近日，全球久负盛名的人工智能与互联网交叉领域顶级国际学术会议WWW’2026公布了录用论文。我校人工智能学部能源大数据智慧计算科研团队负责人杜海舟老师及其硕士生吴昊林撰写的长文论文《FedRGL: Federated Riemannian Graph Learning in Mixed-Curvature Spaces with Ricci-Gated Convolution》成功入选。这是该团队首次在人工智能与互联网交叉领域顶级国际学术会议 WWW上发表分布式图学习领域研究成果。

WWW，曾用名为The International Conference of World Wide Web，从2018年开始更名为The web conference，是国际互联网领域历史最悠久、最具影响力的顶级学术会议之一，也是中国计算机学会和中国人工智能学会推荐的A类会议，自1994年在瑞士日内瓦CERN举办第一届以来，已经连续举办30+届，是互联网科学与技术研究的旗舰交流平台。该会议在CORE Conference Ranking中被评为A*级别，其H-5指数120，Impact Score 15.6。WWW的投稿数量和竞争激烈程度屡创新高，WWW’2026共收到有效投稿3370篇，录用676篇，录用率约为20.1%，体现出其极高的学术认可度与难度。本次会议将于2026年4月13日至4月17日在迪拜举行。本次成果的入选，不仅代表了团队在分布式图学习方向上的重要进展，也标志着我校在该领域的国际影响力实现了新跨越。

该论文针对联邦图学习（Federated Graph Learning, FGL）中客户端数据普遍存在的非独立同分布（non-IID）核心挑战展开研究，特别关注了由图数据内在几何结构差异引发的几何异构性问题。现有方法通常在单一、固定的几何空间中建模，难以适应不同分布式客户端图数据多样的结构特性（如层次或社群结构），且常常忽略图的局部拓扑信息。为此，论文提出了一个名为FedRGL的个性化黎曼联邦图学习新框架。该框架通过为每个客户端构建一个由欧几里得、双曲和球面流形组成的个性化混合曲率空间，并利用里奇曲率（Ricci Curvature）设计了一个动态门控机制来指导图卷积网络中的消息传递，从而同时解决了全局几何异构性和局部拓扑复杂性两大难题。实验表明，FedRGL在多个具有高度异构性的图数据集上，其模型准确性和泛化能力显著优于当前最先进的分布式图学习方法。

图1 FedRGL框架整体架构概览

这一研究成果对于构建下一代的分布式图智能系统具有广泛的应用前景。在联邦推荐系统等Web应用中，该框架能够为不同行为模式的用户群体（客户端）构建更精准的个性化模型，提升推荐效果的同时保护用户隐私。在跨平台的去中心化社交网络分析中，该框架可以在不共享原始数据的前提下，有效整合来自不同社群的结构信息，用于社区发现或链接预测等任务。在能源电力行业，该框架可用于对分布在不同区域电网中的设备故障、潮流计算、配网调度等图数据进行联合建模，在保护数据隐私的同时，实现对故障模式的精准预测和诊断。长远来看，FedRGL框架为实现几何感知与隐私保护的深度协同提供了一条关键路径，为构建更智能、更可信的Web人工智能系统奠定了坚实基础。

能源大数据智慧计算团队围绕以人工智能为核心，在分布式机器学习、多模态大模型推理、自然语言处理、知识图谱等关键领域进行持续深耕，并已形成一系列高水平成果。近年来，团队已有多篇高质量论文被NeurIPS、AAAI、WWW、ECAI、ECML、CIKM、ICSOC 等国际顶级学术会议录用。展现了持续向国际顶尖科研前沿迈进的坚实步伐。团队首次论文入选 WWW人工智能与互联网交叉领域顶级国际学术会议，不仅是对团队长期科研工作的高度肯定，更为我校分布式图学习方向的发展注入了新的动力。未来，团队将继续聚焦科研前沿，致力于产出更多兼具顶尖学术水平与重要现实意义的研究成果。

人工智能学部 供稿