近日，我校计算机科学与技术学院24级电子信息专业硕士生叶阳春的论文“Rethinking Graph‑LLMs: Are Performance Gains Confounded by Data Leakage?”（《重新思考图大模型：性能提升是否被数据泄露所混淆？》）被国际顶级学术会议CIKM 2026录用，将在CIKM 2026上进行报告展示。

CIKM（ACM International Conference on Information and Knowledge Management，国际信息与知识管理会议）是ACM旗下信息检索、知识管理与数据库领域的顶级国际会议，由ACM SIGIR与SIGWEB联合主办。会议始于1992年，三十余年来一直是信息检索、知识管理、数据挖掘和数据库系统研究的顶级国际论坛，汇聚全球学术界与工业界研究者，探讨信息访问、知识表示、数据挖掘、推荐系统及人工智能对智能信息系统的影响。

近年来，大语言模型（LLMs）显著提升了文本属性图（TAG）学习性能，但其增益可能部分来自大模型预训练过程中记忆的、与目标相关的参数化先验，而非真实的图推理能力。在TAG中，这类记忆触发信号还可能通过邻域聚合沿图结构传播，进一步放大偏差。

叶阳春同学的研究提出一种基于结构因果模型（SCMs）的Graph-LLM数据泄露分析框架，通过提示干预和实体匿名化分析模型记忆对下游图预测的影响，并构建保持图结构不变的全局一致实体匿名化基准。在多种数据集、嵌入模型和图骨干上的实验表明：目标相关元信息可能成为预测捷径，图消息传递会传播并放大记忆诱导偏差，而实体匿名化会显著降低Graph-LLM性能。实验结果说明，若没有对模型中记忆的参数化先验进行适当控制，当前Graph-LLM基准上的实验结果可能会高估模型真实的泛化能力。 

据本次会议官方统计数据，CIKM 2026本届共收到2216篇投稿，最终录用597篇论文，整体录用率为27%，在投稿量规模较大的背景下，论文竞争十分激烈，该篇工作能够成功录用，体现出领域同行对研究议题的认可。

责编：符方德

初审：漆祖希

复审：许浩丰