報告題目：大模型前沿科研應用

報告人：繆浩、張子健、劉啟東、劉朗鳴、張春旭、鄭值、王茂林

報告時間：2025年10月25日（周六）上午8:30-14:00

報告地址：計算機大樓A105

報告主題一：基于大語言模型的跨模態(tài)時間序列分析

報告人：繆浩

時間：8:30-9:00

報告摘要：

邊緣設備的激增在不同領域產生了前所未有的時間序列數據量，催生了各種定制化方法。近年來，大型語言模型?(LLM)?利用文本數據和時間序列共享的序列特性，成為時間序列分析的新范式。然而，時間序列和?LLM?之間存在著根本性的跨模態(tài)差距，因為?LLM?是在文本語料庫上進行預訓練的，并非天生就針對時間序列進行優(yōu)化。許多近期提案旨在解決這個問題。在本綜述中，我們提供了基于?LLM?的時間序列分析跨模態(tài)建模的最新概述。我們首先介紹一種分類法，該分類法根據用于時間序列建模的文本數據類型將現有方法分為四類。然后，我們總結了關鍵的跨模態(tài)策略，例如對齊和融合，并討論了它們在一系列下游任務中的應用。此外，我們將在不同應用領域的多模態(tài)數據集上進行實驗，以探索文本數據和跨模態(tài)策略的有效組合，從而增強時間序列分析。此外，我們將舉例說明基于LLM的跨模態(tài)時間序列分析的最新進展。最后，我們提出了幾個有前景的未來研究方向。

報告人簡介：

繆浩，香港理工大學研究助理教授，2024年12月于丹麥奧爾堡大學獲得博士學位，導師為Christian?S.?Jensen教授。研究方向為時空數據挖掘，時間序列分析，軌跡管理與大語言模型。發(fā)表國際期刊和學術會議論文共40余篇，其中包含26篇CCF-A類類論文，如PVLDB，NeurIPS，SIGKDD，與TKDE等，相關成果部分填補了時間序列數據分析在流式場景與分布式場景下的應用空白。常年擔任多個CCF-A類會議的A領域主席與程序委員會成員，被邀請至多個全世界知名實驗室訪問并作口頭報告，如麻省理工大學MIT?Senseable?City?Lab與柏林工業(yè)大學TU?Berlin?DIMA/BIFOLD?Lab等。

報告主題二：時空數據挖掘的通用模式建模方法研究

報告人：張子健報告時間：9：00-9：30報告摘要：時空預測在交通、天氣、人口遷移等領域應用廣泛，對城市規(guī)劃和災害響應等關鍵決策具有重大意義。然而，現有研究面臨著核心瓶頸：時空數據的固有復雜性、模式的多樣性，以及現有模型在處理通用規(guī)律時的靈活性和泛化性不足。本報告旨在系統(tǒng)性地解決這些挑戰(zhàn)。我們將首先確立通用時空模式建模的三個層次：多區(qū)域、多任務和多領域，并以此為基礎介紹本報告在每個層次的創(chuàng)新工作。具體而言，本文提出了跨層次圖卷積模型來挖掘多區(qū)域通用模式；設計了首個自適應時空多任務學習框架來增強多任務通用模式的擬合；并構建了基于?Transformer?和預訓練-提示微調范式的模型，以高效學習和遷移多領域通用知識。此外，為解決現有模型復雜度高的問題，我們還提出了一種具有線性時間復雜度的時空預測架構。本報告通過系統(tǒng)性的通用模式建模方法，不僅顯著提高了數據利用效率和預測準確性，也為時空數據挖掘的普適化應用奠定了堅實的基礎。

報告人簡介：

張子健博士現任吉林大學計算機科學與技術學院助理教授/副研究員，博士生導師，香港中文大學榮譽訪問學者。博士畢業(yè)于吉林大學和香港城市大學。他的研究方向包括推薦系統(tǒng)，大語言模型，時間序列分析，近三年在國際頂級會議/期刊（CCF-A/B）上發(fā)表學術論文30余篇，其中以第一作者/通訊作者發(fā)表論文9篇，谷歌學術總被引600余次，H-index為14。他作為主要講者在WWW?2025，KDD?2025，以及SSTD?2025上舉辦關于大語言模型推薦系統(tǒng)和人類移動性分析的講習班，受到領域學者的廣泛關注。他長期擔任頂級會議執(zhí)委會成員和知名期刊審稿人。他曾擔任AAAI?2023和CIKM?2023分論壇主席，并多次在國際會議做口頭報告。主持博士后面上項目與全國重點實驗室開放基金等多項課題。

