ICML 精選 Spotlight Poster 彙總：Session 5-2

Ask NASH論文鏈接：https://arxiv.org/abs/2605.10684Data Shapley被一些研究主張用於選擇高質量訓練數據子集，因為它能捕捉數據子集之間的交互關係。然而，另一些工作指出Data Shapley在實踐中有時效果不佳，所選子集甚至不如隨機選擇。這一矛盾引發了關鍵問題：是否存在某些"Shapley-informative"的設置，使Data Shapley能夠持續有效？NASH框架的核心思路是兩步走：首先將目標效用函數（如驗證準確率）分解為更簡單的、Shapley-informative的組件函數，然後通過非線性方式聚合這些組件，構建優化目標來選擇數據。

這種"分解+非線性聚合"的組合策略，顯著提升了基於Shapley值的數據選擇方法的有效性。實驗表明，NASH在幾乎不增加額外運行時間成本的前提下，大幅提升了數據選擇的性能，讓Shapley類方法重新變得有效且高效。這一工作為數據估值與選擇領域提供了重要的理論和實踐貢獻。7、Rapid Poison：針對快速響應框架的實際投毒攻擊Rapid Poison:Practical Poisoning Attacks Against the Rapid Response Framework論文鏈接：https://arxiv.org/abs/2606.

16242Rapid Response（RR）框架已部署於生產系統（包括Anthropic的ASL-3安全防護），通過持續改進越獄檢測分類器來防禦新型攻擊。然而，該研究揭示了RR框架訓練管道存在安全漏洞，提示注入可以滲透該流程，將有毒樣本送入分類器的訓練集。在嚴格的威脅模型下（攻擊者只能修改越獄樣本，不能修改良性數據或標籤），研究實現了兩個攻擊目標：定向投毒攻擊在無害樣本上製造假陽性，基於概念的後門攻擊在越獄輸入上誘導假陰性。團隊還提出了Omission Attack，利用分類器在概念缺失的不安全樣本上訓練時產生的錯誤關聯現象，使後門攻擊對防禦方已明確訓練防禦的攻擊策略也有效。

實驗顯示，僅1%的投毒率即可使假陽性率最高達100%、假陰性率最高達96%，部分情況下甚至實現近乎完全的標籤翻轉。這一發現對已部署的生產級安全系統具有現實警示意義，凸顯了AI安全框架本身也需要被安全審視。8、HelioX：面向生物物理細節網絡的GPU原生框架Heliox: A GPU-Native Framework for Simulation and Training of Biophysically Detailed Networks論文鏈接：https://openreview.net/forum?

id=XjTRtfxK9g生物物理細節神經元攜帶著豐富的時空計算能力，這些是點神經元抽象無法直接捕捉的。但其不規則的樹突拓撲結構與密集的深度學習運行時嚴重不匹配，導致難以在現有框架中高效訓練和模擬。傳統深度學習框架為密集ANN執行路徑設計，強行將生物模型塞入這些框架效率低下。HelioX是一個GPU原生框架，通過定製融合CUDA內核為樹突層級調度和梯度傳播專門設計，解析梯度傳播實現端到端的從模擬狀態更新到參數優化的閉環，多流併發提升GPU執行效率。與以往將生物模型適配深度學習工具的路線不同，HelioX將高性能模擬與可擴展訓練統一在同一運行時中。

在消費級GPU上，HelioX實現了深度生物物理MLP訓練和生物體尺度的線蟲（C.elegans）模型擬合，在數值和學習基準測試中均取得了顯著的速度和內存效率提升。這一工作降低了生物物理模型用於可訓練AI系統的工程和硬件門檻，使詳細神經元研究在計算神經科學和腦啟發學習領域更加實用可行。9、DiCoLa：隱變量場景下的遞歸分解因果結構學習A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables論文鏈接：https://arxiv.

org/abs/2605.10651基於約束的因果發現在高維場景下計算代價極高，原因在於其對條件獨立性檢驗的嚴重依賴。已有"分而治之"框架雖能緩解此問題，但大多數方法都假設因果充分性，即不存在隱變量，這嚴重限制了它們在實際場景中的應用。DiCoLa框架將全局因果結構學習遞歸分解為更小的子問題，對每個子問題獨立進行因果發現，然後通過有理論保證的重構步驟將子問題的解整合為完整的全局因果結構。其關鍵突破在於：理論上證明了分而治之策略可以推廣到存在隱變量的場景，並保證了正確性和完備性。

合成數據和真實數據集的實驗均驗證了該方法在多種因果發現算法上顯著提升了計算效率，首次實現了隱變量場景下的高效分而治之因果發現，為大規模因果結構學習提供了實用且理論完備的解決方案。結語從機器人世界模型到物理計算，從因果發現到AI安全，這九篇Spotlight論文展現了ICML 2026的多元面貌。它們或打破既有權衡，或填補理論空白，或揭示安全隱患，共同指向一個趨勢：AI研究正在向更深層的物理建模、更嚴謹的理論基礎和更安全的工程實踐邁進。雷峰網&AI科技評論將繼續在現場帶來更多ICML 2026的精彩內容，如果你想推薦ICML上的其他論文，歡迎聯繫我們進一步交流探討 。

一個人讀論文太孤單，一群人刷頂會才好玩。ICML 2026 召開在即，我們正在召集一波含金量極高的 AI 研究者。群內主打實時論文跟蹤與硬核技術探討，拒絕灌水。?進群傳送門： 掃碼進群或添加微信Vin_Vivid，備註：論文群 + 關注的 AI 方向。搞科研/搞技術，信息差很重要。來，一起快人一步！上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。