简介
图作为人工智能数据生态中的重要组成部分，其机器学习技术经历了从浅层方法到深度模型的演进。与此同时，基础模型在自然语言处理等领域取得了巨大成功，其强大的涌现能力与泛化能力引发了图机器学习研究者的浓厚兴趣，促使人们开始探讨下一代图学习范式的构建：即在大规模图数据上进行预训练，进而适配于多种下游图任务。在本次讲习班中，我们将系统介绍“图基础模型”的研究进展与应用。首先阐述图基础模型的概念内涵、关键特性与核心支撑技术，随后分类梳理该方向的研究工作，对发展现状进行全面分析与深入解读，最后展望这一快速发展领域的未来研究方向与潜在应用前景。
简介为官网原文，部分内容可能未写完。
人员
嘉宾
- 石川 · 北京邮电大学
- 魏哲巍 · 中国人民大学
- 杨成 · 北京邮电大学
- 孙庆赟 · 北京航空航天大学
报告安排
图基础模型概述
石川 · 北京邮电大学
简介
报告将介绍图基础模型（Graph Foundation Models, GFMs）的概念，全面阐述其关键特性与相关支撑技术。随后，报告将系统回顾当前为GFMs奠定基础的相关研究工作，并根据其起源分类介绍：基于图神经网络的方法、基于大语言模型的方法，以及融合两者优势的混合范式。最后，介绍图基础模型的典型应用场景。
图基础模型：从静态表示学习到动态世界建模
魏哲巍 · 中国人民大学
简介
随着人工智能进入以大模型和智能体为核心的新阶段，图学习正在经历深刻的范式转变。本报告提出一个统一视角：图学习正从传统的静态表示学习，迈向面向动态世界的建模能力、以智能体为核心的交互能力，以及具备内容与结构生成能力的新阶段。我们将结合最新研究进展，展示这一转变如何重塑图学习在推荐系统、社会模拟与复杂系统建模中的角色。
图基础模型：从基座学习到智能应用
杨成 · 北京邮电大学
简介
大语言模型技术目前已展现出推理、规划、工具使用等诸多类人智能，可作为智能体的大脑自动化地处理各种复杂任务，广泛应用于以文本处理为核心的诸多场景。在本次报告中，我们将介绍大语言模型技术与图学习相结合的最新研究进展，介绍相关技术在推荐系统、关系型数据等领域中的应用。
图基础模型：从多域泛化到可信推理
孙庆赟 · 北京航空航天大学
简介
图数据广泛存在于现实世界的各类关系结构中，大量关键问题的求解都依赖于对结构、语义与动态关系的协同建模。在大模型技术快速演进的背景下，图机器学习也正在从面向单一数据集和任务的图神经网络，走向可跨领域迁移、可结合外部知识、可支持复杂推理的图基础模型。图基础模型通过大规模预训练与跨域迁移范式，正在重塑图学习的技术边界。本报告将重点讨论三个问题：图基础模型如何在多领域图数据之间实现有效泛化；如何通过结构语义增强和检索增强生成等机制提升模型的推理能力；如何识别并应对数据隐私泄露、后门攻击等可信风险。报告将结合近期研究工作对图基础模型的未来研究方向进行展望，旨在为构建新一代图智能系统提供思路。