新闻 | 前沿计算研究中心2026届博士毕业论文答辩顺利完成

近年来，随着互联网广告市场的不断发展，由广告平台提供的自动出价服务开始占据市场主导，广告商和广告平台之间的博弈也随之发生了巨大的变化，从二者之间的直接博弈逐渐转变为广告商借由自动出价服务和广告平台之间的博弈。由此，引发了三个层级的博弈演进过程。

• 代理决策：自动出价代理如何帮助广告商在其给定的约束以及待优化目标下，在重复拍卖中进行出价？

• 反向操纵：广告商应该如何汇报自己的约束和优化目标，以利用自动出价代理的算法，最大化自身利益？

• 协同共赢：站在第三方的角度，如何同时保障广告平台和广告商各自的利益？针对以上问题，本文展开了多方面多方法论的综合性研究，得到了如下的主要结果。

在代理决策方面，对于在重复二价拍卖中带有预算限制的最大化拟线性效益的广告商而言，本文得到了 OGD-CB 算法，其在不同价值模型和不同级别的信息反馈下的表现都能够接近理论最优的节流策略表现。对于在重复的一般性拍卖中带有预算限制的广告商而言，本文得到了一个基于重解法的算法，其在广告商的价值是独立随机的时，在不同级别的信息反馈下的表现都接近理论最优。

在反向操纵方面，对于带有预算限制的最大化拟线性效益的广告商而言，本文考虑了其在四种预算限制拍卖机制下是否有动机谎报其价值分布以及预算限制以最大化个人效益。本文在刻画这一行为的不确定汇报博弈下得到了关于汇报策略激励、博弈均衡以及等价性等全面的结果。

在协同共赢方面，对于多个对称的最大化拟线性效益的广告商而言，本文在不同价值分布族下，刻画了所有可行的（平台收益，广告商效益）所构成集合的 Pareto 前沿，并进一步研究了三个 Pareto 前沿上的公平性概念带来的社会效率保证。此外，对于在大语言模型的回复下插入广告内容的问题，本文提出了一个基于将主体自然回复生成模块与广告插入模块解耦、以及引入类别以平衡连贯性和计算效率的实用解决框架，其可以同时保证近似社会福利的最大化。

聚类作为计算机科学中典型的计算问题之一，旨在根据相似度度量将数据划分为若干簇。自聚类问题提出以来，已在机器学习、数据分析、数据挖掘等众多领域中得到广泛应用，因此，聚类的算法，尤其是近似算法理论已被系统性研究。然而，伴随数据量的爆炸式增长，计算问题中的输入规模巨大，使得传统追求多项式时间的近似算法不再适用。如何在庞大的数据规模下实现亚线性时间、空间、通信的算法是当代的研究趋势。围绕高维欧氏空间中的聚类问题，包括均匀设施选址、𝑘-中位、𝑘-均值和𝑘-中心等，本文在大规模并行计算模型下提出了新的并行算法。本文算法是完全可扩展的，即每台机器的本地内存规模为 𝑛𝜎，其中 𝜎>0 是任意小的固定常数；对于 𝑘-聚类问题，本地内存甚至可以显著小于聚类数 𝑘。

针对均匀设施选址问题，本文提出了常数轮、常数近似的完全可扩展算法。在常数轮、完全可扩展的算法中，这是一般几何设定下对任意聚类问题实现常数近似的第一个结果。在均匀设施选址结果的基础上，针对𝑘-中位和𝑘-均值问题，本文给出了常数轮、常数双准则近似的完全可扩展算法。具体而言，算法输出 (1+𝜀)𝑘 个中心，其代价至多为最优 𝑘 个中心代价的 𝑂(𝜀−2) 倍。已有结果虽然能够在严格满足聚类数𝑘约束的前提下给出近似保证，但要么只能达到 poly(log𝑛)-近似，要么具有超常数的通信轮数。相比之下，本文结果在近似保证和通信轮数两个方面取得了更好的权衡。针对 𝑘-中心问题，本文提出了适用于高维欧氏空间的常数轮、𝑂(log𝑛/loglog𝑛)-近似的完全可扩展算法，而现有相关结果仅适用于低维设定。进一步地，在低维设定下，本文给出了常数轮、(2+𝜀)-近似的完全可扩展算法；若允许使用略多的 (1+𝜀)𝑘 个中心，近似保证还可进一步提升至 (1+𝜀)。这些结果显著优于低维设定下已有的完全可扩展算法。此外，本文针对低维的结果还可自然推广到略高于常数的维度。

