На конференции IJCAI 2026 команда профессора Ван Сина из Цинхуа университета представит сразу два Tutorial: T9 «Beyond Graph Distribution Shifts» и T11 «OOD Generalized Generative AI». Это свидетельствует о сильном положении университета в сфере ИИ и о сдвиге акцентов в развитии генеративного ИИ — от работы с данными в рамках IID (независимое и одинаково распределённое) к решению проблем OOD (вне распределения), то есть адаптации к реальным, динамически меняющимся условиям.
Большие языковые модели (LLM) и генеративный ИИ добились значительных успехов, однако столкнулись с проблемой: на тренировочных данных (IID) модели работают хорошо, но в новых, незнакомых ситуациях (OOD) их эффективность резко падает, возникают «галлюцинации». Команда Ван Сина сфокусировалась на проблеме OOD-обобщения ещё до широкого распространения генеративного ИИ.
В рамках Tutorial T9 команда предлагает системный подход к решению проблем обобщения в области графов и LLM. Среди ключевых элементов подхода:
- Graph LLMs: объединение мощных возможностей представления LLM с графовыми структурами, чтобы модели могли гибко обучаться на графовых данных;
- динамическая адаптация: использование поиска архитектуры графовых нейросетей (NAS) и стратегий непрерывного обучения, чтобы модель могла «саморазвиваться» при изменении данных;
- причинно-следственные связи и инвариантность: внедрение принципов причинно-следственного анализа в графовые модели, чтобы исключить ложные связи и построить надёжные графовые сети даже в незнакомых условиях.
Tutorial T11 посвящён OOD-обобщению в генеративном ИИ. В нём команда анализирует мультимодальные большие языковые модели (MLLMs) и генерацию изображений на основе диффузионных моделей. Особое внимание уделяется стратегиям пост-обучения (post-training strategies), которые позволят моделям сохранять устойчивость при работе в условиях смещения распределений и в новых сценариях применения.
Достижения команды Ван Сина на IJCAI 2026 демонстрируют растущее влияние китайских учёных на глобальную ИИ-экосистему и подчёркивают важность долгосрочного подхода в исследованиях — от поиска фундаментальных принципов работы ИИ до создания моделей с высокой способностью к OOD-обобщению.
：IJCAI：
Подписаться в Макс
