报告时间：4月25号上午10:00

报告地点：管理楼413会议室

报告题目：从可信图学习到开放世界自主智能体：一种高不确定性环境下的系统集成范式

图数据承担着表征物理世界复杂关系的角色，广泛存在于能源输送配置、气象灾害预测、机器人导航等具有关系结构的应用；然而，可信图机器学习研究从单面切入，较少研究系统层面的集成，难以支撑高不确定性、结构化、高动态性环境中基于图数据的可信智能体系统。本报告以可信图数据机器学习为基础，通过大语言模型可信生成能力，以3D世界机器人自主导航为例展示可信人工智能技术系统集成范式。可信图学习聚焦可解释性和不确定性量化，提出了基于信息几何框架的动态图数据上可解释性技术，揭示消息传递路径对推理决策的结构贡献，并通过图线性传播方法对图数据预测不确定性进行分解溯源，通过基于Wasserstein距离的数据分布漂移度量和置信区间自适应校准，突破数据独立同分布假设。大语言模型作为智能体系统的大脑，在图数据感知信息上进行推理并输出智能体执行规划，为了保证大语言模型的推理规划忠实于感知数据，提出一种基于注意力引导的训练方法以提高大语言模型规划可信度。最后，以具身智能系统为例，基于3D场景图导航任务，整合图数据不确定性量化、主动感知、以及语言规划能力，在真实机器人上验证了在不确定的动态环境从主动感知到自主规划的完整链路。该可信技术集成范式可推广到气象灾害预警、电力交易等具有高不确定性、结构化、高动态性的应用场景。

报告人简介：

谢思泓，香港科技大学（广州）人工智能学域长聘副教授，可靠人工智能探索实验室主任，香港科技大学（广州）-广东联通联合三算实验室执行副主任。谢教授于2016年在伊利诺伊大学芝加哥分校获得博士学位，此前于美国里海大学担任助理教授并于2023年获终身教职。他主要研究可靠机器学习及其在制造业、医疗健康、金融行业的应用。在顶级期刊和会议上发表论文超70篇，包括NeurIPS, ICLR，KDD，UAI，WWW，AAAI，IJCAI，TKDE等，获得了超过3000次引用（h-index 23）。主持超过100万美元的美国自然科学基金委科研项目，并于2022年获美国自然科学基金委（NSF）CAREER Award，2024年获腾讯微信犀牛鸟专项研究计划资助，获国家、广东省、广州市等青年学者计划资助。曾担任美国自然科学基金委的评审专家。目前担任NeurIPS、ICML、ICLR、KDD、AAAI、ICDM、SIGIR、SDM和TPAMI等会议和期刊担任程序委员会委员，及AAAI，TheWebConf程序委员会高级委员、ACM SIGSPATIAL China、CCF-AI、CCF-BigData等专委会执行委员。