報(bào)告題目：大模型前沿科研應(yīng)用

報(bào)告人：繆浩、張子健、劉啟東、劉朗鳴、張春旭、鄭值、王茂林

報(bào)告時(shí)間：2025年10月25日（周六）上午8:30-14:00

報(bào)告地址：計(jì)算機(jī)大樓A105

報(bào)告主題一：基于大語(yǔ)言模型的跨模態(tài)時(shí)間序列分析

報(bào)告人：繆浩

時(shí)間：8:30-9:00

報(bào)告摘要：

邊緣設(shè)備的激增在不同領(lǐng)域產(chǎn)生了前所未有的時(shí)間序列數(shù)據(jù)量，催生了各種定制化方法。近年來(lái)，大型語(yǔ)言模型?(LLM)?利用文本數(shù)據(jù)和時(shí)間序列共享的序列特性，成為時(shí)間序列分析的新范式。然而，時(shí)間序列和?LLM?之間存在著根本性的跨模態(tài)差距，因?yàn)?LLM?是在文本語(yǔ)料庫(kù)上進(jìn)行預(yù)訓(xùn)練的，并非天生就針對(duì)時(shí)間序列進(jìn)行優(yōu)化。許多近期提案旨在解決這個(gè)問(wèn)題。在本綜述中，我們提供了基于?LLM?的時(shí)間序列分析跨模態(tài)建模的最新概述。我們首先介紹一種分類(lèi)法，該分類(lèi)法根據(jù)用于時(shí)間序列建模的文本數(shù)據(jù)類(lèi)型將現(xiàn)有方法分為四類(lèi)。然后，我們總結(jié)了關(guān)鍵的跨模態(tài)策略，例如對(duì)齊和融合，并討論了它們?cè)谝幌盗邢掠稳蝿?wù)中的應(yīng)用。此外，我們將在不同應(yīng)用領(lǐng)域的多模態(tài)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，以探索文本數(shù)據(jù)和跨模態(tài)策略的有效組合，從而增強(qiáng)時(shí)間序列分析。此外，我們將舉例說(shuō)明基于LLM的跨模態(tài)時(shí)間序列分析的最新進(jìn)展。最后，我們提出了幾個(gè)有前景的未來(lái)研究方向。

報(bào)告人簡(jiǎn)介：

繆浩，香港理工大學(xué)研究助理教授，2024年12月于丹麥奧爾堡大學(xué)獲得博士學(xué)位，導(dǎo)師為Christian?S.?Jensen教授。研究方向?yàn)闀r(shí)空數(shù)據(jù)挖掘，時(shí)間序列分析，軌跡管理與大語(yǔ)言模型。發(fā)表國(guó)際期刊和學(xué)術(shù)會(huì)議論文共40余篇，其中包含26篇CCF-A類(lèi)類(lèi)論文，如PVLDB，NeurIPS，SIGKDD，與TKDE等，相關(guān)成果部分填補(bǔ)了時(shí)間序列數(shù)據(jù)分析在流式場(chǎng)景與分布式場(chǎng)景下的應(yīng)用空白。常年擔(dān)任多個(gè)CCF-A類(lèi)會(huì)議的A領(lǐng)域主席與程序委員會(huì)成員，被邀請(qǐng)至多個(gè)全世界知名實(shí)驗(yàn)室訪(fǎng)問(wèn)并作口頭報(bào)告，如麻省理工大學(xué)MIT?Senseable?City?Lab與柏林工業(yè)大學(xué)TU?Berlin?DIMA/BIFOLD?Lab等。

