我有幸参与2026 AAAI人工智能会议，并作海报展示与学术交流。AAAI自1980年首次召开以来，已发展为人工智能领域最具影响力和权威性的国际顶级会议之一。该会议覆盖机器学习、自然语言处理、计算机视觉、知识表示、智能系统等多个前沿研究方向，以其严格的评审体系、高标准的论文录用机制和广泛的国际影响力著称，被公认为全球人工智能研究者发布创新成果的重要平台。 我的论文题为《Prior Refinement is Better: Diffusion-Driven Graph Harmonization for Federated Graph Learning》。联邦图学习能够实现在保护隐私的前提下进行分布式图数据的协作训练，但仍面临严峻的数据异质性挑战，即不同客户端之间的语义和结构差异会严重降低模型性能 。现有的方法通常尝试在联邦训练过程中校准客户端特定的图分布。然而由于参数的动态更新，这些方法往往难以对齐不同客户端的优化行为，进而导致泛化能力的提升遇到瓶颈 。为了应对这一挑战，本文提出一种名为“预先精化（Prior Refinement）”的新视角，旨在联邦训练开始前主动协调不同客户端间的图数据分布。 会议期间，我全程参与了学术报告、专题研讨与前沿技术论坛，与人工智能领域及联邦学习安全方向的国内外学者展开深入交流，不仅系统把握了大模型时代下 AI 安全与分布式学习的前沿趋势，也对联邦学习在真实场景中的安全挑战与防御思路有了更为全面、深刻的理解。此外，我与多位领域内知名专家、青年学者建立了稳定学术联系，在模型设计与工程落地等方面收获了极具针对性的宝贵建议。 此次参与 AAAI 会议，是我学术研究路上的重要成长与积累。它不仅为我提供了与顶尖学者面对面交流的高水平学术平台，也让我近距离接触到人工智能与安全交叉领域的最新成果与未来方向。此次参会收获将进一步指引我后续的研究思路与实验方向，推动我在联邦学习领域持续深耕，助力相关理论创新与实际应用落地。 该团组已进行事后公示。 （领队签字） |