除上述聚类问题的完全可扩展算法外，本文提出了两项具有独立研究价值的技术。其一是几何聚合原语，可为每个数据点高效计算其近似邻域中的相关统计量，例如区间计数、近似最近邻搜索等。同时，该原语适用于高维欧氏空间，其实现依赖于一致性哈希技术，而一致性哈希技术近期已在数据流算法中得到应用。其二是几何独立支配集的构造方法，可对数据集进行结构化处理，在保证所选点集具有良好分散性的同时，使得原始数据集中的点均能被覆盖。本文针对高维与低维欧氏空间的独立支配集分别设计了高效的构造方法，其中低维设定下可获得更强的理论保证。

核方法通过将数据隐式映射到高维特征空间来处理非线性关系，是机器学习的基础之一。然而，其扩展性受限于计算内积矩阵所需的 Ω(𝑛2) 时间复杂度。本文旨在考虑两大类经典的核空间——平移不变核空间与多项式核空间——如何通过降维映射来达到以低维欧氏空间的表示近似保持原空间相关性质。

在平移不变核空间中，我们首次证明了可以用经典的随机傅立叶特征（Random Fourier Feature, RFF）降维技术完成这一目标。在我们之前，尽管已有大量工作分析了 RFF 在各种误差度量下的表现，但其在保核距离的乘性误差方面的能力，特别是超越高斯核的通用性，长期以来一直是一个开放问题。多项式核作为另一类重要的核函数，之前的许多工作对其降维的方法对核次数存在指数依赖，一部分工作在考虑虽然在一些特定子问题上避免了这一指数依赖关系，但未能将结论推广到近似保持输入点距离上，而我们首次证明了一种树结构的降维方法能够完成目标。

源嵌入（Terminal Embedding）是近期对于保距离映射的受到广泛关注的推广方向。通过将输入的数据点看作“源”，源嵌入希望能够近似保持输入空间中所有点到“源”的距离，目前大部分相关工作着眼于欧氏空间中的源嵌入，而我们首次给出了研究非欧式空间中源嵌入的理论框架，并证明了平移不变核空间下的 RFF 映射与多项式核空间下的树结构映射都能够被延拓为源嵌入。

本文系统性地研究了平移不变核与多项式核空间中的随机降维映射，并将其应用推广至源嵌入构造中。本文的主要贡献包括：(1) 对于平移不变核，证明了对一大类核函数（如高斯核、柯西核）的 RFF 能够以 𝑂(𝜖−2log𝑛+𝜖−1log2𝑛) 的目标维度实现对 n 个点核距离的(1+𝜖)-乘性误差逼近。特别地，对高斯核达到 𝑂(𝜖−2log𝑛) 的最优维度，可视为核空间版本的 Johnson-Lindenstrauss 映射。(2) 对于多项式核，优化了基于 TensorSRHT 的树形降维构造，证明其能以 poly(𝑝,𝜖−1,log𝑛) 的目标维度保持点对距离，打破了对核次数的指数依赖。(3) 将上述保距映射与源嵌入的高效算法相结合，构造了核空间中的可快速计算源嵌入，为高维计算几何中的自适应查询问题提供了新的解决方案。本研究深化了对核降维映射的理论理解，并为非欧氏空间中的非线性降维设计建立了分析框架。

近年来，随着视觉-语言-动作大模型的发展，具身导航研究逐渐从传统的模块化与规则化方法，转向构建基于端到端学习的基础模型新范式。这种具身导航基础模型的范式致力于实现通用的导航能力，为不同导航任务和各类智能体提供统一的具身导航框架，从而大幅提升了导航感知与决策的集成度，增强具身导航在复杂场景下的实用性和泛化能力。本文聚焦于构建支持多任务、跨本体且具备强泛化能力的具身导航基础模型这一核心问题，系统研究了从显式地图表征到视频表征、从单任务到多任务、从特定本体到跨本体的技术演进路径，并在数据收集与验证框架中重点探索了泛化能力问题。本文的主要研究工作包括以下四个方面：

（1）本文首先研究具身导航基础模型的显式地图表征。针对现有方法依赖二维地图导致细粒度感知不足的问题，通过构建三维感知来增强目标物体导航的效率和准确率。基于三维感知，本文为解决未知环境中探索与识别相互分离导致的效率低下问题，设计了边界角点引导的探索策略与类别感知的识别策略。这些策略利用在线融合的包含语义信息的三维点云，使智能体在探索未知环境的过程中逐步识别目标物体。提出的方法在多个室内三维场景导航基准上显著提升了导航成功率与路径效率。

（2）针对三维显式表征的方法对深度、位姿或显式地图依赖较强、难以实现仿真到真实迁移的问题，本文提出一种基于视频流的视觉语言导航大模型。该模型以相机视频流为输入，利用预训练视觉语言模型的时空理解能力，将历史观测、当前场景与自然语言指令统一编码，实现端到端的导航动作规划。该模型仅需单目视频输入，无需深度、相机位姿或地图先验，显著提升了跨环境泛化能力与仿真到真实环境的迁移能力。

