AAAI人工智能会议（AAAI Conference on Artificial Intelligence）是人工智能领域的重要国际会议，是CCF-A类推荐会议。AAAI2026将于2026年1月20日-27日在新加坡举办。今年共有23680篇论文投稿，最终4167篇论文接收，录用率17.6%。ICCD实验共有3篇论文被AAAI2026录用，涉及零样本3D场景推理、适应性稳态表征、适应性多模态对齐。录用论文简要介绍如下:

论文①

论文题目：View-on-Graph: Zero-Shot 3D Visual Grounding via Vision-Language Reasoning on Scene Graphs

论文概述：本论文聚焦于零样本三维场景推理（3D Visual Grounding, 3DVG）任务，即根据自然语言描述在复杂3D场景中定位目标物体，是增强现实与具身智能的重要基础能力。现有方法多依赖将三维空间信息（Spatial Information, SI）压缩为二维渲染或视频输入，从而迫使视觉语言模型（VLM）在“信息纠缠”的视觉输入中推理，难以有效利用空间语义关系。针对这一问题，论文提出了全新的 View-on-Graph (VoG) 框架，首次将三维空间信息显化为可查询的多模态场景图（Scene Graph），并让VLM以“主动智能体”的形式逐步检索和推理，实现从被动识别到主动探索的范式跃迁。

• 提出VLM⊗SI范式：将传统的“图像输入→直接推理”转化为“图谱结构→交互推理”的过程，使VLM能够在结构化空间中主动选择视角与语义线索；

• 多层场景图结构（MMMG）：通过视角层与物体层的双层节点及跨层边，实现视觉、空间与语义的解耦与融合；

• 可解释的逐步推理轨迹：模型在定位过程中自动记录其推理路径，实现透明的三维语义理解。

该论文第一作者是大连理工大学博士研究生刘圆圆，指导教师是杨鑫教授。并由博士后梅海洋（新加坡国立大学）、硕士生占东阳、博士生赵佳岳、周东生教授（大连大学）、董博研究员（Cephia AI)共同完成。

论文②

论文题目：Dynamic Weight Adaptation in Spiking Neural Networks Inspired by Biological Homeostasis

论文概述：本论文聚焦于脉冲神经网络（Spiking Neural Networks, SNNs）中生物机理约束的稳态表征问题。稳态机制是生物神经系统维持功能稳定的核心，通过调节神经元与突触活动，实现内在动态平衡，从而增强系统在复杂环境下的适应性与鲁棒性。然而，现有脉冲神经网络中的稳态实现多依赖启发式设计，缺乏生物机理支撑与理论可解释性。针对这一问题，论文提出了一种受 Bienenstock–Cooper–Munro（BCM）理论 启发的动态权重自适应机制（Dynamic Weight Adaptation Mechanism, DWAM），构建了一个基于突触层关系调控的稳态调节模块。该机制模拟额叶神经元在突触强度调节中的动态适应特性，在推理过程中根据神经元放电关系实时调节突触权重，实现了生物机理约束下的长时稳态表征与记忆保持，为具身空间智能中的信息稳态调节与适应性稳态表征奠定了重要理论基础。

• 基于突触关系的生物可解释稳态机制：DWAM从神经元间关联出发，依据放电相关性动态增强或削弱突触连接，实现基于BCM理论的突触级稳态调控；

• 离散脉冲域的稳定权重更新：通过引入基于放电变异系数的修正项，DWAM在离散SNN中有效抑制高放电率导致的不稳定性，确保稳态调节的可行性与收敛性；

• 即插即用的稳态增强：DWAM可直接嵌入已训练的SNN中，在无需额外训练的情况下提升网络在动态避障、连续控制等任务中的稳态性能与环境适应能力。

该论文第一作者是大连理工大学博士研究生周运铎，指导教师是杨鑫教授。并由董博研究员（Cephia AI)、博士生李畅、王源琛、殷雪峰、王洋共同完成。

论文③

论文题目：AlignTrack: Top-Down Spatiotemporal Resolution Alignment for RGB-Event Visual Tracking

论文概述：针对长时感知过程中多模态视觉传感器（如事件相机与RGB相机）在时间与空间分辨率上存在异步与不匹配的问题，本文提出了一种适应性多模态时空对齐框架。该框架以高层注意力为引导，实现底层特征的动态对齐与融合，从而显著提升多模态长时感知过程中的鲁棒性与适应性。主要贡献如下：

• 自上而下多模态对齐策略：提出一种基于语义先验驱动的多模态对齐方法，通过高层语义注意力引导底层跨模态特征对齐与融合，显著提升异步模态间的时空一致性；

• 互信息约束语义一致性损失：设计基于互信息最大化的跨模态语义一致性损失函数，强化模态间的相关性与互补性，提升整体特征协同表达能力；

本文提出的 AlignTrack 适应性多模态对齐方法，在多种模态对齐与非对齐任务中均表现出优异的稳健性与泛化性。基于目标跟踪任务的验证结果表明，该方法在4个大规模RGBE基准与10类挑战性场景中均取得当前最优性能，充分验证了其在复杂动态环境中的广泛适用性。

该论文第一作者是大连理工大学硕士研究生孙传昱，指导教师是尹宝才教授和杨鑫教授。并由张吉庆副教授（大连海事大学），大连理工大学博士生王洋，王源琛，姜雨彤研究员（中国北方车辆研究所）共同完成。