4月23日至4月27日，ICLR 2026在巴西里约热内卢成功举办，电机系教授康重庆、副教授张宁团队论文被ICLR 2026接收，成为电机系历史上首篇被ICLR收录的论文。

会议介绍

国际表征学习大会（International Conference on Learning Representation, ICLR）是公认的深度学习领域国际顶级会议之一。ICLR于2013年由深度学习领域的两位权威专家、图灵奖获得者Yoshua Bengio和Yann LeCun牵头创办，与NeurIPS、ICML并称为机器学习领域的“三大顶级会议”，具有广泛的国际影响力。ICLR在谷歌学术Google Scholar的学术会议/期刊排名中位列第8，H5 index高达362，与Science，Nature和Cell同处TOP 10阵列。ICLR 2026共收到接近19,000份有效投稿，接收率约28%。

论文简介

研究工作的题目为：“Scalable and Adaptive Trust-Region Learning via Projection Convex Hull”，论文第一作者为电机系博士生贾宏阳，通讯作者为电机系副教授张宁与浙江大学研究员侯庆春，论文作者还包括电机系教授康重庆，电机系博士生杜博骏，香港大学博士后蔡啸。

随着新能源大规模并网和电力系统运行方式日益复杂，电网安全稳定分析与优化决策正面临更高维度、更强不确定性和更严格实时性的挑战。在电力系统运行优化、规划决策和安全约束学习等任务中，研究者通常需要从大量历史运行样本或仿真样本中提取安全稳定边界，并将其进一步嵌入调度、控制与规划模型之中。如何从海量运行样本中提取安全稳定规则，并将其真正服务于调度优化与规划决策，已成为人工智能与电力系统交叉研究的重要方向。

然而，数据驱动方法学习的安全约被进一步嵌入优化模型后，最优解常常会被推向训练样本覆盖不足的区域，导致模型在关键边界附近的可信性下降。尤其对于电力系统这类对安全性要求极高的场景而言，仅追求样本上的平均拟合精度还不够，更关键的是明确约束在什么区域内是“可信”的、能够在优化中稳定发挥作用。基于这一认识，团队进一步聚焦于可信域学习问题，探索如何为数据驱动安全约束提供可靠的作用边界。

在分类预测、约束学习和决策优化等任务中，凸包常被用来刻画数据边界或作为可信域，限定预测模型或优化决策的可靠工作范围。然而，在高维海量样本的场景下，如何从数据中学习一个既紧致又可信的凸包，提升优化决策的可靠性仍然面临巨大挑战。一方面，传统凸包学习方法在高维空间中计算复杂度急剧上升，且难以控制凸包的结构；另一方面，现有约束学习方法往往侧重训练样本分布上的拟合效果，忽视了约束学习模型在优化决策最优解附近的内嵌效果。当这些约束或凸包被嵌入优化模型时，优化解往往会被推向训练数据稀疏甚至未覆盖的区域，导致边界在优化解附近失效。因此，如何学习一个在优化决策中真正起作用、并且在关键区域具有可信性的凸包结构，是约束学习与可信优化决策中亟需解决的问题。

凸可信域学习方法PCH框架

针对上述挑战，本文提出了投影凸包（Projection Convex Hull, PCH）方法，从理论和算法两个层面统一建模约束学习的凸可信域。团队从刻画最紧凸包的混合整数非线性规划建模出发，推导出适用于梯度下降的无约束优化目标，并证明在合适的权重条件下无约束优化目标与混合整数非线性规划的等价性。在此基础上，PCH 通过子区域划分、权重分配与梯度更新，自适应且并行地构建支撑超平面，学习得到紧密包围正类、有效排除负类的多面体凸包。该凸包可作为可信域显式嵌入后续约束学习与内嵌优化的过程中，从而将决策限制在数据支持的范围内。大量实验结果表明，PCH 在准确性、可扩展性和模型紧致性方面均显著优于传统几何方法和优化方法，尤其在高维和海量样本的场景下表现突出，验证了其作为可信域建模与约束学习基础工具的有效性。PCH 所提取的可信域可用于电力系统安全稳定规则提取，并直接转化为凸约束嵌入优化模型，在保障安全边界准确性的同时提升求解效率。此外，该可信域亦可作为关键训练基础，为其他人工智能模型的训练提供高质量边界样本，以降低模型复杂度，实现参数的有效精简。

清华大学电机系博士生贾宏阳、杜博骏赴巴西参加ICLR 2026国际会议

论文代码：https://github.com/IDO-Lab/trust-region-pch

论文链接：https://openreview.net/forum?id=Kjcs0xJxdg

延申阅读

康重庆教授与张宁副教授团队深耕人工智能与电力系统交叉研究，团队最新观点性成果《电力系统大模型的关键科学问题、挑战与展望》在《中国电机工程学报》发表，发表三个月以来CNKI下载量1600余次，微文点击量9000余次。受邀在在IEEE旗舰期刊Proceedings of the IEEE上发表电力系统规划和运行中安全稳定规则学习与内嵌的研究“Data-driven Security and Stability Rule in High Renewable Penetrated Power System Operation”。