2026年8月9日至13日，第32届ACM SIGKDD知识发现与数据挖掘会议（The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining，KDD 2026）在韩国济州岛举行。我院袁景凌教授指导的博士研究生张培良和李琳教授指导的硕士研究生赵骏鹏参加本次国际学术会议，并以第一作者身份展示多项研究成果。其中，张培良展示了两项分子关系学习领域的研究成果，赵骏鹏在大会介绍了一项关于符号图遗忘相关的研究成果。
KDD是由ACM SIGKDD专业委员会主办的国际知名学术会议，也是数据科学、人工智能、机器学习和数据挖掘领域的重要学术交流平台，入选中国计算机学会（CCF）推荐的A类国际学术会议。本届会议汇聚了来自世界各地高校、科研机构和科技企业的专家学者，围绕知识发现、机器学习、图表示学习、数据挖掘、AI for Science、大模型安全、数据隐私保护和可信人工智能等前沿方向，集中展示相关领域最新研究进展。
会议期间，张培良以第一作者身份展示了“Cross-Domain Molecular Relational Learning: Leveraging Chemical Structure-Activity Analysis”和“Representational Alignment with Chemical Induced Fit for Molecular Relational Learning”两项研究成果。前一项研究聚焦不同分子数据域之间存在的分布偏移问题，从化学结构—活性关系出发，探索跨域分子关系知识的有效迁移与共享机制，通过挖掘分子结构特征及其与生物活性之间的关联，为提升跨数据集、跨任务条件下分子关系预测模型的泛化能力提供新的技术思路。
后一项研究进一步关注分子相互作用过程中普遍存在的“诱导契合（Induced Fit）”现象，将化学先验知识融入分子表征学习，通过动态调整与对齐分子局部结构表征，更准确地刻画分子结合前后的结构变化及相互作用关系。相关研究为构建更具化学合理性和可解释性的分子关系学习模型提供了新的研究视角，并有望为药物筛选、分子性质预测及计算药物发现等任务提供支持。
赵骏鹏则以第一作者身份在大会作口头报告，系统介绍论文“Certified Signed Graph Unlearning”的研究成果。研究聚焦签名图场景下的机器遗忘问题。签名图能够同时表达网络中的正向和负向关系，在社交网络、推荐系统、知识网络等数据场景中具有重要应用价值。随着人工智能系统对数据合规、隐私保护和模型安全的要求不断提高，如何在保留模型正常功能的同时可靠移除指定数据对模型的影响，成为机器学习领域的重要研究问题。
针对签名图中正负关系结构关联性强、数据变化可能通过图结构及消息传播机制影响模型整体表现等特点，该研究围绕认证签名图机器遗忘展开研究，重点探讨认证遗忘机制、理论分析和可证明保证，为提升图学习模型遗忘过程的可靠性和可验证性提供了新的研究思路。大会报告中，赵骏鹏介绍了研究的问题背景、研究动机、方法框架和理论保证，并与参会学者围绕研究假设、算法设计、理论分析、实验评估及未来应用方向进行了深入交流。
会议期间，我院研究生还积极参加大会主论坛、分会场报告、专题研讨及论文交流活动，与来自不同国家和地区的专家学者交流研究进展，了解图学习、机器遗忘、大模型安全、数据隐私保护、可信人工智能以及AI for Science等领域的前沿成果和发展趋势。相关学术交流进一步拓展了研究生的国际学术视野，也为完善研究方法、拓展研究问题、加强实验验证提供了有益启发。
近年来，我院持续鼓励研究生积极参与高水平国际学术交流，支持研究生在人工智能、图学习、数据挖掘、模型安全及相关交叉领域开展前沿探索。此次参加KDD 2026并展示多项研究成果，体现了我院研究生积极融入国际学术共同体、主动开展学术交流和展示科研成果的良好风貌。
编辑：孙韩哲；审核：周雄