近日，广州华立学院为第一单位，李有红老师作为第一作者，在国际权威学术期刊Neurocomputing上，发表了题为Federated dynamic graph neural network for cross-modal organizational real-time community detection（《面向跨模态组织的实时社区发现的联邦动态图神经网络》）的研究论文。Neurocomputing是神经计算、人工智能等领域国际上的权威刊物，现为Jcr分区Q1，中科院SCI分区计算机科学大类2区Top，影响因子6.5。该研究成功提出了一种名为“FedDyCM”的联邦动态跨模态社区检测框架，在动态时空建模、跨模态融合、隐私与公平协同三大核心技术上取得突破性进展，为复杂组织在数据隐私保护下的实时动态感知与决策提供了全新解决方案。

随着全球数字化转型进程加速，跨国企业、应急指挥中心等大型组织的网络结构呈现出高度动态、多模态融合的特性。如何在确保各部门数据隐私不被泄露的前提下，实时、精准地洞察组织内部的动态社区结构，如突发危机下的应急团队、舆论事件中的关键群体，是当前人工智能领域面临的重大挑战。李有红团队的研究正是针对这一“数据孤岛”与“隐私安全”下的实时分析难题。

该研究在动态事件因果建模、多模态智能融合、隐私与公平协同保障三大方面实现了创新与突破，提出了融合霍克斯过程的时序图神经网络、门控注意力机制与本地差分隐私熵约束模型，实现了对突发性社区结构变化的精准感知、多模态语义的自适应对齐，以及在严格隐私保护下的公平社区发现，为大型组织在数据安全前提下开展实时动态群体感知与决策提供了高效、可靠的整体解决方案。

实验结果表明，FedDyCM框架在模块化程度、F1分数等关键指标上均显著优于现有基线模型，为跨国组织管理、应急协同、网络安全等场景提供了高效、安全且公平的智能决策支持。该项成果不仅推动了动态图神经网络在复杂现实场景中的实际应用，也标志着我校在人工智能隐私计算前沿领域的研究水平迈入了国际先进行列。

文章链接：https://www.sciencedirect.com/science/article/abs/pii/S0925231225019940

Doi：https://doi.org/10.1016/j.neucom.2025.131322