清华王鑫团队两项研究入选 IJCAI 2026 Tutorial，聚焦 OOD 泛化与生成式 AI
2026/08/19 18:31阅读量 2
IJCAI 2026 Tutorial 录用名单中，清华大学王鑫与朱文武教授团队同时入选 T9 和 T11 两项讲习班，分别聚焦图分布偏移下的泛化问题和 OOD 泛化的生成式 AI。团队提出从图大语言模型、动态适应到因果不变性的技术路径，并强调用后训练策略提升多模态模型在分布外场景的鲁棒性。这标志着该团队在生成式 AI 泛化议题上的学术影响力获得国际认可。
事件概述
IJCAI 2026 的 Tutorial（讲习班）录用名单中，清华大学王鑫与朱文武教授团队同时入选两项：T9“Beyond Graph Distribution Shifts”与 T11“OOD Generalized Generative AI”。同一团队在同一届会议中占据两个 Tutorial 席位，较为少见，也使该团队的 OOD 泛化研究方向获得更多关注。
核心内容
- 背景：大模型在训练分布（IID）内表现出色，一旦面对真实世界中未见过的场景或罕见输入（OOD），性能会明显下降，甚至产生幻觉。这正是两项 Tutorial 聚焦的核心问题。
- T9：讨论图数据上的分布偏移，提出将图学习与 LLM 结合的三条路径——Graph LLMs（利用大模型实现上下文学习与小样本学习）、动态适应（通过图神经网络架构搜索和持续学习应对数据演化）、因果与不变性（借助因果推断剥离虚假关联，提升模型在未知分布下的鲁棒性）。该方向可覆盖金融风控、医药发现等结构化数据场景。
- T11：面向多模态大语言模型（MLLMs）与扩散模型的视觉生成，除解析模型架构与交互机制外，重点讨论通用化后训练策略，通过对齐和统一框架设计增强模型在 OOD 环境中的安全部署能力。
值得关注
两项 Tutorial 共同指向一个技术趋势：生成式 AI 的竞争重点正从扩大参数规模、拟合训练分布，转向让模型在真实动态世界的分布外场景中保持稳定。清华团队在该交叉领域的系统化输出，也体现了中国学者在国际学术议题设置中话语权的提升。