简介
结构模式识别与图机器学习是人工智能领域分析图数据或复杂网络的主要方法，能够有效挖掘与学习其内部蕴含的复杂结构模式信息，已在诸多领域获得广泛应用，是新一代人工智能重要研究方向。然而，当前研究依然面临一系列关键挑战与瓶颈，如：图表示学习的过平滑与过度压缩、模型的可解释性等。此外，近年大模型的冲击，正使得Graph+LLM成为该领域前沿焦点。为促进该领域学者深入交流，剖析当前理论瓶颈问题，进而提出推动该领域持续发展的新见解与新思考，本论坛邀请数位国内该领域一线知名领军与拔尖学者，分享其在理论研究与前沿交叉等方面的最新成果，并将讨论大语言模型如何挖掘图结构先验增强生成与推理能力、图模型怎样为LLM提供结构化索引与可解释推理链、大语言模型如何赋能结构模式识别领域的发展，以及多模态图基础模型的统一架构等前沿问题。本论坛是在CCF-AI 图机器学习学组的指导与支持下申办的，是学组年度学术活动的重要组成部分。
简介为官网原文，部分内容可能未写完。
人员
主席
- 白璐 · 北京师范大学人工智能学院
嘉宾
- 崔鹏 · 清华大学
- 魏哲巍 · 中国人民大学
- 刘淇 · 中国科学技术大学
- 江波 · 安徽大学
- 钱宇华 · 山西大学
- 黄华 · 北京师范大学人工智能学院
- 陈恩红 · 中国科学技术大学
- 于剑 · 北京交通大学
- 石川 · 北京邮电大学
- 曹飞龙 · 中国计量大学
- 崔丽欣 · 中央财经大学
- 李明 · 浙江师范大学
报告安排
图核神经网络：将传统结构模式相似性信息带回深度学习的探索与实践
白璐 · 北京师范大学人工智能学院
简介
本报告首先梳理了结构模式识别与图机器学习过往近40年的发展脉络，分析了不同阶段相关研究的理论特点。介绍了课题组在“图核函数”与“图神经网络”两个相关重要方向的研究成果，着重阐述了两者的理论特点与关联，以及两者当前交叉融合研究的现状，并介绍了课题组在图核神经网络理论研究的创新工作。最后，对未来进一步的研究进行了初步展望。
迈向结构化数据通用大模型
崔鹏 · 清华大学
简介
近年来，大语言模型在非结构化数据（如文本、图像）的理解与生成上取得了显著进展。然而，在构成现代社会经济运行基石的结构化数据领域，我们却面临着通用人工智能能力的缺失。当前基于专用模型的解决方案开发成本高昂、泛化能力弱，而直接将大语言模型应用于结构化数据，则暴露出其在数值推理、因果发现及分布外泛化等方面的严重局限。我们认为实现结构化数据通用大模型的核心挑战，在于如何将因果性与不变性学习融入大模型预训练范式。本报告中，讲者将重点介绍结构化数据通用大模型的前沿进展及其在工业场景中的应用前景，旨在推动AI范式从感知数据关联向理解结构化数据空间内在逻辑的“通用世界模型”转变，为应对高价值、高风险领域的智能预测和决策场景提供新的技术路径。
理解计算、自然与社会的结构化语言
魏哲巍 · 中国人民大学
简介
图是复杂世界的通用结构语言。无论是计算系统中的网络结构、自然科学中的分子与相互作用，还是社会科学中的关系网络与群体行为，图都为人工智能提供了理解、建模和推理复杂系统的统一视角。本报告将从图智能出发，介绍其在理论计算机、自然科学与社会科学中的最新进展，展示图方法如何连接算法基础、科学发现与社会模拟，并成为人工智能理解复杂世界的重要路径。
基于大模型智能体的图结构数据挖掘：从语义匹配到自主交互
刘淇 · 中国科学技术大学
简介
随着大模型演化为能够感知状态、调用工具并根据反馈持续决策的智能体，图数据挖掘正从静态的“语义匹配与排序”迈向动态的“自主探索与交互”。报告以开放学术文献及论文引用图搜索等科学数据挖掘场景为例，介绍相关探索研究。
深度图稀疏学习与鲁棒图模式识别
江波 · 安徽大学
简介
近年来，深度图学习神经网络模型，如图卷积神经网络、图注意力网络和图Transformer等，在结构模式识别任务中得到了广泛研究。尤其在半监督学习、社交网络分析、生物信息识别及视觉信息处理等任务上均展现出卓越性能。为增强图表示的鲁棒性和紧凑性，深度图稀疏学习近年来受到深入探索并应用于结构模式识别。本次报告将首先介绍深度图稀疏学习网络模型，随后结合本课题组近期的研究经历，分享深度图稀疏神经网络在鲁棒图模式识别任务中的部分研究成果。