（3）针对现有导航模型架构主要为单任务设计的现状，本文进一步提出一种建模导航历史记忆的多任务导航大模型。在单任务视频表征建模基础上，本文通过共享多模态表示与多任务联合训练，将视觉语言导航、目标物体导航、具身问答与目标跟随四类任务集成于同一框架，使模型掌握多种导航能力，并验证了跨任务学习的协同效应。

（4）针对现有导航模型难以统一覆盖多种任务与多种本体的现状，本文提出一种面向多任务和跨本体的具身导航基础模型。本文基于多任务统一建模，通过时间-视角指示符词元及词元数约束下的帧采样策略等统一表征与高效推理设计，将不同导航任务与不同机器人形态的导航行为映射到同一表示空间，结合大规模导航数据进行预训练，使模型学习通用的指令理解、环境理解与行动规划能力。模型在保持较强表达能力的同时获得良好的推理效率，为构建具有跨任务与跨本体泛化能力的具身导航基础模型提供了可行的技术路径。

总体而言，本文围绕具身导航基础模型的架构设计与泛化性这两个关键问题开展系统研究。本文沿着从三维显式表征到视频表征、从单任务到多任务、从特定本体到跨本体的技术脉络，系统构建了具身导航基础模型，依次提出基于在线三维点云融合的目标物体导航方法、纯视频输入的视觉语言导航大模型，以及统一的多任务跨本体具身导航基础模型框架，显著提升了导航效率、跨环境泛化能力和真实世界部署潜力。本文工作在多种仿真基准与真实世界机器人平台上进行了实验验证，为构建兼具泛化能力与可部署性的具身导航基础模型提供了理论与技术基础。

多源信息聚合是克服个体认知局限、获取准确信息并最终导向可靠决策的重要途径。然而，在实际应用中，有效聚合多源信息仍面临着诸多挑战。一方面，聚合者往往缺乏对问题本身的先验知识，仅能依赖信源提供的信息进行决策，导致基于概率分布的理论最优聚合器（如贝叶斯后验）在计算上不可行；另一方面，随着互联网与人工智能时代数据规模与维度的爆炸式增长，输入信号中充斥着大量噪声以及虚假信息，而聚合者又难以分辨信源之间的优劣，使得简单平均或多数表决等传统机制难以应对现实场景。

针对上述挑战，本文提出了一套从理论到实践的信息聚合求解系统。该系统集成了四项主要技术创新，包括为提升通用性而设计的自动化聚合求解算法，以及为提高实用性而提出的针对非完美理性信源、敌对信源的聚合机制与非结构化文本特征归因方法。具体而言，本文的主要研究工作和创新如下：

1. 提出了鲁棒信息聚合范式下的“通用求解算法”（相关工作发表于 EC 2025）。本文证明该算法在大多数场景约束下为完全多项式时间近似方案（FPTAS），实现了不同设定下鲁棒聚合问题的统一高效求解。针对极小极大问题中空间维度的无穷性挑战，本文将原问题建模为自然与聚合者之间的零和博弈。通过降维与离散化技术，将原问题规约至有限状态空间，并利用在线学习技术求解近似纳什均衡。基于此，本文以预测聚合为例，证明了在离散汇报或 Lipschitz 聚合器等设定下，均可获得逼近理论下界的近似聚合器。

2. 设计了应对信源参与偏差的封闭形式聚合函数，弥补了非理性行为导致的实用性缺失（相关工作发表于 WWW 2025）。针对具有系统性偏差的非完美理性信源，本文通过重新建模分布映射，将偏差也纳入到优化目标中。在评分聚合场景中，针对极端观点更易被观测到的“参与偏差”现象，本文分别面向已知和未知总样本量的场景，提出了平衡极值聚合器（BEA）与极化平均聚合器（PAA）。理论研究表明，该方法在样本量充足时是渐近最优的，真实数据集实验亦表明其性能优于简单平均，更贴近真实评分。

3. 引入策略性不确定性，设计了抵御敌对信源干扰的鲁棒防御机制（相关工作发表于 WWW 2025）。本文将敌手行为纳入极小极大框架的自然策略中，在决策聚合场景下进行了详尽的机制设计。通过凸优化技术，本文首次严格证明了在不同损失函数设定下，“截断均值”与“截断随机独裁”策略是最优的防御机制，兼顾了理论最优性与可解释性。集成学习实验证实了该系列方法能有效抵御数据投毒攻击。此外，本文还将结果推广至其他场景，揭示了在敌对信源场景下的不可能性定理。

