香港教育大學（教大）與悉尼科技大學、武漢大學及華中科技大學合作，在2026年第四十三屆國際機器學習大會（ICML）取得里程碑式的突破性成果。教大數學與資訊科技學系講座教授徐貫東教授及其研究團隊，包括教學科技中心助理教授楊宇博士及研究助理Nitin Bisht先生，共有三篇論文獲接納並發表，其中一篇更獲選為口頭焦點報告。大會在23,918 篇投稿中僅挑選了168 篇優秀論文作為口頭焦點報告，充分彰顯研究成果的卓越水準。

ICML被視為人工智能研究最嚴謹、最具影響力的國際學術平台之一。三篇論文回應了人工智能領域的關鍵挑戰：大型語言模型如何更高效地推理、如何提升推薦系統的公平性，以及如何改善信心分數的校準以增強人工智能的可信度。團隊的研究成果不僅體現國際學術領導力，也突顯以人為本的人工智能研究日益重要。

強化大型語言模型的推理能力

獲選為口頭聚焦報告的論文《Don’t Force the Fit: Bounded Log Likelihood Loss for Enhanced Reasoning in Large Language Models》提出一種嶄新的訓練目標，以減少大型語言模型的過度自信及「捷徑式」推理。徐教授團隊創新性地提出有界對數似然（Bounded Log Likelihood, BLL）損失函數，能有效限制與推理無關的低頻詞元對模型的影響，從而顯著提升模型的推理能力。

該方法在算術、常識及符號推理基準測試中均帶來顯著改進，推動具備不確定性感知能力的人工智能系統於醫療、法律及教育等高風險領域的應用。

促進更公平的推薦系統

論文《CORAL: Uncertainty Aware Regulation of Exposure Concentration in Recommender Systems》聚焦於推薦系統中曝光集中所引發的倫理挑戰，即少數熱門項目過度佔據用戶注意力。CORAL建立一套動態曝光分配策略，降低對高確定性熱門項目的集中曝光，同時為具不確定性的項目提供規範化展示機會，讓具潛力的新項目獲得公平展示。

理論證明CORAL的不確定性感知調控，能在不犧牲推薦準確度的情況下，實現接近最優的長期公平性。透過輕量化整合貝葉斯不確定性估計，CORAL有助打破資訊繭房、支持小型創作者，並促進更具多樣性的資訊生態。

推動可信人工智能

論文《CARE: Adaptive Calibration for Reliable Recommendations》處理推薦系統中信心分數校準不足的問題。例如，招聘平台可能預測某位候選人與職位有 95% 的匹配度，但實際獲得面試的可能性只有 70%。這類落差會削弱用戶信任，並可能在就業、信貸或健康建議等領域導致不理想的決策。

CARE提出一種自適應後處理算法，學習不同子群體的校準映射，在細緻度與統計可靠性之間取得平衡。團隊亦提供理論保證，證明隨着數據累積，該方法能降低各群體的預期校準誤差，使系統隨時間變得更可信。CARE具備模型無關性（Model-agnostic）、推理開銷極低等優點，可應用於現有推薦模型之上。當推薦概率能更準確反映真實可能性，用戶便能作出更明智選擇，平台亦能提升問責性。

是次三篇ICML論文充分展現教大在人本人工智能研究方面的領導地位。徐教授表示：「最令人振奮的突破，是讓模型不僅更強大，也更值得人類信任。」除了在ICML2026 獲得卓越成就外，徐教授、楊博士及教學科技中心助理教授尹楠博士亦於2026年第三十二屆ACM SIGKDD國際知識發現與數據挖掘大會（KDD）發表四篇論文。KDD是數據科學與人工智能領域的國際頂尖會議之一。這一系列研究成果標誌着教大在人工智能與數據科學領域取得重要突破，並進一步鞏固大學在推動穩健、公平、可信及具社會責任的人工智能研究方面的前沿地位。