多模态表征学习
面向文本、表格、时间序列与科学文档等复杂数据，研究统一表征、语义对齐与跨模态融合方法。
Research Directions
围绕复杂数据表征、情境推理、慢思考认知推理与自主交互智能体，研究组构建面向可靠智能系统的四个研究聚焦模块。
研究聚焦于复杂数据表征、情境推理、慢思考认知推理与自主交互智能体四个模块，强调从统一表示到可靠推理和自主执行的能力闭环。
面向文本、表格、时间序列与科学文档等复杂数据，研究统一表征、语义对齐与跨模态融合方法。
建模环境状态、任务目标、领域知识与外部事件等情境因素，理解其对预测、决策与推理过程的影响机制。
研究多步推理、证据整合、自反思验证与逻辑推演机制，提升大模型在复杂任务中的可靠推理能力。
构建能够调用工具、交互环境、复用记忆并持续修正的大模型智能体，实现复杂任务的自主规划与执行。
从基础机制到真实应用，五个方向共同支撑研究组在智能体、复杂数据分析和科学智能上的长期探索。
Context-Aware Time Series Analysis
面向多源动态情境数据，研究情境特征融合、情境认知推理与情境自主交互方法，支撑复杂环境下的时间序列理解、预测与决策。
Mechanisms, Dynamics, and Agents of Large Models
聚焦大模型推理机制、训练优化、多模态融合与自主智能体设计，提升模型在复杂任务中的规划、检索和工具调用能力。
Scientific Agents and AI for Science
面向科研场景构建能够理解数据、发现知识、调用工具并协同推理的科学智能体，服务文献分析和科学发现。
Structured Data Mining
研究表格、时间序列和混合文档等结构化数据的理解、推理与预测方法，支撑能源、医疗和网络运维等场景。
Personalized Recommendation
研究隐式反馈、用户兴趣演化与情境感知推荐方法，推动推荐系统从相关性匹配走向认知智能和可信决策。