实验室博士生张岩作为第一作者的论文《Towards Macro-AUC Oriented Imbalanced Multi-Label Continual Learning》被人工智能领域顶级国际会议AAAI 2025录用。该论文由张岩、吴国强（通讯作者）、王丙正、庞腾、孙皓亮、尹义龙（通讯作者）共同完成。AAAI（Association for the Advancement of Artificial Intelligence）是人工智能领域顶级会议之一，被中国计算机学会（CCF）列为A类国际学术会议。

多标签持续学习（Multi-Label Continual Learning, MLCL）致力于让模型持续学习新增标签的同时避免遗忘历史知识。传统方法在处理实际场景（如医疗影像诊断、金融风控）时面临双重挑战：一是标签内不平衡（如罕见疾病的正样本极少），二是标签间不平衡（不同标签样本量差异悬殊）。这些失衡导致模型在关键评估指标Macro-AUC上表现受限，而现有方法未能针对性优化这一指标。为解决这一难题，本文创新提出重加权标签分布感知边际损失（RLDAM）与权重保留更新（WRU）策略的双引擎框架。RLDAM首次将重加权机制与标签分布感知边界结合：为样本稀少的标签分配更大分类边界，并差异化调节正负样本权重；理论证明其Macro-AUC泛化界显著优于主流损失函数。配套的WRU策略则通过动态保留历史数据中每个标签的原始正负样本比例，避免重播过程扭曲数据分布。实验验证：在PASCAL-VOC、MSCOCO等标准数据集上持续学习10个任务时，该方法以88.69%的Macro-AUC刷新纪录（超越基线9%），同时将灾难性遗忘率降至2.05%。研究成果为医疗系统中动态学习新增疾病标签、自动驾驶持续识别新型障碍物等场景提供了理论保障与技术支撑。