4. 构建了基于 Shapley 值的非结构化文本特征归因方法，实现了语言信息的有效提取与可解释性聚合。针对同行评议这一学术场景，本文克服了传统黑盒自动化审稿缺乏可解释性的局限。借助大语言模型的压缩能力与合作博弈理论，本文严格量化了文本单元对决策结果的边际贡献。通过蒙特卡洛排列采样，该框架有效提取了对预测影响最大的关键句子集，在维持高预测性能的同时提供了理论保证，为作者与审稿人提供了较高的实用价值。

综上所述，本文构建的信息聚合求解系统在提供理论近似最优性保证的同时，大幅提升了聚合机制在复杂现实场景中的实用性与可解释性，有效弥合了当前信息聚合领域从理论探索到落地实践的鸿沟。

信息聚合，即从多个信息源中提取高质量信息，是群体决策与智能系统的核心问题。在经典的群体智慧研究中，信息源是人类专家或大众；进入大语言模型（large language model, LLM）时代后，大语言模型也成为新的信息源。无论智能体是人还是模型，聚合者都面对同一个问题：当信息源存在质量差异、可利用的信息形式随智能体类型而变化、底层信息结构未知（即智能体各自获得什么信息以及这些信息与真实状态如何关联），且个体行为偏离完美理性时，如何设计可靠的多智能体信息聚合机制。本文以“智能体”为统一抽象，沿着“从人类到大语言模型”和“从场景化机制到一般理论”两条主线展开研究。

第一，针对智能体异质性识别问题，本文研究了如何在无先验知识的条件下从人类群体中识别高质量答案。通过同时收集智能体的答案及其对他人答案的预测，本文建立了基于认知层级的聚合理论，将问题转化为非负同余三角化（NCT）矩阵分解，并设计了高效的答案排序算法。在数学、围棋、常识与汉字发音四类共152个问题上的实证研究表明，该方法能够在多数智能体给出错误答案的情况下准确识别少数派的正确答案，显著优于多数投票和“surprisingly popular”等方法。

第二，针对大语言模型间的聚合问题，本文研究了“利用同伴信息”这一思想在大语言模型上的适用边界。与人类不同，大语言模型并不擅长预测他人会如何出错，但更擅长在观察已有回答后纠正错误或追随正确信号。基于这一能力特征，本文提出后验精炼方法，借助两个大语言模型之间的顺序式信息利用来提升聚合准确度，并建立了基于贝叶斯更新的理论框架，证明在凸准确度函数下后验响应的期望准确度不低于先验响应，同时刻画出强智能体修正弱提示、弱智能体追随强提示的非对称机制。在四个数学推理数据集和十个大语言模型上的实验验证了方法的有效性，且仅需两次模型调用，成本低于多模型投票。

第三，针对信息结构未知时的最优聚合器设计问题，本文提出了一套算法化的鲁棒聚合框架。该框架把最优聚合器设计转化为聚合器与信息结构之间的零和博弈，通过信息结构降维引理把连续空间压缩为二进制信号结构，并分别为离散报告和 Lipschitz 聚合器设计了完全多项式时间近似方案（FPTAS）算法；该框架适用于任意类型的智能体。实验表明，计算所得聚合器的后悔值为0.0226，接近理论下界0.0225，较此前最优结果0.0250有明显改进。第四，针对智能体有限理性对聚合的影响问题，本文证明了一个反直觉的理论结果：在群体决策中，有限理性智能体通过简单的多数投票可以超过完美理性智能体。具体地，通过把连续信号空间压缩到三个信号点，本文证明当智能体的理性水平低于特定阈值时，多数投票即为最优鲁棒聚合器。Quantal response 模型（智能体按效用做概率化选择，形式上等同于 softmax）可以同时刻画人类的有限理性和大语言模型的温度参数：二者机制虽然不同，但服从同一数学形式。大语言模型实验的结果与理论预测一致，中等温度下的多智能体聚合优于确定性输出。

本文的四项工作围绕同一个多智能体信息聚合问题展开：前两项考察不同类型智能体上可利用的同伴信息形式，后两项抽象出信息结构未知与有限理性条件下的一般聚合原理。整体上，本文从人类到大语言模型、从具体机制到一般理论，构建了多智能体信息聚合的研究框架，相关成果可应用于群体智慧平台、多智能体协作系统和大语言模型集成等领域。

