English
导航

简历

乔鑫宝编辑

教育经历

香港中文大学 信息工程博士。导师：张颖珺。
2026年8月∼至今

研究方向我的研究主要关注 AI 模型中数据的生命周期管理，重点研究数据在获取、使用和删除过程中产生的理论方法与实际问题。近期工作旨在提升异构、计算受限与通信受限环境中 AI 模型的可靠性、可解释性与可控性。

浙江大学 人工智能工学硕士。导师：张萌。
浙江。2022年9月 ∼ 2025年12月
山东大学 通信工程工学学士。
山东。2018年9月 ∼ 2022年7月

研究经历

博士阶段研究 @ 香港中文大学
香港。2026年8月 ∼ 至今

研究分布式 AI 中数据生命周期管理，覆盖获取、使用、删除与联邦学习。

  • 提出面向通信受限设置的最优传输联邦学习与 barycentric multi-prototype classification。Paper #6
硕士阶段的数据中心机器学习系统研究 @ 浙江大学
浙江。2023年3月 ∼ 2025年12月

构建面向连续影响控制、在线认证删除与动态树集成的数据删除方法。

  • 将机器遗忘从二元删除扩展为连续样本权重，支持针对性的公平性与鲁棒性干预。Paper #3
  • 基于 recollected trajectory statistics 构建无 Hessian 在线认证遗忘，替代显式 Hessian 求逆以服务流式删除请求。Paper #4
  • 通过更新受影响树统计量实现动态随机森林的精确遗忘，避免全量重训。Paper #5
可信 LLM 系统科研实习 @ NUSRI CQ
重庆。2025年6月 ∼ 2025年12月

研究合成数据反馈回路与缺乏支持的关系推断中的 LLM 可靠性问题。

  • 说明低资源验证如何放大递归合成数据训练中的样本选择偏差，持续剪除尾部数据并诱发模型坍缩。Paper #1
  • 通过三个心理任务比较 LLM 与人类的错觉模式感知，并分析相关 SAE 特征。Paper #2

开源贡献与学术服务

  • 研究代码发布, 公开认证遗忘、软加权遗忘与模型坍缩相关代码。
  • Xinbaopedia, 公开学术主页与 wiki 式研究档案，含论文、图表、CV 与项目记录。
  • 学术审稿，2026 年, 担任 ICML、NeurIPS 和 AAAI 审稿人；NeurIPS 2026 Top Reviewer。
  • 学术审稿，2025 年, 担任 NeurIPS、ICLR、AAAI 和 IEEE TNNLS 审稿人。

精选论文

星号（*）表示共同第一作者；剑号（†）表示通讯作者。

链接图标：OpenReviewarXiv代码（GitHub）出版论文页

  1. 1.
    When Sample Selection Bias Precipitates Model Collapse
    ICML 2026.

    乔鑫宝†、杜相龙、刘巍、张婧琦、麦佩华、张萌†、庞严†

    说明低资源验证如何把选择偏差转化为持续的尾部剪除与模型坍缩。

  2. 2.
    Illusory Pattern Perception Drives Spurious Inference in Large Language Models
    NeurIPS 2026.

    麦佩华*、邵卓妍*、乔鑫宝*、张萌、周欣悅†、庞严†

    比较 LLM 与人类的错觉模式感知，并用 SAE 分析相关特征。

  3. 3.
    Beyond Binary Erasure: Soft-Weighted Unlearning for Fairness and Robustness
    AAAI 2026.

    乔鑫宝、丁宁宁、程雨诗、张萌†

    将二元删除推广为连续影响控制，以支持针对性的公平性与鲁棒性干预。

  4. 4.
    Hessian-Free Online Certified Unlearning
    ICLR 2025.

    乔鑫宝、张萌†、唐茗、魏尔敏

    用 recollected trajectory statistics 替代显式 Hessian 求逆，实现可扩展的认证删除。

  5. 5.
    DynFrs: An Efficient Framework for Machine Unlearning in Random Forest
    ICLR 2025.

    汪树荣、沈卓洋、乔鑫宝、Tongning Zhang、张萌†

    通过更新受影响树统计量，在动态环境中实现精确的随机森林遗忘。

  6. 6.
    Federated Learning as Optimal Transport: Barycentric Multi-Prototype Classification
    在审。

    乔鑫宝、闫文静†、张颖珺

    在通信约束下，将联邦学习表述为最优传输，并构建 barycentric multi-prototype classification。

  7. 7.
    Decentralized Free-Support Wasserstein Barycenter
    在审。

    乔鑫宝、侯博凯、麦佩华、李文倩、闫文静、张颖珺

    通过邻居 gossip 学习可移动的 barycenter supports，将几何质量与网络一致性分离。