【亞洲文旅網訊】香港中文大學20日公佈，系統工程與工程管理學系副系主任（研究生課程）程鴻及其研究團隊於2023年知識發現和數據挖掘特別小組（SIGKDD）國際會議上榮獲計算機協會（ACM）頒發的最佳論文獎（研究型）。
獲獎論文“All in One: Multi-task Prompting for Graph Neural Networks”從全球超過1400份投稿中脫穎而出，是SIGKDD史上首次有香港學者獲此殊榮。
圖片來源：香港中文大學
目前，大多數人工智能（AI）模型的指令框架只能執行語言指令。程鴻的團隊提出了一種嶄新的指令學習方法，使AI能夠理解、處理和輸出圖表及關係網絡等非線性數據。新方法有效將AI模型的準確率提升1%至8%。該研究可促進通用AI的發展，使其能應用於處理複雜的地理與交通分析、利用生物信息數據庫加速疫苗和藥物的開發，以及促進社交網絡大數據分析等。
推進訓練人工智能（AI）方法的發展 打造處理關係網絡數據的通用AI
目前，市場上開發的多功能AI主要局限於語言模型，即透過預先學習海量的語言數據，訓練出能理解文字指令並生成類似人類語言的回應。如要進一步訓練出可學習圖表或關係網絡等非線性數據，並同樣作出非線性形式回應的新一代AI模型，仍然要面對不少挑戰。
獲獎論文提出了一種嶄新的AI訓練方法，令AI有效學習海量且非線性數據，包括複雜的地理網絡圖、病毒學中的抗體和抗原的關係圖、社交網絡上交流數據等。與目前的訓練方法相比，新的訓練方法有效將AI模型的準確率提升1%至8%。
論文第一作者孫相國現為程鴻的博士後研究員，他對獲獎深感榮幸並表示，嶄新的預先訓練方法有望促進通用大型AI的發展，使它能一站式地理解圖表、處理圖表指令，並輸出圖表形式的結果，有望為公共交通政策提供複雜的地理和交通分析、幫助研究人員更好地利用生物信息數據庫加速疫苗和藥物開發，以及提升社交網絡大數據分析的性能。
SIGKDD的評委小組肯定了獲獎論文的貢獻，並表示業界目前有迫切的需要開發更高效的方法以預先訓練AI處理圖表的數據。此論文通過統一指令格式去處理圖表、關係網絡和語言數據，設計了有效的指令標記、標記結構和輸入模式來解決上述的重大問題。實驗評估證明論文提出的方案改進了現存的的演算方法。這項工作為未來建立通用型圖表AI模型奠定了基礎，並可能對神經科學等應用產生深遠的影響。