策略学习作为驱动智能系统自主决策的核心方法，其应用场景已从单任务求解扩展到多目标约束、多主体交互与对抗演化并存的复杂系统，可信部署成为制约其实际价值的关键瓶颈。实现可信部署需逐层满足计算正确性、价值可控性、协同公平性与治理稳健性四项递进要求，且四者沿自底向上的技术依赖链展开：梯度求解精度制约约束优化的收敛质量，安全边界的可靠性决定团队信用分配的有效性，信用分配的准确度影响群体演化中策略种群的稳健性评估。本论文以联合优化为实现可信部署的方法论主线，沿“可求解-可约束-可协同-可治理”递进路径展开四层研究。四个层次分别通过双层变量联合求解、正交目标联合平衡、多体信用联合归因与种群策略联合演化，逐层回应上述需求。

在计算层，本研究将显式梯度、隐式微分与零阶微分三类求导路径统一到以最优响应雅可比矩阵为核心的同一编程接口之下，配合算子融合加速内核、高效参数树操作组件与分布式自动求导框架三项系统级优化。参数树操作相较主流实现保持23∼27倍速度优势，8 GPU 条件下元学习训练获得约5.2倍加速且收敛趋势一致，为后续三层提供统一的梯度求解底座。

在个体层，针对大语言模型有用性与无害性的结构性冲突，本研究将安全对齐形式化为受约束的马尔可夫决策过程，通过独立的奖励模型与成本模型实现双目标的结构化解耦，以动态拉格朗日乘子在线调节约束松紧度，替代传统固定权重折中的实现方案。经过三轮红队测试迭代闭环，有害输出比例从53.08%降至2.45%，有用性 Elo 评分同步提升+244.91（自动评估）/+363.86（人类评估），两个维度实现同向改善而非此消彼长。

在团队层，本研究面向多相机协同三维人体姿态重建任务，以夏普利值的边际贡献为理论基准，将每帧每台相机对三角化结果的增量精确量化为个体可学习的信用信号，配合五类混合密度网络预测头增强对遮挡的前瞻表征。城市街道场景下4台主动相机的平均关节位置误差较最强固定相机基线改善超过2倍。仅使用3台主动相机即超越5台固定相机，并在全部12个实验组合中均取得最优结果。

在群体层，本研究构建了大规模非对称零和博弈追踪环境，以可利用度为核心指标，在统一评估协议下比较策略空间响应算法、虚拟自博弈与非对称自博弈三类共同演化机制的长期稳健性。策略空间响应算法的可利用度持续下降且后期稳定性最优。规避方在共同演化压力下涌现“诱饵-运输者”角色分化，追踪方形成“广域覆盖-局部拦截”行为互补，该涌现模式在多种博弈规模下可稳定复现。

上述四层构成自底向上的递进研究框架：计算层为约束优化提供数值可行的求解基础，个体层为团队协同提供行为可追踪的安全前提，团队层为群体治理提供个体贡献可量化的归因机制。每一层独立提供可验证的技术贡献，并在概念上为下一层提供支撑。本论文由此探索了从微分精度到群体稳健性的联合优化路径，为复杂系统中策略的可信部署提供初步参考。

本文研究了从时间序列观察中识别因果结构的问题。时间信息为识别因果结构提供了独特机会，因为原因必须先于其效果发生。此外，时间序列观察在科学发现、人工智能等问题中十分常见，允许在无需额外操作（如干预或随机实验）的情况下获得数据，从而最小化成本和伦理风险。具体而言，本文首先介绍了一种基于代理变量的条件独立性检验，为因果识别奠定基础。本文证明，对于感兴趣的因果对，给定（可能未观察到的）条件变量的条件独立性可以通过方程组表示，描述它们与代理变量的转移概率。在无因果效应的零假设下，该方程是线性的。基于此，本文构建了一个基于最小二乘回归的检验统计量。此外，在新的平滑条件下，本文通过适当的离散化算法将检验程序扩展到连续变量。

随后，利用所提出的条件独立性检验，本文开发了一种时间序列因果发现算法。本文的思路是，在时间序列中，每个隐藏变量都有一个观察到的后代，即其在未来某个可观察时间的表现。因此，本文可以使用观察到的后代作为代理变量，并调整由此引起的偏差。为此，本文首先用极大祖先图表示包含直接因果关系和隐藏中介的祖先信息。然后，为了区分因果关系和中介关系，本文使用隐藏中介的观察到的后代作为代理变量，并调整中介偏差。本文在理论上证明该策略可以实现时间序列中因果关系的完全识别。值得注意的是，该方法在本质上是非参数化的，仅依赖于结构方程的平滑性和完备性进行有效的基于代理变量的调整。

