研究编辑

乔鑫宝当前的研究重心是数据中心 ML和 AI 与网络，包括 AI for Networks 与 Networks for AI。

研究主线编辑

乔鑫宝主要围绕 AI 模型中数据的全生命周期管理开展研究，关注数据从获取、使用到删除过程中的理论方法与实际问题。相关工作致力于提升 AI 模型在异质、计算和通信受限环境下的可靠性、可解释性与可控性。

1. 在数据获取方面，研究合成数据生成及其质量、隐私与泛化影响；
2. 在数据使用方面，关注分布式/联邦学习、AI for Networks 与 Networks for AI 等场景下的数据建模、协同优化与系统设计；
3. 在数据删除方面，研究机器遗忘与数据影响评估，探索如何在保护隐私和满足删除需求的同时维持模型性能。

AI 与网络编辑

AI 与网络 覆盖 AI 与网络通信系统的交叉：AI for Networks、Networks for AI、去中心化学习、数据剪枝和协作评估。在当前 CUHK 博士阶段，这条主线与数据中心 ML相结合，并包括Wasserstein barycenter 的分布式计算等工具，即在不默认汇总原始数据的前提下，把多方局部分布组合成共享的分布参考。

在审稿件 Decentralized Free-Support Wasserstein Barycenter 将这一方向具体化为自由支撑重心计算：通过学习支撑点位置，让共享参考适应分布几何，同时区分重心质量与网络一致性的通信需求。

机器遗忘编辑

机器遗忘 研究删除请求后的认证数据删除和低成本更新机制。相关工作包括 无 Hessian 在线认证遗忘、超越二元擦除、DynFrs、影响函数 和 认证数据删除。

合成数据编辑

合成数据 研究递归合成数据训练、数据选择、样本选择偏差、模型坍缩，以及低资源 数据孤岛 中的协作缓解。代表性论文是 样本选择偏差何以促成模型坍缩，研究有限且分散的真实数据如何使本地筛选放大模型坍缩风险。

大语言模型可靠性编辑

大语言模型可靠性 研究模型回答能否获得充分证据支持。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。

数据中心 ML 与可信 AI编辑

数据中心 ML 覆盖数据选择、估值、过滤和评估。可信 AI 连接机器遗忘、公平性、鲁棒性、隐私、安全、可解释性和可靠性。

几何与分布式学习编辑

Wasserstein 几何、分布式 Wasserstein barycenter 与 分布式学习 为协作评估、最优传输代理、去中心化数据访问，以及网络化 AI 系统中的分布参考提供工具。