近日，我院孙涛教授、段智议研究员课题组最新研究论文被KDD 2026 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 会议录用。ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD 2026）将于2026年8月9日至13日在韩国济州国际会展中心举行。KDD 是数据挖掘、知识发现、数据科学与人工智能领域具有重要影响力的国际学术会议，是中国计算机学会CCF推荐的 A 类国际学术会议，也是 CSRankings 收录的代表性国际会议。

NCCDA: Neuron-wise Class-Conditional Distribution Alignment for Deep Neural Network Repair

作者：包利明（博士研究生），王燕，孙涛*

单位：内蒙古大学

论文提出了一种新颖的神经网络修复方法 NCCDA。该方法从模型内部表征分布出发，利用正常且预测正确的样本构建“神经元—类别”条件分布参考，刻画不同类别在神经元响应空间中的高似然区域；在修复阶段，引导异常样本的内部表征回到其真实类别对应的高似然区域，同时通过结构保持约束减少正常样本表征漂移，从而在不依赖显式神经元定位的情况下实现稳定修复。论文还基于 Rademacher complexity 给出了小样本修复场景下的泛化误差分析，为方法有效性提供了理论支撑。实验方面，论文围绕后门攻击修复、自然数据扰动修复和安全属性违规修复等典型场景开展了系统验证，并与多种代表性神经网络修复方法进行了对比。实验结果表明，NCCDA 能够在有效修复模型异常行为的同时，较好地保持模型原有性能，并在未见故障样本上的泛化修复能力方面具有优势，体现了该方法在不同修复任务中的稳定性和适用性。

Edu-Eval: A Large-Scale Multimodal Benchmark for MLLMs in Authentic Educational Scenarios

作者：段智议、管江山（2024级硕士研究生）、邢千里*

单位：内蒙古大学、吉林大学

现代课堂本质上是一个多模态环境，充斥着教师的言语、学生的表达以及互动式教学资源。因此，有效的AI助手不仅要能回答基于文本的问题，更应能够感知这一复杂的教学过程。然而，当前的教育评测基准主要聚焦于单模态和单任务评估，而现有的多模态基准则侧重于内容评估。为填补这一关键空白，论文提出了 Edu-Eval，以真实教育场景为中心，系统构建了教师-学生-资源框架，将抽象的教学理念转化为九个可计算的具体任务。Edu-Eval 包含超过 3,000 个真实场景，由 75,900 个带标注的样本构成。对八个主流多模态大模型系列的评估结果显示，当前模型的能力与真实应用需求之间存在显著差距。Edu-Eval强调了学术界亟需将关注点从孤立的内容评估，转向对整个课堂生态系统进行整体、以场景为中心的理解。