報(bào)告主題二：時(shí)空數(shù)據(jù)挖掘的通用模式建模方法研究

報(bào)告人：張子健報(bào)告時(shí)間：9：00-9：30報(bào)告摘要：時(shí)空預(yù)測(cè)在交通、天氣、人口遷移等領(lǐng)域應(yīng)用廣泛，對(duì)城市規(guī)劃和災(zāi)害響應(yīng)等關(guān)鍵決策具有重大意義。然而，現(xiàn)有研究面臨著核心瓶頸：時(shí)空數(shù)據(jù)的固有復(fù)雜性、模式的多樣性，以及現(xiàn)有模型在處理通用規(guī)律時(shí)的靈活性和泛化性不足。本報(bào)告旨在系統(tǒng)性地解決這些挑戰(zhàn)。我們將首先確立通用時(shí)空模式建模的三個(gè)層次：多區(qū)域、多任務(wù)和多領(lǐng)域，并以此為基礎(chǔ)介紹本報(bào)告在每個(gè)層次的創(chuàng)新工作。具體而言，本文提出了跨層次圖卷積模型來(lái)挖掘多區(qū)域通用模式；設(shè)計(jì)了首個(gè)自適應(yīng)時(shí)空多任務(wù)學(xué)習(xí)框架來(lái)增強(qiáng)多任務(wù)通用模式的擬合；并構(gòu)建了基于?Transformer?和預(yù)訓(xùn)練-提示微調(diào)范式的模型，以高效學(xué)習(xí)和遷移多領(lǐng)域通用知識(shí)。此外，為解決現(xiàn)有模型復(fù)雜度高的問(wèn)題，我們還提出了一種具有線(xiàn)性時(shí)間復(fù)雜度的時(shí)空預(yù)測(cè)架構(gòu)。本報(bào)告通過(guò)系統(tǒng)性的通用模式建模方法，不僅顯著提高了數(shù)據(jù)利用效率和預(yù)測(cè)準(zhǔn)確性，也為時(shí)空數(shù)據(jù)挖掘的普適化應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ)。

報(bào)告人簡(jiǎn)介：

張子健博士現(xiàn)任吉林大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院助理教授/副研究員，博士生導(dǎo)師，香港中文大學(xué)榮譽(yù)訪(fǎng)問(wèn)學(xué)者。博士畢業(yè)于吉林大學(xué)和香港城市大學(xué)。他的研究方向包括推薦系統(tǒng)，大語(yǔ)言模型，時(shí)間序列分析，近三年在國(guó)際頂級(jí)會(huì)議/期刊（CCF-A/B）上發(fā)表學(xué)術(shù)論文30余篇，其中以第一作者/通訊作者發(fā)表論文9篇，谷歌學(xué)術(shù)總被引600余次，H-index為14。他作為主要講者在WWW?2025，KDD?2025，以及SSTD?2025上舉辦關(guān)于大語(yǔ)言模型推薦系統(tǒng)和人類(lèi)移動(dòng)性分析的講習(xí)班，受到領(lǐng)域?qū)W者的廣泛關(guān)注。他長(zhǎng)期擔(dān)任頂級(jí)會(huì)議執(zhí)委會(huì)成員和知名期刊審稿人。他曾擔(dān)任AAAI?2023和CIKM?2023分論壇主席，并多次在國(guó)際會(huì)議做口頭報(bào)告。主持博士后面上項(xiàng)目與全國(guó)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金等多項(xiàng)課題。

報(bào)告主題三：大語(yǔ)言模型增強(qiáng)的推薦系統(tǒng)：方法與進(jìn)展

報(bào)告人：劉啟東

報(bào)告時(shí)間：9:30-10:00

報(bào)告摘要：

隨著大語(yǔ)言模型在推理與理解能力上展現(xiàn)出的卓越性能，其已為推薦系統(tǒng)領(lǐng)域帶來(lái)了革命性影響。盡管已有研究探索利用LLM賦能推薦系統(tǒng)，但在實(shí)際應(yīng)用中，LLM的高延遲與高內(nèi)存成本構(gòu)成了嚴(yán)峻挑戰(zhàn)。為此，LLM增強(qiáng)的推薦系統(tǒng)作為一種新的范式應(yīng)運(yùn)而生，其核心思想是在推理階段避免對(duì)LLM的直接調(diào)用，從而將其高效地整合至在線(xiàn)推薦服務(wù)中。為系統(tǒng)性地梳理這一領(lǐng)域，本報(bào)告將對(duì)該領(lǐng)域的前沿進(jìn)展進(jìn)行介紹。本報(bào)告將首先闡明LLM增強(qiáng)推薦系統(tǒng)的背景與動(dòng)機(jī)，并基于LLM所作用的推薦系統(tǒng)核心模塊，提出了一套清晰的分類(lèi)框架，具體包括：（1）知識(shí)增強(qiáng)：利用LLM的外部知識(shí)豐富推薦內(nèi)容；（2）交互增強(qiáng)：借助LLM提升交互質(zhì)量；（3）模型增強(qiáng)：運(yùn)用LLM優(yōu)化推薦模型的核心結(jié)構(gòu)與能力。最后，本報(bào)告將總結(jié)當(dāng)前研究現(xiàn)狀，并展望若干具有潛力的未來(lái)研究方向。

