报告题目：面向黑盒条件下大模型提示学习方法探索
报告人：刘兆赓 吉林大学人工智能学院助理研究员
报告摘要：
大模型作为国家战略级技术部署，其核心价值在于驱动生产力范式革新并为各个行业赋能。然而，目前市面上的商业大模型多为黑盒模式，用户只能通过API进行交互，而无法深入了解模型的内部机制。提示学习作为一种引导大模型适配下游任务的重要方法，在黑盒条件下应用时，却面临着诸多挑战，包括训练数据不平衡导致模型泛化能力较差、标签词汇的未知性使得提示难以适配、以及在处理视觉任务时提示优化难度大的问题。为了应对这些挑战，本报告将介绍我们在面向黑盒条件下的大模型提示学习方法上的相关探索。
报告人简介：
刘兆赓，现为吉林大学人工智能学院助理研究员。2024年于吉林大学人工智能学院获得博士学位。主要研究方向包括提示学习、图神经网络和脉冲神经网络。在国内外知名期刊及会议上发表论文10余篇，其中以第一作者及共同第一作者身份在CVPR、KDD、AAAI、TNNLS、Pattern Recognition等国际会议和期刊上发表论文6篇。主持国家自然科学基金项目1项。同时，他还担任KDD、CIKM、TPAMI、TNNLS等会议与期刊的审稿人。
报告时间：2025年12月16日（周二）上午8:30
报告地点：吉林大学正新楼三楼报告厅
