项目编辑
AI 与网络、机器遗忘、合成数据及语言模型可靠性研究项目。
研究项目编辑
AI 与网络编辑
AI 与网络 是当前主要研究方向。它包括 AI for Networks、Networks for AI、去中心化学习的数据剪枝、通信感知评估、跨数据孤岛的可靠性，以及基于 Wasserstein 几何的参考分布计算。
分布式 Wasserstein barycenter编辑
分布式 Wasserstein barycenter 是 AI 与网络方向的研究项目之一。它研究多方如何从局部经验分布计算或近似共享的分布参考，并服务于协作评估、样本打分和合成数据验证。
机器遗忘编辑
机器遗忘 包括可微模型的近似认证遗忘，以及树集成的精确或高效遗忘。相关工作包括 无 Hessian 在线认证遗忘、超越二元擦除 和 DynFrs。
协作评估编辑
协作评估 研究不交换原始数据的验证。它在 ICML 2026 模型坍缩工作中用于以多方 Wasserstein 几何代理替代单一低资源、有偏验证器。
合成数据编辑
合成数据 追问生成数据何时能够安全替代或增强真实数据，以及递归训练何时放大偏差或侵蚀多样性。当前重点是低资源社区：当真实数据覆盖碎片化时，本地过滤更容易剪掉有效尾部模式。代表性论文是 样本选择偏差何以促成模型坍缩。
可信大语言模型系统编辑
大语言模型可靠性 研究语言模型是否在缺乏充分证据时推断关联。获 NeurIPS 2026 录用的《Illusory Pattern Perception Drives Spurious Inference in Large Language Models》通过三个心理任务比较大语言模型与人类的错觉模式感知。