報(bào)告人簡(jiǎn)介：

劉啟東，西安交通大學(xué)助理教授，西安交通大學(xué)青年優(yōu)秀人才支持計(jì)劃，隸屬于智能網(wǎng)絡(luò)與網(wǎng)絡(luò)空間安全教育部重點(diǎn)實(shí)驗(yàn)室。博士畢業(yè)于西安交通大學(xué)（導(dǎo)師：田鋒教授）和香港城市大學(xué)（導(dǎo)師：趙翔宇教授）。研究方向包括大語(yǔ)言模型、推薦系統(tǒng)、智慧醫(yī)療等。發(fā)表高水平期刊和會(huì)議論文近30篇，引用千余次。獲得授權(quán)發(fā)明專(zhuān)利1項(xiàng)，以第一/共同第一作者身份發(fā)表論文12篇，其中CCF-A類(lèi)7篇，高被引論文1篇。曾在國(guó)際頂級(jí)會(huì)議AAAI?2025和CIKM?2023擔(dān)任議程主席。在KDD，WWW，IJCAI等會(huì)議上多次組織以推薦系統(tǒng)為主題的Tutorial。擔(dān)任國(guó)際頂級(jí)會(huì)議ICML，ICLR，NeurIPS，KDD，SIGIR，WWW，IJCAI，AAAI，CIKM，RecSys以及國(guó)際權(quán)威期刊TPAMI，TKDE，TOIS，TKDD，TIST等審稿人。

報(bào)告主題四：?基于深度學(xué)習(xí)方法的用戶(hù)序列建模：從高效預(yù)測(cè)到個(gè)性化推薦

報(bào)告人：?劉朗鳴

報(bào)告時(shí)間：10:00-10:30

報(bào)告摘要：

用戶(hù)序列建模在各個(gè)實(shí)際應(yīng)用場(chǎng)景（如推薦系統(tǒng)、教育、醫(yī)療等）得到了廣泛的關(guān)注。用戶(hù)序列建模旨在從用戶(hù)歷史交互序列中提取用戶(hù)興趣和偏好，用于下游場(chǎng)景的特定任務(wù)中。隨著用戶(hù)的數(shù)量、序列長(zhǎng)度、特征急劇增加，傳統(tǒng)的建模方法不足以刻畫(huà)更為復(fù)雜的場(chǎng)景?；谏疃葘W(xué)習(xí)（DL-based）的方法，如MLP、RNN、GNN、Transformer等，能提取序列中的非線(xiàn)性、隱式、高階信息，對(duì)于復(fù)雜場(chǎng)景中的建模很有前景?；谏疃葘W(xué)習(xí)的用戶(hù)序列建模在實(shí)際應(yīng)用中面臨諸多挑戰(zhàn)，本次報(bào)告聚焦于推薦系統(tǒng)中的四個(gè)前沿挑戰(zhàn)：效率挑戰(zhàn)，決策挑戰(zhàn)，隱私挑戰(zhàn)，以及個(gè)性化挑戰(zhàn)。針對(duì)這些核心問(wèn)題，我們提供了對(duì)應(yīng)解決方案：（1）設(shè)計(jì)線(xiàn)性注意力機(jī)制，降低復(fù)雜度；（2）引入強(qiáng)化學(xué)習(xí)方法，優(yōu)化對(duì)長(zhǎng)期收益的決策能力；（3）引入聯(lián)邦學(xué)習(xí)方法，保護(hù)用戶(hù)隱私；（4）使用大模型增強(qiáng)對(duì)用戶(hù)的興趣感知，打破協(xié)同過(guò)濾帶來(lái)的信息繭房。圍繞這些前沿挑戰(zhàn)和解決方案，將提供一些對(duì)于現(xiàn)代推薦系統(tǒng)的見(jiàn)解和業(yè)界的期望。

