图基础模型研究进展与应用｜CNCC Tutorial

个人简介：北京邮电大学二级教授、教育部长江学者特聘教授。主要研究方向:图机器学习、基础模型、科学智能；特别专注于图数据智能分析，进行理论、应用、平台、标准全链条研究。发表CCF A类论文100余篇，最佳论文5次，中英文专著与教材10余部，谷歌学术引用2.8万余次；授权发明专利50余项，相关研究成果应用于阿里、蚂蚁、腾讯、华为、美团等公司。研究成果获得中国电子学会科技进步一等奖和北京市自然科学二等奖等奖项。获得北京市高等学校师德先锋、思政名师和中国智能计算创新人物等称号。

[1] Graph Foundation Models: Concepts, Opportunities and Challenges. TPAMI 2025.

[2] Benchmarking Graph Foundation Models. KDD 2025.

演讲题目｜图基础模型概述

报告摘要｜我们将介绍图基础模型（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，我们将系统回顾当前为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。

个人简介：中国人民大学高瓴人工智能学院教授、博导、副院长，国家高层次人才，新一代智能搜索与推荐教育部工程研究中心副主任。2008年本科毕业于北京大学，2012年博士毕业于香港科技大学。研究人工智能与大数据基础算法，获PODS 2022时间检验奖、WAIC 2023青年优秀论文提名奖、VLDB 2024最佳论文提名奖，主持国家自然科学基金重点项目、科技部重大专项课题，任TPAMI编委。

[1] TIDFormer: Exploiting Temporal and Interactive Dynamics Makes A Great Dynamic Graph Transformer. KDD 2025.

[2] MotifAgent: Learning Molecular Assembly through Multi-Agent Collaboration for Chemical Language Understanding. ACL 2026.

演讲题目｜图学习新范式：从动态建模到智能体与生成模型

报告摘要｜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。

个人简介：北京邮电大学副教授，博士生导师，长期从事数据挖掘和自然语言处理相关方向的研究，发表相关领域CCF A类论文50余篇，谷歌学术被引2万余次，相关成果获2020年教育部自然科学奖一等奖等省部级奖励。获中国人工智能学会吴文俊青年科技奖，入选中国科协“青年人才托举工程”，任TMLR编委。

[1] Can Large Language Models Analyze Graphs like Professionals? A Benchmark and Dataset (NeurIPS 2024)

[2] CORONA: A Coarse-to-Fine Framework for Graph-based Recommendation with Large Language Models (SIGIR 2025)

演讲题目：大模型智能体技术引导下的图学习方法与应用

报告摘要：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、关系型数据库等领域中的应用。

个人简介：北京航空航天大学计算机学院副教授, 主要研究方向为图机器学习、智能体、网络信息空间大数据分析。已在TPAMI、TKDE、ICML、NeurIPS、ICLR、WWW、AAAI等国际顶级期刊会议发表CCF-A类论文50余篇，获国际服务质量顶级会议IWQoS 2022唯一最佳论文奖、国际数据挖掘顶级会议CIKM 2022最佳论文提名奖、ICDM 2021最佳论文候选、WWW最具影响力论文。获评中国电子学会青托、中国电子学会优博、ACM北京优博。担任国际著名期刊TPAMI、AIJ、TKDE等审稿人及国际顶级会议ICML、ICLR、NeurIPS等领域主席。获中国电子学会自然科学一等奖、教育部技术发明一等奖、公安部科学技术一等奖。

[1] RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation (WWW 2026)

[2] SA^ 2GFM: Enhancing Robust Graph Foundation Models with Structure-Aware Semantic Augmentation (AAAI 2026)

演讲题目｜图基础模型：从多域泛化到可信推理

报告摘要｜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。