近日，自然语言处理领域的顶级国际会议ACL 2026论文录用结果揭晓，华中科技大学认知计算与智能信息处理实验室共有3篇论文被录用。The 64nd Annual Meeting of the Association for Computational Linguistics (ACL 2026)是计算机视觉领域的顶级国际会议，是中国计算机学会CCF推荐的A类国际学术会议。ACL 2026计划于2026年7月2日至7日在美国加利福尼亚州圣地亚哥市召开。这次ACL 2026 共有12,148篇投稿，最终2308篇被主会录用 (录用率19%)+2186篇论文被Findings录用(录取率18%)。
1. 论文标题： FusionFlow: Enabling Deep Structural Exploration for Automated Agentic Workflow Generation
作者：Xiang Wang (25级硕), Zongtao Yang (25级硕), Zhuojian Hong (23级本), Shuhao Zhang, Wei Wei* (指导老师)
内容简介：
智能体工作流（Agentic workflows）作为指导大语言模型解决复杂推理任务的关键技术，其自动化生成（Automated workflow generation）方法一直是学术界关注的焦点。然而，现有方法主要依赖于对单一工作流的逐步局部优化或树形搜索策略，这种渐进式演化范式在有限的优化预算下严重制约了工作流结构的探索深度，难以发现需要复杂组合结构的深度工作流，成为制约智能体推理能力提升的技术瓶颈。针对这一挑战，我们提出了FusionFlow——一个以工作流融合（workflow fusion）为核心的自动化工作流生成框架。与传统的单步增量优化方法不同，FusionFlow创新性地通过融合多个独立演化的工作流来实现工作流复杂度的跨越式提升，从而在有限预算内有效探索工作流空间中更深的区域。为确保融合过程的有效性和适应性，FusionFlow整合了三大核心技术组件：局部优化（local optimization）确保融合后工作流的基础性能，针对不同任务的差异化（task-specific differentiation）增强工作流的领域适应性，以及动态调度机制（dynamic scheduling mechanism）实现工作流执行的高效管理。在六个推理基准测试上的系统性实验表明，FusionFlow在性能上显著优于现有的自动化工作流生成方法，展现了其在复杂推理任务中的优越性。进一步的消融实验和深入分析证实，FusionFlow的核心工作流融合机制是驱动工作流空间深度探索的关键因素，这不仅验证了基于融合的探索策略的有效性，更为克服自动化工作流生成中的深度限制提供了新的技术路径。
图1：FusionFlow 的整体架构图
2. 论文标题：SMART: Semantic Header Flattening and Pseudo-Code-Style Reasoning for LLM-based Complex Table Question Answering
作者：Yongshuo Zhang (24级硕), Jixiong Chen, Kaihe Xu, Wei Wei*(指导老师), Shihao Zou
内容简介：
目前，复杂表格问答（Table Question Answering, TQA）任务因其在金融分析、商业智能、政务数据处理等现实场景中的广泛应用而备受关注。然而，现实世界中的表格往往采用面向人类阅读的多级表头设计，蕴含碎片化的层次语义结构，这给大语言模型（LLMs）的推理能力带来严峻挑战——模型难以精准对齐行列数据，导致复杂推理任务的准确率显著下降。针对这一核心难题，我们提出了统一框架SMART（Structured Multi-stage Adaptive Reasoning for Tables），创新性地将表格结构理解与推理执行过程进行显式解耦，实现了复杂表格问答性能的突破性提升。SMART由三阶段协同架构组成：（1）语义表头展平模块将多级表头转换为显式的单层描述符；（2）全局理解模块深度融合表格内容与问题语义；（3）伪代码风格推理模块引入结构化逐步推理范式，结合外部计算及排序验证机制，确保复杂逻辑推理的严谨性，显著提升了模型在复杂推理任务中的准确性与鲁棒性。在HiTab、AIT-QA等多个权威基准数据集上的实验表明，SMART框架在各项评价指标上均取得SOTA性能，该研究成果为复杂结构化数据的理解与推理提供了新的技术范式。
图2：SMART模型框架图
3. 论文标题：DEAR: Distributional Error-Aware Reliability for Robust Multimodal Sentiment Analysis with Missing Modalities
作者：Shihao Zou (24级博), Wei Wei*(指导老师), Yongshuo Zhang
内容简介：
在人工智能飞速发展的今天，多模态情感分析（Multimodal Sentiment Analysis, MSA）正成为连接人与机器情感认知的重要桥梁。通过融合文本、语音、视觉等多种模态信息，MSA能够更全面、准确地识别和理解人类复杂的情感状态，在智慧医疗、智能客服、人机交互等领域展现出巨大应用潜力。然而，在实际应用场景中，一个长期困扰研究者的关键挑战——模态缺失问题，正严重制约着MSA技术的落地效果。现有方法虽致力于特征补全，却往往忽视了分布差异引发的语义偏移以及高不确定性条件下的决策错误，导致模型性能显著下降。为此，提出了分布误差感知的可靠性（DEAR）估计框架，旨在实现更加稳健的多模态情感分析。具体而言，该框架包含三个核心组件：首先，设计基于分布约束的重建模块（HDCR），通过显式对齐重建特征与原始分布流形，有效抑制语义偏移；其次，引入可靠性评估模块（SURE），定量度量重建置信度，为协同鲁棒双流架构（SR-DS）提供可靠性驱动的门控信号。SURE通过感知模态内在不确定性实现权重动态分配：在信息完备场景下强化跨模态协同，在模态高缺失条件下则自适应切换至稳健推理路径，从而保障情感预测的准确性与稳定性。在MOSI、MOSEI与SIMS基准数据集上的广泛实验表明，DEAR不仅取得优异性能，其决策机制亦具备高可靠性与可解释性。
图3：DEAR模型框架图