報(bào)告人簡(jiǎn)介：

劉朗鳴，香港城市大學(xué)數(shù)據(jù)科學(xué)博士。本科畢業(yè)于北京航空航天大學(xué)應(yīng)用數(shù)學(xué)專(zhuān)業(yè)。現(xiàn)就職于淘天集團(tuán)未來(lái)生活實(shí)驗(yàn)室，從事算法研發(fā)工作，專(zhuān)注大模型訓(xùn)練及推薦/廣告相關(guān)應(yīng)用。研究興趣包括推薦系統(tǒng)（序列與高效推薦）、大語(yǔ)言模型（數(shù)據(jù)合成、評(píng)測(cè)與電商應(yīng)用增強(qiáng)）、聯(lián)邦學(xué)習(xí)（優(yōu)化與收斂理論）與強(qiáng)化學(xué)習(xí)。相關(guān)成果被SIGIR，KDD，CIKM，EMNLP等頂級(jí)會(huì)議接收，并曾受邀擔(dān)任NeurIPS，KDD，WWW及TKDE，TKDD等頂級(jí)會(huì)議與期刊審稿人。曾獲多項(xiàng)科研獎(jiǎng)學(xué)金與優(yōu)秀學(xué)術(shù)表現(xiàn)獎(jiǎng)。

報(bào)告主題五：個(gè)性化聯(lián)邦推薦系統(tǒng)研究

報(bào)告人：?張春旭

時(shí)間：10:30-11:00

報(bào)告摘要：

推薦系統(tǒng)通過(guò)挖掘用戶(hù)的歷史行為和興趣偏好，從海量信息中篩選出符合個(gè)人需求的內(nèi)容，已成為應(yīng)對(duì)信息過(guò)載和實(shí)現(xiàn)智能化服務(wù)的重要技術(shù)。然而，傳統(tǒng)推薦系統(tǒng)通常依賴(lài)集中式的數(shù)據(jù)收集和訓(xùn)練方式，引發(fā)了對(duì)數(shù)據(jù)安全與隱私保護(hù)的擔(dān)憂(yōu)，同時(shí)限制了模型在多樣化用戶(hù)群體中的個(gè)性化表達(dá)。聯(lián)邦學(xué)習(xí)框架為該問(wèn)題提供了新的解決思路。它通過(guò)在各客戶(hù)端本地執(zhí)行模型訓(xùn)練，僅共享模型參數(shù)而非原始數(shù)據(jù)，有效保護(hù)了用戶(hù)隱私。與此同時(shí)，聯(lián)邦學(xué)習(xí)以用戶(hù)為獨(dú)立建模單元，為個(gè)性化建模帶來(lái)了新的契機(jī)，使推薦系統(tǒng)能夠更好地捕捉個(gè)體差異與興趣變化，從而提供更加精準(zhǔn)和具有適應(yīng)性的推薦服務(wù)。本報(bào)告將圍繞個(gè)性化聯(lián)邦推薦系統(tǒng)展開(kāi)，介紹該方向的研究背景與基本框架，重點(diǎn)探討如何在分布式環(huán)境中實(shí)現(xiàn)隱私保護(hù)與個(gè)性化建模的有機(jī)融合。

報(bào)告人簡(jiǎn)介：

張春旭博士現(xiàn)任香港理工大學(xué)人工智能高等研究院博士后，博士畢業(yè)于吉林大學(xué)。她的研究方向包括聯(lián)邦學(xué)習(xí)，推薦系統(tǒng)，大小模型協(xié)同，近三年在國(guó)際頂級(jí)會(huì)議/期刊（CCF-A/B）上發(fā)表學(xué)術(shù)論文20余篇，其中以第一作者/通訊作者發(fā)表論文12篇，谷歌學(xué)術(shù)總被引400余次。她長(zhǎng)期擔(dān)任頂級(jí)會(huì)議執(zhí)委會(huì)成員和知名期刊審稿人，曾擔(dān)任WWW?2025分論壇主席，并多次在國(guó)際會(huì)議做口頭報(bào)告。