報告主題三：大語言模型增強的推薦系統(tǒng)：方法與進展

報告人：劉啟東

報告時間：9:30-10:00

報告摘要：

隨著大語言模型在推理與理解能力上展現出的卓越性能，其已為推薦系統(tǒng)領域帶來了革命性影響。盡管已有研究探索利用LLM賦能推薦系統(tǒng)，但在實際應用中，LLM的高延遲與高內存成本構成了嚴峻挑戰(zhàn)。為此，LLM增強的推薦系統(tǒng)作為一種新的范式應運而生，其核心思想是在推理階段避免對LLM的直接調用，從而將其高效地整合至在線推薦服務中。為系統(tǒng)性地梳理這一領域，本報告將對該領域的前沿進展進行介紹。本報告將首先闡明LLM增強推薦系統(tǒng)的背景與動機，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框架，具體包括：（1）知識增強：利用LLM的外部知識豐富推薦內容；（2）交互增強：借助LLM提升交互質量；（3）模型增強：運用LLM優(yōu)化推薦模型的核心結構與能力。最后，本報告將總結當前研究現狀，并展望若干具有潛力的未來研究方向。

報告人簡介：

劉啟東，西安交通大學助理教授，西安交通大學青年優(yōu)秀人才支持計劃，隸屬于智能網絡與網絡空間安全教育部重點實驗室。博士畢業(yè)于西安交通大學（導師：田鋒教授）和香港城市大學（導師：趙翔宇教授）。研究方向包括大語言模型、推薦系統(tǒng)、智慧醫(yī)療等。發(fā)表高水平期刊和會議論文近30篇，引用千余次。獲得授權發(fā)明專利1項，以第一/共同第一作者身份發(fā)表論文12篇，其中CCF-A類7篇，高被引論文1篇。曾在國際頂級會議AAAI?2025和CIKM?2023擔任議程主席。在KDD，WWW，IJCAI等會議上多次組織以推薦系統(tǒng)為主題的Tutorial。擔任國際頂級會議ICML，ICLR，NeurIPS，KDD，SIGIR，WWW，IJCAI，AAAI，CIKM，RecSys以及國際權威期刊TPAMI，TKDE，TOIS，TKDD，TIST等審稿人。

報告主題四：?基于深度學習方法的用戶序列建模：從高效預測到個性化推薦

報告人：?劉朗鳴

報告時間：10:00-10:30

報告摘要：

用戶序列建模在各個實際應用場景（如推薦系統(tǒng)、教育、醫(yī)療等）得到了廣泛的關注。用戶序列建模旨在從用戶歷史交互序列中提取用戶興趣和偏好，用于下游場景的特定任務中。隨著用戶的數量、序列長度、特征急劇增加，傳統(tǒng)的建模方法不足以刻畫更為復雜的場景。基于深度學習（DL-based）的方法，如MLP、RNN、GNN、Transformer等，能提取序列中的非線性、隱式、高階信息，對于復雜場景中的建模很有前景。基于深度學習的用戶序列建模在實際應用中面臨諸多挑戰(zhàn)，本次報告聚焦于推薦系統(tǒng)中的四個前沿挑戰(zhàn)：效率挑戰(zhàn)，決策挑戰(zhàn)，隱私挑戰(zhàn)，以及個性化挑戰(zhàn)。針對這些核心問題，我們提供了對應解決方案：（1）設計線性注意力機制，降低復雜度；（2）引入強化學習方法，優(yōu)化對長期收益的決策能力；（3）引入聯(lián)邦學習方法，保護用戶隱私；（4）使用大模型增強對用戶的興趣感知，打破協(xié)同過濾帶來的信息繭房。圍繞這些前沿挑戰(zhàn)和解決方案，將提供一些對于現代推薦系統(tǒng)的見解和業(yè)界的期望。

報告人簡介：

劉朗鳴，香港城市大學數據科學博士。本科畢業(yè)于北京航空航天大學應用數學專業(yè)。現就職于淘天集團未來生活實驗室，從事算法研發(fā)工作，專注大模型訓練及推薦/廣告相關應用。研究興趣包括推薦系統(tǒng)（序列與高效推薦）、大語言模型（數據合成、評測與電商應用增強）、聯(lián)邦學習（優(yōu)化與收斂理論）與強化學習。相關成果被SIGIR，KDD，CIKM，EMNLP等頂級會議接收，并曾受邀擔任NeurIPS，KDD，WWW及TKDE，TKDD等頂級會議與期刊審稿人。曾獲多項科研獎學金與優(yōu)秀學術表現獎。

