（一）
管仁初教授、丰小月副教授和黄岚教授共同指导的2023级博士生刘永皓的论文“A Simple but Effective Approach for Unsupervised Few-Shot Graph Classification”被WWW2024收录。论文的其他作者包括2022级硕士生曹博雯，Fausto Giunchiglia教授和李熙铭教授，通讯作者是管仁初教授和丰小月副教授。
图分类是图数据分析中的一项重要任务，可以有效地从网络中提取信息和挖掘内容。最近，小样本图分类作为一项具有挑战性的任务，吸引了研究者的广泛关注。现有小样本图分类模型都是以监督范式进行学习。然而，由于其成本高昂，在实践中通常很难获得足够的标记数据。此外，这些模型通常采用复杂的元学习算法来从原始数据转移先验知识。为了摆脱这些限制，我们提出了一种简单而有效的方法，在不使用任何标记数据的情况下进行无监督少样本图分类。我们采用迁移学习范式来代替复杂元学习算法的设计。此外，还采用一种新颖的增强策略来扩展原始图数据，并对这些数据利用无监督预训练来获得优秀的图编码器。广泛的实验证明了我们提出方法的有效性，能够显著地领先有监督的少样本图分类模型。
（二）
计算机科学与技术学院杨博教授指导的2019级博士生张春旭的论文的论文“When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions”被WWW 2024录用。论文的第一作者为杨博教授指导的2019级博士生张春旭，通讯作者为杨博教授，合作者包括悉尼科技大学龙国栋教授和马里兰大学周天翼教授。
联邦推荐系统一般在服务器上训练全局模型，而无法直接访问用户在终端设备上保存的隐私数据。然而，推荐模型与用户隐私数据的分离给系统为用户提供高质量的服务带来了新的挑战，尤其是在冷启动推荐场景下，即，对新商品进行推荐。论文提出了一种新的方法来解决这个挑战，是联邦推荐研究中首次解决冷启动推荐任务的工作。该方法首先利用商品属性和交互记录同时学习两组商品表示，此外，论文设计了一种商品表示对齐机制，在联邦学习框架中对齐两组商品表示，并在服务器端学习一个元属性网络。在四个基准数据集上的实验结果表明，论文提出的方法在冷启动推荐场景下具有卓越的性能。此外，在面临客户端参与有限和噪声注入等具有挑战性的场景下，论文提出的方法展现出了出色的鲁棒性，进一步验证了在隐私保护增强的联邦推荐系统中具备强大的实际应用潜力。
WWW全称为国际万维网大会（International World Wide Web Conference），是CCF推荐的交叉学科领域A类会议。
