2026年5月24日，HAUST-HNU大模型与安全联合研究团队第42期组会在线召开。本次组会主题是面向大语言模型增强的图神经网络的实用化黑盒节点注入攻击和信息扩散预测方法。会议由河南师范大学荆军昌副教授主持。

       河南科技大学2024级硕士研究生袁梦颖于会议中汇报了题为《GRAPHTEXTACK: A Realistic Black-Box Node Injection Attack on LLM-Enhanced GNNs》的研究，该研究针对LLM-enhanced GNN提出了**现实场景下的黑盒多模态节点注入攻击框架，通过联合优化图结构连接与语义特征，在不修改原始图数据、无需梯度或代理模型的条件下，实现了显著优于现有方法的攻击效果。实验结果表明，多模态协同攻击相比单模态扰动能够更有效地破坏消息传播与语义聚合过程，而消融实验进一步验证了各个部分的关键作用。这说明，在LLM与GNN深度融合后，模型不仅继承了图结构脆弱性，还暴露出新的语义攻击面，使得结构与文本之间的耦合成为重要安全隐患。

       河南师范大学2025级硕士研究生李一飞于会议中汇报了题为《Disentangling Inter- and Intra-Cascades Dynamics for Information Diffusion Prediction》的研究，该研究针对当前信息扩散预测方法仅依赖单一级联中的历史行为、忽视跨级联历史交互与级联内未来信息的核心痛点，提出了融合多尺度交互的创新模型MIM。研究围绕两大挑战展开：一是用户意图在历史交互中呈现纠缠状态，难以解耦；二是直接利用未来数据会引发严重的训练-推理不一致问题。为此，MIM设计了两大核心模块：一是构建多通道超图，分别从社会关系、扩散依赖和用户偏好三个维度捕捉细粒度用户意图，并通过超图注意力网络实现意图增强表示；二是提出双时序网络，分别建模过去与未来的时序依赖，并引入层级知识蒸馏（包括预测级和嵌入级）实现过去-未来知识迁移，从而在不引入数据泄漏的前提下提升预测能力。此外，研究还从信息论角度证明了多尺度交互的有效性。在Twitter、Douban、Weibo、Meme四个真实数据集上的大量实验验证表明，MIM在Hits@10和MAP@10上平均提升4.5%和6.5%，显著优于11种主流基线方法。消融实验、可视化分析和效率评估进一步证明了多通道超图、超图注意力与层级蒸馏各自的关键贡献，充分揭示了跨级联历史意图与级联内未来信息联合建模在提升信息扩散预测泛化能力方面的重要作用，为构建高鲁棒、高泛化的社交传播预测系统提供了新的技术路径。

       交流讨论阶段，与会师生围绕两项研究的创新亮点及领域研究脉络关联展开深入探讨，既针对黑盒节点注入攻击里图结构与语义特征联合优化、多模态协同扰动等核心技术，以及信息扩散预测中多通道超图建模、双时序网络与层级知识蒸馏等设计细节细致研讨，也就两篇成果分别从融合模型安全隐患挖掘、多尺度交互建模优化层面，剖析其揭示的模型缺陷与性能提升机理，探讨相关结论对后续图智能攻防、社交传播预测研究的参考意义。