报告主题：牛津大学｜面向关系学习的智能体数据科学家 RelAgent

报告日期：7月30日（周四） 10:30-11:30
报告要点：
关系学习是一个具有挑战性的问题，基于图、表格和序列的方法各自存在局限。智源Talk 372期邀请了牛津大学黄星越线上分享，提出了RelAgent——一种面向关系学习的、基于大语言模型的自主数据科学家。其工作流程分为搜索与推理两阶段，最终预测器由SQL查询和经典机器学习模型组成，实现了快速、确定性且天然可解释的预测，支持高效可扩展部署。欢迎大家一起讨论交流。
论文链接：https://arxiv.org/abs/2605.07840

议题详情：

关系学习是一个具有挑战性的问题，催生了多种研究方法，包括基于图的方法（如图神经网络、图 Transformer）、表格方法（如表格基础模型）以及基于序列的方法（如大语言模型），它们各自具有不同的优势与局限。我们提出了 RelAgent，一种面向关系学习的、基于大语言模型的自主数据科学家，其工作流程分为两个阶段。在搜索阶段，大语言模型智能体利用数据库、验证和评估工作空间等工具，构建 SQL 特征程序并选择预测模型。在推理阶段，生成的程序无需进一步调用大语言模型即可直接执行。最终得到的预测器由SQL查询和经典机器学习模型组成，实现了快速、确定性且天然可解释的预测：特征由人类可读的 SQL 查询定义，预测结果仅依赖于这些查询生成的特征映射，因此能够基于标准数据库系统实现高效、可扩展的部署。

报告嘉宾：

黄星越，牛津大学计算机科学系博士研究生，师从 İsmail İlkan Ceylan 教授和 Michael Bronstein 教授，研究方向包括关系学习、图基础模型、知识图谱和大语言模型智能体。相关成果发表于 NeurIPS、ICML、ICLR、ACL 和 TMLR。目前在 Meta Central Applied Science 团队实习，此前曾在 Snap Research 和 CAMEL-AI 实习，并担任 ICML 2026 图基础模型（Graph Foundation Models）研讨会主席、NeurIPS 2025 智能体规模化环境（Scaling Environments for Agents）研讨会组织者。 
电脑端观看地址



更多热门活动：

内容中包含的图片若涉及版权问题，请及时与我们联系删除