本文提出了一个面向个人知识图谱 (PKG) 的生态系统，旨在解决 PKG 的普及化挑战，设计了一个统一的 PKG 框架，并综合了现有工作，分析其在该框架下的地位及挑战与机遇。

Apr, 2023

提出了图基础模型（GFMs）的概念，并对其关键特征和技术进行首次全面阐述，然后将现有工作根据其依赖性分为三类，即基于图神经网络和大语言模型。本文不仅提供了对当前图基础模型领域的综合概述，还讨论了这一发展中领域的潜在研究方向。

Oct, 2023

基金会模型透明指数通过 100 个细分指标对 10 个主要的基金会模型开发者进行评分，以确定目前的透明水平，并通过行业标准和监管干预促进基金会模型治理的进展。

Oct, 2023

我们开发了一个通用的图基础模型，通过理解不同基于图的数据中的复杂拓扑模式，使其在不同下游数据集上出色地完成零样本图学习任务。

Mar, 2024

该研究提出了一个基于 ESG（环境、社会和治理）框架的计算机辅助机器学习算法，用于构建具有可持续发展性质的 AI 系统，并包括四个支柱：计算效率、联邦学习、数据主权和 LEEDesque 认证。

Jun, 2020

AI 基础模型的兴起，具有广泛数据训练和可适应下游任务的特点，其机制、应用和社会影响需要更多的跨学科合作来研究。

Aug, 2021

图基础模型（GFM）是图领域中一个新兴的研究课题，旨在发展一种能够概括不同图和任务的图模型。我们提出了一个新颖的视角 ——“图词汇表”，通过在图中编码基本可转移单元的不变性来建立图词汇表，从而解决在构建 GFM 中遇到的跨结构模式图之间正向传递的关键挑战，这一视角可以潜在地推进未来 GFM 设计遵循神经规模定律。

Feb, 2024

我们引入了生态系统级别的分析，发现机器学习在部署过程中容易发生系统故障，即所有可用模型都无法正确分类一些用户，在医学图像方面，机器学习模型预测中的种族差异不同于人类预测，在表征机器学习的社会影响方面，生态系统级别的分析具有独特的优势。

Jul, 2023

本文介绍了基础模型，深度学习中通过模型大小和训练数据广度和大小的扩展可以对未来的 AI 开发造成破坏。基础模型在各种任务领域（如自然语言处理和计算机视觉）中实现了最先进的性能，并且通过进一步的改进常常得到更好的表现。此外，模型的单一化可能会将众多特定任务的模型替换为由少数公司控制的更少数量的大型模型，从而导致对 AI 的权力和控制的转移，并出现新兴的行为方式：上下文学习。

Dec, 2022

利用 FREE 框架，将可用的环境数据映射到文本空间，将环境科学中的传统预测建模任务转化为语义识别问题，以捕捉数据语义并利用输入特征不规则性，从而实现对环境系统的建模和长期预测。

Nov, 2023