ICML 精選Spotlight Poster彙總：Session 7-1

為期三天的機器學習頂級學術會議 ICML 2026 於七月九日正式揭開序幕，作為人工智能與計算機視覺領域的年度風向標，本屆大會在全球學術社群創紀錄的投稿量中，最終嚴選出 6352 篇錄用論文。其中，代表前沿方向的 Spotlight 論文共有 536 篇，僅佔投稿總數的 2.2%，而極具開創性的 Oral 論文則有 168 篇，比例更低至 0.7%。在投稿規模較去年近乎翻倍，且同行評審機制經歷全面「嚴苛重塑」的背景下，這批層層篩選脫穎而出的工作，可說是當前計算機視覺與機器學習領域最不容錯過的學術硬核。

雷峰網 AI 科技評論團隊早在數日前便抵達現場，在熱鬧的 Poster 展示區中，從數千份密密麻麻的學術海報中抽絲剝繭，篩選出具啟發性的代表作。本屆入選的研究方向展現了極高的多元性，從多模態大模型到三維高斯潑濺、從具身智能視覺到神經輻射場優化、從可信視覺到高效邊緣端部署，幾乎無所不包。以下整理自 Poster Session 7 的八篇 Spotlight 論文，透過「高清學術海報」與「核心邏輯拆解」，帶您直面這場學術潮頭上的底層變革。**適應同質性偏移的漸進式圖結構調整**

圖域適配中不同領域節點之間的同質性差異，往往會嚴重影響跨域遷移的效果。針對源圖與目標圖之間節點同質性不匹配導致的結構不一致問題，研究團隊提出名為 PSAHS 的輕量化圖結構調整方法。該方法一方面透過重設邊權重與增加類內連接來提升源圖同質性，另一方面結合結構感知的 GNN 與僅依賴屬性的 MLP，逐步優化目標圖結構，並採用域對抗訓練對齊節點表示，藉此減輕標籤稀缺的負面影響。在多個圖域適配基準數據集上的實驗顯示，PSAHS 在嚴重同質性失配條件下顯著優於現有強基線。 **理論級自動形式化：從孤立陳述到統一的形式化知識庫**

自動形式化旨在將非正式的自然語言翻譯為機器可驗證的形式化語言。當前多數研究只關注孤立的單一陳述，但實際的形式化工作本質上需要建構包含公理、定義與引理的完整網絡。為此，本文提出「理論級自動形式化」，將包含所有相互依賴關係的完整理論轉化為結構化庫。研究深入探討此範式轉變的意義，並回應不同視角的批判，同時指出等價性檢查與分層分解等開放性挑戰。最後，文章提出包含構建統一中間表示在內的三種前瞻性發展路徑，為推進具備通用推理能力的 AI 奠定基礎。 **通過評分準則實現獎勵與指導：促進探索以提升多領域推理能力**

提升大型語言模型在複雜多領域任務中的推理與探索能力，是當前強化學習的重要課題。現有方法大多侷限於單領域任務，純在線框架導致探索空間受限，傳統單一獎勵機制更引發性能瓶頸。為此，研究團隊提出 RGR-GRPO 新型強化學習框架，核心在於基於評分準則驅動，透過提供高密度細粒度獎勵信號與離線指導，有效擴展探索空間，並優化離策訓練的穩定性。在涵蓋數學、物理、化學及通用推理等 14 個多領域基準數據集上，該框架相比傳統方法平均提升 5.4% 至 8.4%，成功突破現有多領域推理瓶頸。 **FlatLand：透過定製洛倫茲空間實現個性化圖聯邦學習**

大型語言模型在個性化場景中往往難以兼顧效率與效果，且個性化偏好的本質機制尚未被充分探究。研究發現，個性化信息嵌入存在於一個低秩子空間中，並包含用戶共有的整體偏移與特有的個性化偏移。基於此，團隊提出名為 PerFit 的雙階段方法，透過微調隱藏表示空間中的共有偏移與特定偏移，以極小參數開銷實現精準的個性化調控。在六個數據集上的實驗顯示，PerFit 在保持強競爭性性能的同時，平均減少 92.3% 的參數開銷，為個性化圖聯邦學習提供創新的理論與技術方案。 **論學習用於訓練數據選擇的元網絡的困難性**

合成數據在圖像分類訓練中常因與真實數據分佈不匹配而限制模型性能，優化數據選擇策略成為關鍵。本研究深入識別元網絡訓練中訊號噪聲比低、缺乏關聯數據質量特徵等問題，並透過數學分析揭示歸一化數據權重的動態變化與數據質量差異的關係。為此，團隊提出增大批量大小以改善優化，並設計一組能捕捉訓練數據分佈位置與動態信息的特徵，提高數據選擇有效性。在四個基準數據集上，該方法平均提升 5.49%，較最優基線高出 2.89%。 **可微優化的完全一階層**

將數學程序嵌入機器學習管道中的可微優化，往往面臨傳統隱式微分依賴昂貴海森矩陣計算的效率問題。針對約束雙層優化的梯度複雜度瓶頸，研究團隊提出一種完全避免隱式微分的新型一階優化框架，核心是基於對數級時間複雜度的主動集拉格朗日方法，僅利用一階信息即可高效計算近似超梯度。該方法已實現為開源 Python 庫 FFOLayer，實驗顯示在保持與主流解法相當收斂性能的同時，大幅提升計算速度，為大規模可微優化應用提供高效實用方案。 **CausalGame：評估大語言模型智能體在遊戲中的因果思維能力**

評估 AI 在科學發現中的因果推理能力，需要考慮現實中隱藏偏差與混雜因子帶來的挑戰。本研究推出首個專注於因果推理的交互式評測基準 CausalGame，精心設計包含選擇偏差、噪聲測量與隱藏混雜因子在內的 14 種複雜遊戲場景。LLM 智能體需透過交互主動設計實驗方案、收集觀測數據並生成解釋性報告。對 16 個先進 LLM 智能體的評估顯示，當前模型在識別與處理因果關係上表現欠佳，難以有效破解設計的關卡。 **WeDLM：融合擴散語言模型與標準因果注意力以實現快速推理**

擴散語言模型雖能並行解碼，但其雙向注意力機制破壞了前綴鍵值緩存的複用效率，導致實際推理速度無法超越優化後的自迴歸引擎。為此，團隊提出 WeDLM 框架，透過拓撲重排序將已觀察標記移動至物理前綴，同時保留其邏輯位置，使模型在標準因果注意力條件下實現並行生成；並結合流式解碼機制持續由左至右更新前綴，避免生成停滯。在複雜推理基準上，WeDLM 比 vLLM 速度提升近 3 倍，低熵生成場景下更高達 10 倍，成功推動擴散語言模型的實用化進程。從感知智能到認知推理的躍遷，從純虛擬像素到物理世界具身交互的融合，本屆 ICML 的 Spotlight 論文恰好體現了這一趨勢。

這八篇代表性工作不僅展現了各自領域的突破，更共同勾勒出計算機視覺與機器學習未來數年的技術演進路線。對於無法親臨現場的研究者與開發者而言，這些來自一線的學術定格，正是讀懂當前學術潮頭底層變革的最佳窗口。