2025年4月1日，神经网络与人工智能领域顶级国际会议The 35th International Joint Conference on Neural Networks（IJCNN2025）论文录用结果揭晓，MMRC实验室团队在自适应谐振原理聚类的初始化无关性增强、个性化扩散模型研究方向的成果共计两篇论文被该会议录用。会议计划于2025年6月30日至7月5日在意大利罗马举办。IJCNN是IEEE计算智能学会（CIS）和国际神经网络学会（INNS）联合主办的神经网络领域权威会议，也是中国计算机学会（CCF）推荐的C类国际学术会议，在神经网络、深度学习和计算智能领域具有重要影响力。这次会议共收到5404篇有效投稿，录用率约40%。

论文名称：Towards Initialization-Agnostic Clustering with Iterative Adaptive Resonance Theory

论文作者：曲晓峥（山东大学）, 李照川（浪潮软件科技）, 齐壮（山东大学）, 李祥（山东大学）, 黄海北（浪潮软件科技）, 孟雷*（山东大学）, 孟祥旭（山东大学）

论文简介：模糊自适应谐振原理（Fuzzy ART）的聚类性能高度依赖于用户初始化的警戒参数，其值的偏差可能导致聚类结果的显著波动，严重限制了该算法在非专业用户中的实用性。现有的方法通常通过自适应机制（如粒子群优化和模糊逻辑规则）来增强警戒参数的鲁棒性。然而，这些方法往往引入了额外的超参数或复杂的框架，违背了原本算法的简洁性。为了解决这一问题并同时保留算法简洁易用性，本文对Fuzzy ART进行改进，提出了IR-ART算法。该算法将三个关键模块集成到一个统一的迭代框架中：（1）簇稳定性检测：一个动态稳定性检测模块，通过分析迭代过程中簇所含样本量的变化来识别不稳定簇；（2）不稳定簇删除：一个创新性的修剪模块，用于去除低质量簇；（3）警戒区域扩展：通过警戒区域扩展机制，自适应地调整相似度阈值。独立于具体的聚类执行，这三个阶段依次聚焦于分析迭代过程中的隐含知识，调整权重和调整警戒参数，为下一次迭代奠定基础。实验结果表明，IR-ART具备较强的对非最优警戒参数值的容忍度，同时保持了Fuzzy ART的简洁易用性。案例分析部分通过可视化聚类过程，同样确认了该算法通过迭代实现自我优化自我适应的能力。综上，IR-ART为算法的初始化无关研究做出了贡献，特别适合资源受限场景中的非专家用户使用。

图：IR-ART算法框架图

arxiv链接：https://export.arxiv.org/abs/2505.04440

github链接：https://github.com/xiaozhengqu/IR-ART

论文名称：LLM-Enabled Style and Content Regularization for Personalized Text-to-Image Generation

论文作者：余桉然（山东大学）, 冯威（山东大学）, 张尧臣（浪潮软件科技）, 李祥（山东大学）, 孟雷*（山东大学）, 武蕾*（山东大学），孟祥旭（山东大学）

论文简介:随着Stable Diffusion的出现，个性化文本到图像生成技术取得了迅速发展。现有方法通常通过嵌入标识符对模型进行微调，但由于文本可控性降低，往往存在风格化不足和图像内容不准确的问题。本文提出了风格细化与内容保持策略。其中，风格细化策略借助视觉推理提示和参考图像的语义信息对风格嵌入进行优化，从而实现对风格信息更精确、更一致的表达；而内容保持策略则通过保持模型的泛化能力来解决内容偏差问题，既提升了文本可控性，又不牺牲风格化效果。通过在标准数据集Jittor Dataset和风格化基准测试集style 30K上的实验结果表明，本方法能够有效建立文本描述与视觉风格精准映射关系，并通过风格细化与内容保留双重优化机制显著提升生成质量。

图：ConStyDiffusion框架图

arxiv链接：https://arxiv.org/abs/2504.00850

github链接：https://github.com/ffww11/LLM-Enabled-Style-and-Content-Regularization-for-Personalized-Text-to-Image-Generation