进而，本文将上述框架扩展到由随机微分方程驱动的连续时间系统中的因果发现问题。与传统的离散时间因果模型相比，这些动态因果模型引入了连续的时间指标，使其特别适合于神经科学、具身智能等领域中的高频问题。在这些系统中，因果关系通过局部独立性的概念进行形式化，意味着一个过程的历史不会直接影响另一个过程的演变。因此，动态因果识别的关键是设计局部独立性检验程序。然而，之前在伊藤过程（即随机微分方程的解）中并没有实用的局部独立性检验。为填补这一空白，本文提出了第一个针对伊藤过程的局部独立性检验。具体而言，本文识别了局部独立性假设与随机积分过程的鞅性质之间的联系，并引入检验来评估这一鞅性质，违反情况即表明局部依赖性。本文证明所提出的检验达到了其渐近水平和功效。借助该检验，本文提出了基于迭代搜索的算法来识别动态因果图。

最后，利用所恢复的因果图，本文设计了鲁棒的迁移学习算法。具体来说，当机器学习模型的一个局限性是对分布变化的脆弱性。为解决这一问题，本文提出了一种新颖的领域泛化方法。该方法扩展了所考虑的特征范围，使其不仅限于因果父特征，而是借鉴通过干预获得的一系列稳定分布。具体而言，本文利用独立因果机制识别因果不稳定变量作为数据集变化的来源。通过来自多个环境的数据，本文证明这些不稳定变量可以使用因果发现算法识别。因此，本文建议通过因果干预去除这些不稳定因素，以建立一系列稳定分布。然后，本文引入一种与图搜索相结合的最小最大学习框架，从这些稳定分布中识别出最鲁棒的预测器。

综上所述，本论文提出了一系列创新方法，逐步解决高效识别因果图的问题。首先，提出了一种条件独立性检验程序，为后续的因果识别理论和因果图发现算法提供了工具。在此基础上，建立了离散时间模型下因果模型的可识别性，并设计了高效的因果发现算法。进一步，扩展到连续时间系统的因果识别问题，引入针对伊藤过程的局部独立性检验程序，实现了动态因果图的高效识别。最后，将因果发现算法应用于迁移学习，提高了当前机器学习模型的稳定性和鲁棒性。

多模态视觉语言理解连接视觉感知与语言推理，是计算机视觉与自然语言处理的交叉研究方向。视觉编码器+桥接模块+大语言模型成为主流架构范式后，性能瓶颈已从模型架构本身转移到训练数据的质量、规模与使用效率，与以数据为中心的 AI 研究范式方向一致。当前多模态数据体系存在三方面问题，其一，评测基准依赖人工设计的封闭概念集，难以覆盖开放世界中视觉概念的多样性；其二，长视频等复杂场景的训练数据匮乏，人工标注成本高昂；其三，大规模混合训练数据中样本价值差异较大，全量训练既浪费计算资源，也可能因低质量样本拖低模型性能。本文围绕基于多模态理解的数据构建与优化问题，从评测基准构建、训练数据生成、数据效率优化和垂直领域系统验证四个维度展开，构成评测→生成→优化→验证的研究链路，主要贡献概述如下。

（1）提出开放世界视觉推理基准 BP-OpenWorld。该基准将经典 BP 对比推理范式拓展至真实图像和自由形式概念，涵盖物体类别、人-物交互、视觉属性、功能状态、事实知识等十类视觉概念，共包含1,010个独特概念。基于 CLIP 的自动化概念挖掘与图像检索结合干扰项和困难负样本设计，构建出高鉴别力的少样本推理评测体系，并为评测基准的自动化构建提供方法论。对少样本学习、视觉语言模型、大语言模型等多类代表性方法的系统评测显示，当前最佳方法（64%准确率）与人类水平（91%准确率）之间存在27个百分点的差距，对应现有模型在跨视觉输入信息整合与概念推理上的能力缺口，构成后续面向视频理解的训练数据构建的出发点。

（2）提出大规模长视频理解数据集与基准 LongViTU。现有视频问答数据自动生成方法受限于不超过30秒的短证据链，难以支持长程时序推理能力训练。LongViTU 设计层级化视频树结构，将长视频按帧级、事件级、片段级组织为多粒度语义表示，建模长时序依赖关系；提出问当前、答历史的滑动窗口问答生成策略，将平均证据链长度提升至4.6分钟；建立涵盖时空理解、情节推理和常识推断的12类推理分类体系；引入自我修正与纯文本偏差检测机制控制自动标注偏差。数据集覆盖约900小时视频、12.1万组问答对。微调实验中，经 LongViTU 训练的模型在长视频理解基准上的性能提升幅度随视频时长增加而扩大，长程时序推理能力上的训练效果得到实证支持。

