非平稳环境下的自适应机器学习第二届论坛——大模型带来的挑战 | CNCC2026

个人简介｜国防科技大学教授，博士生导师，国自科创新群体核心成员。主要从事人工智能基础方面的研究工作，在自适应学习理论与应用等方面取得了系列研究成果，并成功应用于国防领域。近年来，在IEEE TPAMI、JMLR等国内外刊物和会议上以第一/通讯作者发表学术论文150余篇（包括IEEE/ACM汇刊长文60余篇），担任ICML、IJCAI、AAAI等会议的AC/SPC/PC等，是PR、FCS等SCI期刊的编委，多篇论文进入ESI各层次高被引论文。主持军科委基础加强重点项目、科技部2030重大项目课题、国家自然科学基金重点项目课题等15项。获中国图象图形学学会自然科学一等奖1项、省部级一等奖1项，获国家杰青、优青、湖南省杰青等。

报告题目｜大模型架构泛化与幻觉抑制理论

报告摘要｜大模型时代的智能应用场景日益复杂，泛化能力提升与推理幻觉抑制已成为人工智能研究中的重要挑战。本报告围绕“大模型架构泛化与幻觉抑制理论”展开研究，从基础功能单元、架构组件单元以及组件单元级联方式三个层面出发，探讨不同结构设计对大模型泛化能力与推理稳定性的影响，并进一步研究如何通过新型架构设计提升大模型可信泛化与推理能力。最后，对该研究方向的发展趋势与未来挑战进行总结和展望。

个人简介：中国科学院自动化研究所研究员，中国科学院大学人工智能学院岗位教授，国家优青，科技创新2030新一代人工智能重大项目青年科学家。主要研究兴趣包括模式识别与机器学习，在顶级期刊和会议上发表论文100余篇，包括PIEEE, IEEE TPAMI, CVPR, ICCV, NeurIPS, ICLR等。担任国际期刊IEEE Trans. Image Processing的Senior Area Editor，以及国际期刊Pattern Recognition和Neural Networks的Associate Editor。入选中国科学院稳定支持基础研究领域青年团队、中国科协青年人才托举工程、中国科学院青年创新促进会优秀会员。荣获中国人工智能学会优秀青年奖、中国科学院优秀教师奖等荣誉。

报告题目：开放环境模式识别

报告摘要：模式识别面临着从静态封闭环境走向动态开放环境的挑战。针对开放环境的动态性、不确定性和演化性等特点，开放环境模式识别旨在通过置信度估计、新类别自动发现以及类别增量学习来实现模式识别能力的自主进化。置信度估计赋予模型区分已知和未知的能力，新类别自动发现促使模型从数据中自动发现新知识，类别增量学习让模型的能力得以不断进化。通过边界评估-知识发现-能力进化的闭环学习，将推动模式识别从被动识别向主动认知转变。

个人简介｜电子科技大学教授，博导，入选国家高层次青年人才计划。主要研究方向为人工智能，已在TPAMI等SCI一区期刊及CCF A类会议上发表长文八十余篇，谷歌学术引用10000余次，高被引论文16篇，获得授权专利十余项。先后荣获吴文俊人工智能优秀青年奖，ACM SIGAI中国新星奖，四川省科技进步一等奖。研究成果入选中国百篇最具影响国际学术论文。

报告题目｜大模型高效微调统一视角：理论分析与算法设计

报告摘要｜随着大语言模型（LLM）参数规模的指数级增长，全量微调面临巨大的计算与存储开销，参数高效微调（PEFT）因此成为研究热点。然而，现有方法如LoRA、Adapter和Prefix-tuning往往被视为独立的启发式策略，缺乏统一的理论解释。本报告提出了一种大模型高效微调的统一视角，旨在从理论层面剖析不同PEFT算法的内在联系。为大模型的高效定制化提供了新的理论支撑与算法范式。