報告主題五：個性化聯(lián)邦推薦系統(tǒng)研究

報告人：?張春旭

時間：10:30-11:00

報告摘要：

推薦系統(tǒng)通過挖掘用戶的歷史行為和興趣偏好，從海量信息中篩選出符合個人需求的內容，已成為應對信息過載和實現智能化服務的重要技術。然而，傳統(tǒng)推薦系統(tǒng)通常依賴集中式的數據收集和訓練方式，引發(fā)了對數據安全與隱私保護的擔憂，同時限制了模型在多樣化用戶群體中的個性化表達。聯(lián)邦學習框架為該問題提供了新的解決思路。它通過在各客戶端本地執(zhí)行模型訓練，僅共享模型參數而非原始數據，有效保護了用戶隱私。與此同時，聯(lián)邦學習以用戶為獨立建模單元，為個性化建模帶來了新的契機，使推薦系統(tǒng)能夠更好地捕捉個體差異與興趣變化，從而提供更加精準和具有適應性的推薦服務。本報告將圍繞個性化聯(lián)邦推薦系統(tǒng)展開，介紹該方向的研究背景與基本框架，重點探討如何在分布式環(huán)境中實現隱私保護與個性化建模的有機融合。

報告人簡介：

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

報告主題六：大模型驅動的多智能體系統(tǒng)及其應用

報告人：鄭值

報告時間：13:00-13:30

報告摘要：

近年來，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)作與自主決策帶來了全新范式。傳統(tǒng)的多智能體系統(tǒng)主要依賴規(guī)則驅動或強化學習機制，難以應對復雜環(huán)境下的動態(tài)變化與語義交互需求。而大模型具備強大的知識表達、語言理解與生成能力，使其在感知、推理、規(guī)劃與協(xié)同等方面為多智能體賦能，推動系統(tǒng)從“算法協(xié)作”向“認知協(xié)作”升級。本報告圍繞“大模型驅動的多智能體系統(tǒng)及其應用”展開，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、通信協(xié)議、任務分解與角色分工上的核心思想，以及它們在自治決策與群體智能中的作用機制，并介紹研究組在推薦系統(tǒng)、自動機器學習等領域應用大模型多智能體系統(tǒng)的探索。

報告人簡介：

鄭值，中國科學技術大學計算機學院博士后研究員，合作導師為陳恩紅教授。博士畢業(yè)于中國科學技術大學人工智能與數據科學學院，師從熊輝教授和徐童教授。本科畢業(yè)于中國科學技術大學計算機學院英才班。在國內外重要學術期刊和會議上發(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)新人才支持計劃、COLING?2025?Outstanding?Paper?Award、2021年度騰訊犀牛鳥精英人才計劃獎學金等獎項，主持國家自然科學基金青年基金（C類）、校青年創(chuàng)新基金等項目。現任安徽省人工智能學會大模型專委會秘書長，曾擔任中國中文信息學會青年工作委員會學生執(zhí)委會副主任。

報告主題七：基于張量準則的神經網絡

報告人：王茂林

報告時間：13:30-14:00

報告摘要：

本次報告提出了一種借助張量數學視角思考神經網絡設計的新方法。不同于通過反復試錯或遵循傳統(tǒng)模式構建網絡，我們探索了張量結構如何為更高效的架構設計提供指導。張量作為矩陣的多維推廣形式，能夠自然地捕捉現實世界數據中的復雜關系?——?無論是圖像、視頻，還是圖結構與語言數據。通過識別這些張量模式，并構建符合該模式的網絡，我們可以開發(fā)出兼具更高效率與更強性能的模型。報告將展示這種基于張量的思維方式如何在信號恢復、隱私保護學習、高效模型適配等領域催生出突破性解決方案。

報告人簡介：

在電子科技大學獲得計算機科學與技術碩士學位。自2021年起，他在香港城市大學攻讀數據科學博士學位。他的研究興趣涵蓋機器學習、張量網絡、模型壓縮，大語言模型和特征融合等領域。他在AAAI，WWW，ICDM，RecSys，SDM，IJCNN，ICONIP等CCF知名會議上發(fā)表了多篇文章，并擔任TNNLS，IEEE?Transactions?on?Big?Data，Neurocomputing，Neural?Networks，NeurIPS，CIKM等知名期刊和會議的審稿人。同時，他還受曾邀擔任CCF?A類會議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。