（3）提出目标驱动的数据优化框架 GDO。该框架设计光流、视频依赖分数、时序必要性、自一致性、困惑度和覆盖度六维可解释样本描述符，从互补维度刻画每个训练样本的训练价值，并通过目标驱动的共享评分与可行性约束机制构建训练子集。在模型架构和训练配置固定的条件下，使用不足十分之一的训练数据即可达到或超越全量基线性能，数据压缩比为14至19倍。进一步分析显示，GDO 将模型容量集中到目标相关的子任务，实现能力维度上的选择性增强，表明数据筛选中数据质量优于数据规模。

（4）提出面向视障辅助的流式视觉理解系统 NavSight，将视障辅助建模为流式第一人称决策问题，设计15秒滑动窗口决策范式和包含主动警报、主动沉默、视觉问答、丢弃四种动作的统一辅助动作空间。两阶段标注管线从大规模自我中心视频中自动构建标注与评测基准，使标注、训练、评测在同一处理条件下运行。0.8B 参数的紧凑模型在辅助基准上达到90.0%准确率，与397B 参考模型的92.6%相差2.6个百分点，在障碍躲避（99.5%）、场景确认（99.5%）、导航指引（95.7%）等核心辅助场景上达到接近参考模型的准确率，证明以数据为中心的方法论可在垂直领域落地。

本文四项工作沿评测→生成→优化→验证的主线展开，在方法论上共享自动化构建、质量控制和结构化设计三条共性，覆盖基准构建、数据生成、数据优化与系统验证四个层次，构成以数据为中心的多模态理解研究的完整链条。

本论文围绕面向具身智能的主动因果推理这一主题，针对四个相互关联的研究问题给出解决方案。第三章研究从被动视频观测中估计反事实效应，第四章研究通过主动干预判定因果方向，第五章将前两章的理论框架融入具身操作场景，提出面向未知关节物体的主动运动学建模方法，第六章将第四章的双变量方法推广至代价约束下的多变量因果发现。

第一，针对从被动视频观测中理解因果关系的问题，本文提出场景条件化的反事实推理框架。该框架将视频中的反事实效应估计形式化为条件反事实期望，通过结果回归与倾向性得分重加权两种识别公式消除场景混杂，采用核局部化技术处理连续背景变量导致的非路径可微问题，并基于高效影响函数理论构造达到半参数效率界的偏差校正估计量。在 TongSIM 家居仿真环境与真实机器人平台上的实验验证了该方法在强场景混杂下的有效性。

第二，针对用尽可能少的主动交互确定因果方向与机制的问题，本文以贝叶斯因子（Bayes factor）为证据度量，提出决定性且正确的证据概率作为干预优化目标。该目标直接优化干预后得到决定性且正确结论的概率；信息增益准则则只间接度量决策置信度。利用证据概率目标的对称性与最优子结构性质，本文设计动态规划算法将多步联合优化的计算复杂度由指数级降为多项式级，在固定预算下给出可计算的最优干预序列。实验表明该方法在弱因果效应下优于信息增益类方法，并可扩展至树结构因果发现与具身推理任务。

第三，针对将因果推理应用于具身操作系统的问题，本文提出面向未知关节物体的主动运动学建模方法。该方法包含假设驱动探索、无监督关节建模与精确操作三个阶段。探索阶段通过视觉特征相似度初始化可操作性先验，并利用失败抑制机制在像素空间传播负证据；建模阶段采用由粗到精的两阶段策略，先通过贝叶斯因子比较判别关节类型，再通过运动学约束优化估计关节参数；操作阶段通过迭代重定位与反事实预测完成修正。在仿真与真实机器人上的实验验证了方法的有效性与泛化能力。

第四，针对非均匀代价约束下的多变量因果发现，本文延续第五章中观察到的接触点代价不均匀现象，将贝叶斯因子框架推广至最大定向部分有向无环图（Maximally Oriented Partially Directed Acyclic Graph，MPDAG）表示，给出基于 Bhattacharyya 信息的每节点样本代价闭式上界与代价比贪心规划。理论上证明对最优自适应规划代价的对数因子累积样本数竞争界与高概率全局正确性；实验在6个合成与3个真实贝叶斯网络上验证有效性，最难的真实网络上达到约8倍的样本节约。

本论文的主要贡献包括：视频反事实推断的半参数高效估计量及其效率界证明；基于决定性证据概率的序贯干预优化算法及其多项式时间动态规划求解；具身交互中的假设检验与运动学建模的因果解释；非均匀代价约束下的多变量因果发现算法、基于 Bhattacharyya 信息的样本代价闭式上界与对数因子累积样本数竞争界。上述方法为具身智能系统在少量交互下的因果建模与决策提供了理论与算法支持。