報(bào)告主題六：大模型驅(qū)動(dòng)的多智能體系統(tǒng)及其應(yīng)用

報(bào)告人：鄭值

報(bào)告時(shí)間：13:00-13:30

報(bào)告摘要：

近年來(lái)，大模型（Large?Language?Models,?LLMs）的快速發(fā)展為多智能體系統(tǒng)（Multi-Agent?Systems,?MAS）的智能協(xié)作與自主決策帶來(lái)了全新范式。傳統(tǒng)的多智能體系統(tǒng)主要依賴(lài)規(guī)則驅(qū)動(dòng)或強(qiáng)化學(xué)習(xí)機(jī)制，難以應(yīng)對(duì)復(fù)雜環(huán)境下的動(dòng)態(tài)變化與語(yǔ)義交互需求。而大模型具備強(qiáng)大的知識(shí)表達(dá)、語(yǔ)言理解與生成能力，使其在感知、推理、規(guī)劃與協(xié)同等方面為多智能體賦能，推動(dòng)系統(tǒng)從“算法協(xié)作”向“認(rèn)知協(xié)作”升級(jí)。本報(bào)告圍繞“大模型驅(qū)動(dòng)的多智能體系統(tǒng)及其應(yīng)用”展開(kāi)，系統(tǒng)梳理大模型與多智能體融合的研究背景，介紹其在架構(gòu)、通信協(xié)議、任務(wù)分解與角色分工上的核心思想，以及它們?cè)谧灾螞Q策與群體智能中的作用機(jī)制，并介紹研究組在推薦系統(tǒng)、自動(dòng)機(jī)器學(xué)習(xí)等領(lǐng)域應(yīng)用大模型多智能體系統(tǒng)的探索。

報(bào)告人簡(jiǎn)介：

鄭值，中國(guó)科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院博士后研究員，合作導(dǎo)師為陳恩紅教授。博士畢業(yè)于中國(guó)科學(xué)技術(shù)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院，師從熊輝教授和徐童教授。本科畢業(yè)于中國(guó)科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院英才班。在國(guó)內(nèi)外重要學(xué)術(shù)期刊和會(huì)議上發(fā)表論文30余篇，其中第一/通訊作者論文20余篇。曾獲得2025年度博士后創(chuàng)新人才支持計(jì)劃、COLING?2025?Outstanding?Paper?Award、2021年度騰訊犀牛鳥(niǎo)精英人才計(jì)劃獎(jiǎng)學(xué)金等獎(jiǎng)項(xiàng)，主持國(guó)家自然科學(xué)基金青年基金（C類(lèi)）、校青年創(chuàng)新基金等項(xiàng)目。現(xiàn)任安徽省人工智能學(xué)會(huì)大模型專(zhuān)委會(huì)秘書(shū)長(zhǎng)，曾擔(dān)任中國(guó)中文信息學(xué)會(huì)青年工作委員會(huì)學(xué)生執(zhí)委會(huì)副主任。

報(bào)告主題七：基于張量準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)

報(bào)告人：王茂林

報(bào)告時(shí)間：13:30-14:00

報(bào)告摘要：

本次報(bào)告提出了一種借助張量數(shù)學(xué)視角思考神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的新方法。不同于通過(guò)反復(fù)試錯(cuò)或遵循傳統(tǒng)模式構(gòu)建網(wǎng)絡(luò)，我們探索了張量結(jié)構(gòu)如何為更高效的架構(gòu)設(shè)計(jì)提供指導(dǎo)。張量作為矩陣的多維推廣形式，能夠自然地捕捉現(xiàn)實(shí)世界數(shù)據(jù)中的復(fù)雜關(guān)系?——?無(wú)論是圖像、視頻，還是圖結(jié)構(gòu)與語(yǔ)言數(shù)據(jù)。通過(guò)識(shí)別這些張量模式，并構(gòu)建符合該模式的網(wǎng)絡(luò)，我們可以開(kāi)發(fā)出兼具更高效率與更強(qiáng)性能的模型。報(bào)告將展示這種基于張量的思維方式如何在信號(hào)恢復(fù)、隱私保護(hù)學(xué)習(xí)、高效模型適配等領(lǐng)域催生出突破性解決方案。

報(bào)告人簡(jiǎn)介：

在電子科技大學(xué)獲得計(jì)算機(jī)科學(xué)與技術(shù)碩士學(xué)位。自2021年起，他在香港城市大學(xué)攻讀數(shù)據(jù)科學(xué)博士學(xué)位。他的研究興趣涵蓋機(jī)器學(xué)習(xí)、張量網(wǎng)絡(luò)、模型壓縮，大語(yǔ)言模型和特征融合等領(lǐng)域。他在A(yíng)AAI，WWW，ICDM，RecSys，SDM，IJCNN，ICONIP等CCF知名會(huì)議上發(fā)表了多篇文章，并擔(dān)任TNNLS，IEEE?Transactions?on?Big?Data，Neurocomputing，Neural?Networks，NeurIPS，CIKM等知名期刊和會(huì)議的審稿人。同時(shí)，他還受曾邀擔(dān)任CCF?A類(lèi)會(huì)議WWW?2024的智能推薦系統(tǒng)的Session主席，并獲得KDD?2025年Best?Paper?Award?Runner-up。