陳春林作《面向復雜場景的機器人學習與知識發現》報告。報告從機器人學習的具身性特征出發，探討其在復雜場景下的知識建模與決策優化方法。基于機器人學與機器學習的交叉視角，報告將梳理示教學習、分層強化學習等核心技術的演進路徑，并結合工業制造、醫療輔助等領域的典型案例，闡釋如何通過多模態感知、動態環境建模及人機協同機制實現知識的自主挖掘與泛化遷移。并分析當前面臨的學習效率與數據稀缺性、安全可解釋性約束、類腦計算范式創新等五大挑戰。最后，結合量子控制、腦機接口等前沿方向，提出構建“感知-推理-交互-進化”閉環的下一代智能系統框架，為知識發現從實驗室到產業化的跨越提供理論支撐與技術路徑。

周獻中作《智能博弈中的人機融合決策》報告。報告聚焦智能博弈場景下的人機融合決策理論與技術，探討如何通過自然智能與人工智能的深度協同，實現復雜動態博弈中的高效知識發現與策略優化。報告以“人件技術（Humanware）”為核心，提出人機多通道協同交互框架，結合意圖識別、動態置信校準與分層強化學習技術，構建面向動態博弈環境的混合決策模型。針對人機認知偏差與異構系統協同難題，報告將分析多模態數據（如語音、文本、態勢圖）的語義對齊方法，闡釋大語言模型在博弈策略生成與可解釋性增強中的作用，并通過兵棋推演、智能博弈對抗等場景案例，展示人機協同決策在意圖推理、多任務推演及動態資源調度中的實踐價值。進一步，圍繞開放環境下的博弈不確定性，提出基于量子博弈論與元學習的動態適應策略，探討人機互信機制與博弈均衡狀態的協同優化路徑，為智能博弈從理論到實戰的跨越提供方法論支撐。報告最后將展望量子計算、腦機接口與具身智能的交叉融合方向，揭示人機融合決策在軍事推演、應急指揮、智慧城市等領域的廣泛應用前景。

李華雄作《多模態學習與多視圖聚類及其優化》報告。本報告圍繞多模態學習與多視圖聚類的理論與優化方法，探討其在人工智能與知識發現領域的核心價值與應用潛力。針對多模態數據（如圖像、文本、時序信號）的異構性與高維性，報告將系統性闡述基于交替方向乘子法（ADMM）的跨模態哈希學習框架語義對齊與自適應標簽關聯技術，提升多源異構數據的檢索效率與知識泛化能力。結合特征解耦與圖學習理論，提出多視圖聚類模型，解決開放場景下噪聲敏感、信息冗余等難題，為工業控制、醫療影像分析、智能博弈等領域的多源數據融合提供方法論支撐。同時，報告將分析弱監督場景下的魯棒優化策略，包括代價敏感三支決策、噪聲抑制機制及動態權重分配技術，探索如何通過風險最小化方法平衡分類精度與模型可解釋性，揭示多視圖聚類在動態數據流適配與用戶意圖建模中的創新價值。最后，展望未來研究方向與技術挑戰，為人工智能驅動的知識發現與決策優化提供理論工具鏈與實踐參考。

賈修一作《知識發現驅動的標記分布學習》報告。報告圍繞知識發現驅動的標記分布學習理論與方法，系統闡述其在復雜數據場景下的創新價值與應用潛力。標記分布學習作為一種新型機器學習范式，突破傳統多標記學習的局限性，通過描述度量化標記間的相對重要性差異，為多義性對象（如醫學影像多病癥關聯、自然語言多情感表達）提供更精細的語義建?？蚣堋ａ槍擞浄植茧[含的序關系與相關性特征，報告提出基于知識發現的動態優化策略：一方面，融合全局標記相關性與局部樣本關聯性，構建低秩近似與流形正則化聯合優化模型，提升年齡估計、自閉癥檢測等任務的可解釋性與泛化能力；另一方面，結合知識圖譜與元學習技術，從異構數據中挖掘潛在標記分布規律，實現跨領域知識遷移與增量式學習。報告展示標記分布學習在醫療影像多標簽診斷、工業設備多狀態監測等場景的實踐案例，通過動態置信校準與代價敏感三支決策方法，解決數據噪聲干擾與標記缺失問題，顯著提升模型魯棒性。同時，探討大語言模型與標記分布學習的協同機制，探索基于提示工程的標記增強技術，為多模態數據（如文本-圖像聯合分析）提供統一表征空間。最后展望知識發現驅動的自適應標記分布學習在開放動態環境下的挑戰，如小樣本泛化、多粒度語義融合等方向，為人工智能與知識發現領域提供方法論參考與技術工具鏈支撐。

俞奎作《因果結構學習與魯棒機器學習問題初探》報告。構建魯棒的機器學習模型是實現安全、可信、可靠的新一代人工智能技術的重要基礎之一。因果推斷通過發現數據中的因果關系揭示數據背后的規律與機制，為構建魯棒的機器學習模型提供了有效途徑。因此，如何從因果推斷視角探索機器學習模型的魯棒性問題是目前機器學習領域的熱點研究課題。在 Pearl’s 因果推理模型框架下，因果結構學習是因果推斷前提。近 20 年來，因果結構學習一直是因果推理領域的核心研究方向。探索如何高效的從數據中學習因果結構以及探討因果結構學習與機器學習模型的魯棒性問題，是因果推斷與機器學習融合的重要研究方向。