具身智能的核心目标是使机器人在开放、动态的真实环境中自主完成多样化操作任务。强化学习通过智能体与环境的主动交互自主探索最优策略，为实现通用机器人操作提供了核心技术路径。然而，真实机器人的数据采集受物理规律严格制约，与仿真环境存在4–5个数量级的效率差距，样本效率成为制约真机强化学习从实验室走向规模化部署的核心瓶颈。本文将“样本高效学习方法”定义为：从感知、探索、奖励三个维度系统性降低机器人强化学习达到给定性能所需的交互样本需求的方法体系。样本效率受感知、探索、奖励三个维度的共同制约，三者伴随任务复杂度的递增依次成为主导瓶颈：在短程精密操作任务中，融合视触觉多模态观测进行策略学习的效率极低；在中程多步骤组合操作任务中，真机探索负担极重；在长程开放场景操作任务中，任务目标难以形式化，有效的稠密奖励函数无从定义。

本文围绕上述三个研究难题，沿任务复杂度递增路径从感知、探索、奖励三个维度逐级攻克样本效率瓶颈，采用模块化独立验证策略提出四项创新性工作。其中，感知与奖励学习两条主线共享分数匹配与扩散生成模型这一核心方法论工具。

随着人工智能技术的快速发展，智能体在游戏博弈、软件交互等数字领域已展现出卓越的能力。然而，要真正服务于人类的日常生活需求，智能体需要走进物理世界，以具身智能体的形态与真实环境和人类进行交互。具身智能体在实际部署中不可避免地面临两类关键的不确定性：环境的部分可观测性（如铰链物体的内部机械结构无法从外部视觉推断）和交互同伴的意图不确定性（如人类用户的偏好和需求不会被显式表达）。面对这些不确定性，智能体无法通过单次观察获得最优动作解，而必须具备自适应能力，即根据交互过程中积累的上下文信息动态调整决策策略。

围绕这一问题，本文以“基于环境上下文与同伴建模的自适应智能体”为研究主题。本文的核心目标是构建一个基于上下文的自适应策略，使其能够利用从环境交互和同伴交互中积累的上下文信息，在仅能获取局部观测的条件下，尽可能逼近完全信息下的最优策略。本文提出了四个难点挑战：物体操作任务中内部隐藏机械结构带来的操作序列多解、自适应策略的泛化困难、多智能体系统中的同伴建模与适应、以及真实场景中融合环境上下文与同伴建模的综合系统构建。针对这四个难点，本文从单智能体的环境自适应出发，经由基座模型驱动的泛化策略，拓展至多智能体的同伴建模，最终汇聚于具身人机交互中环境上下文与同伴建模的联合应用，系统研究了上下文建模在赋予智能体自适应能力中的核心作用，为复杂交互环境中的具身智能体决策提供了新的思路与方法。

本文围绕量子态函数型量与信息几何量的高效估计问题，系统研究了一条以块编码、量子信号处理、量子奇异值变换和量子振幅估计为核心的统一算法路线。全文首先建立基本计算模型、线性代数工具和误差分析框架，并明确区分样本访问、纯化量子查询访问及其对应的复杂度标度；随后系统整理量子信号处理与量子奇异值变换的常用约定、相位因子合成方法以及矩阵函数实现技术，并结合多项式逼近、有理逼近与伪逆构造，为处理依赖谱结构和奇异值非线性变换的目标量奠定方法基础。

在此基础上，本文针对三类代表性目标量给出了相应的量子算法与复杂度分析。第一，针对量子态非线性谱泛函，本文研究了一类由密度矩阵高阶谱结构决定的非线性迹泛函，分别在样本访问模型与纯化量子查询访问模型下构造估计算法，并系统比较两类输入模型下的复杂度差异与能力边界。第二，针对保真度易感性及更一般的响应量，本文建立了把相关对象系统转化为矩阵函数与谱核估计问题的算法框架，给出了相应的端到端量子算法，并进一步分析了无阻挫体系中的复杂度改进。第三，针对量子 Fisher 信息，本文分别研究了基于对称对数导数块编码的纯化量子查询访问方案，以及基于样本访问与虚拟蒸馏的估计方案，并将所得结果与量子计量、多体纠缠见证、纠缠深度判定及量子几何张量等问题联系起来。

本文的主要贡献在于，从量子态与物理系统性质探测这一统一视角出发，将量子态非线性谱泛函、几何响应量与量子 Fisher 信息纳入同一方法框架，并围绕对象表示、算符实现、误差控制和复杂度分析建立了较为完整的算法链条。本文结果表明，一大类依赖谱结构、伪逆核或滤波核的目标量都可以在统一的矩阵函数变换框架下得到系统处理。与通用量子态层析路线相比，这一方法更直接地面向目标量本身，能够更充分体现量子算法在信息提取方式上的优势，并为进一步研究一般函数型量估计的下界理论以及低秩与一般情形下的复杂度刻画奠定基础。