出访人员名单（含领队）

王佳源

出访国家（地区）

韩国

实际

出访时间

2026年8月8日

至2026年8月14日

实际出访路线

杭州——韩国济州——杭州

出访任务

参加第32届ACM SIGKDD知识发现与数据挖掘会议

出

访

成

果

报

告

我有幸参加了第32届ACM SIGKDD知识发现与数据挖掘国际会议（KDD   '26），并在此次会议上进行了论文展示与学术交流。KDD自创办以来，已发展为数据挖掘和知识发现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、人工智能、大数据分析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，被公认为全球相关领域研究者探讨前沿技术与发布创新成果的核心平台。

我的论文题目为《Multi-Modal   Hierarchical Retrieval-Augmented Generation for Document Question Answering》。在该研究中，针对现有大型视觉语言模型在处理大规模文档时面临的难以捕获非文本模态中的长距离上下文依赖、不同模态间难以互动互补，以及异构模态信息整合效率低等瓶颈问题，提出了一种名为MMHRAG的新型多模态分层检索增强生成框架。该方法通过自下而上的递归聚类和摘要机制，构建了跨模态分层检索树。其核心创新在于视觉信息的结构化注入，将图像语义整合为文本片段的高层抽象摘要，从而弥合了模态间的语义鸿沟。此外，我们设计了一个总结智能体来解决检索到的跨模态证据间的逻辑冲突、信息冗余和粒度差异问题。实验结果表明，该模型在多个多模态长文档基准测试中显著优于现有的最先进基线方法，在复杂的推理任务中实现了卓越的准确性和一致性。

在本次会议中，我围绕论文研究成果进行了展示，并向来自不同国家和研究机构的学者系统介绍了研究思路、方法设计、实验结果及主要结论。同时，我积极参与大会主旨报告、专题研讨及交流环节。这些交流不仅拓宽了我的学术视野，也加深了我对当前多模态检索增强生成、大型语言模型应用以及文档理解等研究热点、前沿趋势与未来挑战的理解。

参与第32届KDD会议是我学术成长过程中的一次重要经历。这次会议不仅让我得以向国际学术界展示研究成果，也为我提供了深入了解数据挖掘与人工智能前沿动态的宝贵机会。通过成果展示与面对面的学术交流，我获得了新的研究思路和学术启发，这将对我未来的科研方向与学术发展产生积极而深远的影响。

该团组已进行事后公示。　　　　　　　　　　　　（领队签字）

遵守外事纪律情况（含意见和建议等）：

严格遵守出访纪律。