个人简介｜合肥工业大学计算机与信息学院教授，博导，计算机与信息学院副院长，大数据知识工程教育部重点实验室、多源海量动态信息处理教育部创新团队的核心骨干成员、安徽省高等学校计算机教育研究会专业建设专业专委会副秘书长。主持省级质量工程项目2项，以副主编身份出版工信部十四五规划教材1部等，荣获省级教学成果二等奖1项。主要研究方向：数据流挖掘及应用。主持国家重点研发计划项目子课题1项、国家面上基金项目2项、国家青年基金项目1项、博士后基金项目1项、安徽省青年基金1项，平台类项目1项；参与国家级项目6项。指导的研究生中3人获得国家奖学金；在国内外期刊与国际会议上发表学术论文50余篇，论文被Google Scholar等他引2300多次，申请专利10余项，已授权6项，软著2项。担任TKDE、ICDM、AAAI等国际期刊/会议的审稿人与程序委员。

报告题目｜面向概念漂移的鲁棒数据流分类：研究进展与大模型时代的开放问题

报告摘要｜概念漂移是非平稳环境下自适应机器学习面临的核心挑战，广泛存在于金融风控、网络安全、推荐系统、社交网络分析等众多现实应用场景。随着数据规模的爆炸式增长和应用场景的日益复杂，数据流分类模型不仅需要处理高速到达的海量数据，还必须具备快速检测并适应概念漂移的能力，同时应对标签噪声、特征高维、监督信息不足等复合挑战。

本报告系统梳理了鲁棒数据流分类的研究进展。首先介绍了数据流分类的基本范式与概念漂移的经典检测与适应框架，包括基于单模型和集成模型的两类主流方法；其次围绕多标签数据流和短文本流两类典型应用场景，分析了高维特征、标签相关性、语义稀疏性等问题与概念漂移的相互影响；然后重点介绍了团队在含噪单标签与多标签数据流分类方向的系列研究成果，包括含噪短文本、偏标签消歧、标签缺失鲁棒学习、含噪且变化标签分布下的在线分类等代表性工作。

在此基础上，报告深入探讨了大模型时代给鲁棒数据流分类带来的新挑战与开放问题，包括大模型的高效在线适配与持续学习、大模型与传统在线学习的优势互补、大模型辅助的漂移检测与可解释性等前沿方向，旨在为非平稳环境下自适应学习的研究与应用提供参考，并对未来研究进行了展望。

个人简介｜南京大学人工智能学院准聘副教授，博士生导师，机器学习与数据挖掘所（LAMDA）成员。研究方向为机器学习基础理论，包括在线学习、随机优化、强化学习理论等。发表学术论文60余篇，包括JMLR、COLT、ICML、NeurIPS等顶级期刊和会议。担任Machine Learning、TMLR期刊执行编委、Frontiers of Computer Science期刊青年编委，担任ICML、NeurIPS等会议领域主席等。入选CCF优秀博士论文激励计划，曾获南京大学“小米青年学者-科技创新奖”等。

报告题目｜在线学习与大模型高效推理

报告摘要｜在线学习是一种通过交互信息持续提升模型能力的学习范式，是解决序列预测与决策问题的重要技术手段。本次报告将首先介绍我们在非稳态在线学习方面的理论进展，提出“在线集成”框架实现最优的动态遗憾界保障，有效提升了开放环境下的稳健性。进一步，本报告还将介绍在线学习技术在大模型情境下的初探。特别以高效推理为例，针对自回归生成过程计算开销大、推理延迟高的问题，我们提出了在线学习驱动的投机解码方法：基于小模型生成草稿、大尺寸模型验证的推理范式，并构建“生成-验证-自适应更新”的在线学习闭环，通过反馈信息动态优化草稿策略，有效提高了投机解码系统的接收率和推理效率。同时，报告还将介绍基于扩散模型架构的草稿生成与并行树状解码等方向进展。

CNCC是一个宏观论述技术趋势的大会，具有规格高、规模大、内容丰富等特点，会议形式包括大会特邀报告、大会论坛、专题论坛、特色活动及展览。大会汇聚两院院士、国内外顶尖学者、知名企业家等亲临大会，展望前沿趋势，分享创新成果。ACM、IEEE CS、IPSJ、KIISE等国际计算机组织的代表也多次获邀现场参加这一盛会。CNCC2026将于10月21-24日在四川省成都市举办，大会主题是“数聚驱动，智算未来”，欢迎各界前来参会。