近日，中国计算机学会 (CCF) 推荐A类国际信息检索顶级会议（Proceeding of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval）公布了长文（Full Paper）录用结果，我院2023级硕士研究生查全兴（导师柳欣教授）关于不确定性引导下的噪音关联跨模态检索研究成果(题为“UGNCL：Uncertainty-Guided Noisy Correspondence Learning for Efficient Cross-Modal Matching”）被录用为长文。ACM SIGIR是信息检索与数据挖掘领域的顶级会议，属于中国计算机学会推荐国际学术会议的最高A类等级，在学术界及业界均享有盛誉。根据会议官方统计，这次会议共收到1148篇长文投稿，其中有791篇有效长文投稿，仅有159篇长文被录用，录用率仅为20.1%。

跨模态匹配近年来在促进多模态数据检索方面备受关注，目前大多数现有研究在很大程度上依赖于语义对齐的训练样本数据对进行模型训练。然而，实际场景中搜集的训练样本难免会存在数据对不匹配的情况，即噪声关联问题，从而影响模型训练的稳定性。针对上述问题，查全兴的研究工作提出了一种有效的基于不确定性引导的噪声关联学习框架，以实现噪声鲁棒的跨模态匹配。具体来说，该工作提出的学习框架设计了一种新颖的不确定性引导的样本集划分算法，利用推导出的不确定性的潜在优势可靠地将含噪数据集划分为干净、含噪和困难三个部分，从而降低噪声数据对的影响。同时，设计了一种可信鲁棒损失进一步调整困难部分数据对的软边距，从而减轻噪声数据样本对模型鲁棒性的影响。该研究在三个公开数据集上进行了大量实验，突出了所提出框架的优越性能，并展示了与最国内外先进方法相比的竞争性。

该研究工作中，我校为第一完成单位，我院柳欣教授为通讯作者，香港浸会大学张晓明讲席教授，电子科技大学徐行教授、西安电子科技大学王楠楠教授以及厦门网宿有限公司曹建加研究员参与了该研究工作。该研究工作得到了福建省大数据智能与安全重点实验室，厦门市计算机视觉与模式识别重点实验室的实验设备支持。