件构成。首个组件即“跨视图Lewis权重融合模块”，该模块通过组合不同的客户端模型子集来提取特征表示，进而构建出多个特征视图。通过在这些多元化的客户端模型组合下计算Lewis得分，并将其整合成统一的重要性评估结果，该模块确保所选取的样本能够捕捉到更广泛的全局知识，从而提升了回放缓冲区的代表性。随后，第二个组件即“频率感知加权训练模块”，该模块根据每个样本的“跨视图选择频率”，策略性地调节其对优化目标的影响权重；这一机制放大了那些始终具有关键价值的样本的作用，进而增强了模型抵御遗忘的能力。此外，本文还提供了相应的理论分析，从形式上论证了CLIF的有效性，为其可靠性提供了坚实的保障，并进一步印证了其设计的严谨性。在多个数据集上进行的大量实验结果表明，我们的方法能够稳定地将基线性能提升1%–6%。山东大学齐壮，南洋理工大学Ying-Peng Tang，山东大学孟雷，不列颠哥伦比亚大学Xiaoxiao Li，南洋理工大学Han Yu，山东大学孟祥旭为论文作者。

此外，MMRC实验室教授孟雷参与的哈工大（威海）教授晁国清在多视图学习方向三篇论文被ICML’26录用。

ICML（International Conference on Machine Learning，国际机器学习大会）是机器学习与人工智能领域的顶级学术会议。该会议由国际机器学习学会（IMLS）主办，是全球机器学习领域三大顶级会议之一，被中国计算机学会（CCF）等国内外权威机构一致认定为A类会议。