报告摘要:基于既有背景知识、环境信息及历史行为推演出全新的、高价值知识,是搜索推荐、金融风控、医疗诊断以及军事决策等领域的核心能力。随着大型语言模型(Large Language Model,LLM)的快速发展,借助其强大的推理能力从复杂信息中挖掘潜在知识,已成为当前研究的重点。然而,LLM庞大的参数规模导致其在资源受限场景中难以直接部署与应用。针对这一挑战,课题组提出了一套基于大小模型协同的知识推理算法体系,包括面向轻量模型的自适应思考推理、结合跳跃思考与潜层思维链的高效推理机制以及以思维链为引导的结构化知识推理策略等。该系列方法在显著降低计算成本的同时,全面提升了推理的精度与鲁棒性。
讲者简介:刘新旺,国防科技大学计算机学院教授、博导。主要研究方向为机器学习、数据挖掘等。国家杰青(2023)、国家优青(2019)获得者。国家自然科学基金委重点项目、科技创新2030重大项目负责人,基金委创新群体A类核心成员。共发表CCF A类期刊/会议论文150余篇, ESI高被引论文20篇, 谷歌学术引用共2.7万余次, 连续4年入选全球2%顶尖科学奖榜单 (2022-2025)。担任IEEE T-KDE, IEEE T-NNLS, IEEE T-CYB等国际顶刊AE, 以及ICML, NeurIPS等国际顶会领域主席。研究成果获中国计算机学会自然科学一等奖(2025)、中国人工智能学会吴文俊自然科学一等奖(2024)、北京市科技进步一等奖(2024)、湖南省自然科学一等奖 (2014, 2021)、中国图像图形学会自然科学二等奖 (2024, 2025)等。