教大研究团队在ICML2026大会取得突破性成果
三篇论文获发表推动更强推理、公平性与可信度的人工智能发展
香港教育大学（教大）与悉尼科技大学、武汉大学及华中科技大学合作，在2026年第四十三届国际机器学习大会（ICML）取得里程碑式的突破性成果。教大数学与资讯科技学系讲座教授徐贯东教授及其研究团队，包括教学科技中心助理教授杨宇博士及研究助理Nitin Bisht 先生，共有三篇论文获接纳并发表，其中一篇更获选为口头焦点报告。大会在23,918 篇投稿中仅挑选了168 篇优秀论文作为口头焦点报告，充分彰显研究成果的卓越水准。
ICML被视为人工智能研究最严谨、最具影响力的国际学术平台之一。三篇论文回应了人工智能领域的关键挑战：大型语言模型如何更高效地推理、如何提升推荐系统的公平性，以及如何改善信心分数的校准以增强人工智能的可信度。团队的研究成果不仅体现国际学术领导力，也突显以人为本的人工智能研究日益重要。
强化大型语言模型的推理能力
获选为口头聚焦报告的论文《Don’t Force the Fit: Bounded Log Likelihood Loss for Enhanced Reasoning in Large Language Models》提出一种崭新的训练目标，以减少大型语言模型的过度自信及「捷径式」推理。徐教授团队创新性地提出有界对数似然（Bounded Log Likelihood, BLL）损失函数，能有效限制与推理无关的低频词元对模型的影响，从而显著提升模型的推理能力。
该方法在算术、常识及符号推理基准测试中均带来显著改进，推动具备不确定性感知能力的人工智能系统于医疗、法律及教育等高风险领域的应用。
促进更公平的推荐系统
论文《CORAL: Uncertainty Aware Regulation of Exposure Concentration in Recommender Systems》聚焦于推荐系统中曝光集中所引发的伦理挑战，即少数热门项目过度占据用户注意力。CORAL建立一套动态曝光分配策略，降低对高确定性热门项目的集中曝光，同时为具不确定性的项目提供规范化展示机会，让具潜力的新项目获得公平展示。
理论证明CORAL的不确定性感知调控，能在不牺牲推荐准确度的情况下，实现接近最优的长期公平性。透过轻量化整合贝叶斯不确定性估计，CORAL有助打破资讯茧房、支持小型创作者，并促进更具多样性的资讯生态。
推动可信人工智能
论文《CARE: Adaptive Calibration for Reliable Recommendations》处理推荐系统中信心分数校准不足的问题。例如，招聘平台可能预测某位候选人与职位有 95% 的匹配度，但实际获得面试的可能性只有 70%。这类落差会削弱用户信任，并可能在就业、信贷或健康建议等领域导致不理想的决策。
CARE提出一种自适应后处理算法，学习不同子群体的校准映射，在细致度与统计可靠性之间取得平衡。团队亦提供理论保证，证明随着数据累积，该方法能降低各群体的预期校准误差，使系统随时间变得更可信。CARE具备模型无关性（Model-agnostic）、推理开销极低等优点，可应用于现有推荐模型之上。当推荐概率能更准确反映真实可能性，用户便能作出更明智选择，平台亦能提升问责性。
是次三篇 ICML论文充分展现教大在人本人工智能研究方面的领导地位。徐教授表示：「最令人振奋的突破，是让模型不仅更强大，也更值得人类信任。」除了在ICML 2026 获得卓越成就外，徐教授、杨博士及教学科技中心助理教授尹楠博士亦于2026年第三十二届ACM SIGKDD国际知识发现与数据挖掘大会（KDD）发表四篇论文。KDD是数据科学与人工智能领域的国际顶尖会议之一。这一系列研究成果标志着教大在人工智能与数据科学领域取得重要突破，并进一步巩固大学在推动稳健、公平、可信及具社会责任的人工智能研究方面的前沿地位。
-完-
教大研究团队在ICML 2026 大会取得突破性成果 三篇论文获发表推动更强推理、公平性与可信度的人工智能发展
下载所有图片
