<mark id="oztn4"></mark>
0
| 本文作者： 張璐 | 2026-07-09 16:53 | 專題：ICML：國際機器學習會議 |
7月9日，人工智能與計算機視覺領域的風向標盛會ICML 2026正式開啟了三天的核心議程。本屆大會在創紀錄的投遞量中嚴選出6352篇錄用論文，其中包含代表前沿風向的Spotlight論文536篇（占投稿總數的 2.2%），以及極具開創性的Oral 論文168篇 （僅占投稿總數的 0.7 %）。
本屆入選的研究方向展現了極高的多元性，全面覆蓋了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的激進探索。在整體投稿規模較去年呈現翻倍式增長、同行評審機制經歷全面“嚴苛重塑”的背景下，這批在重重篩選中脫穎而出的頂尖工作，凝聚了當前計算機視覺領域最不容錯過的學術硬核。
雷峰網(公眾號：雷峰網)AI科技評論團隊已于數日前抵達現場，在熱鬧非凡的Poster展示區，我們從幾千份密密麻麻的學術海報中，抽絲剝繭地篩選出了最具啟發性的代表作，通過“高清學術海報 + 核心邏輯拆解”的直觀形式，為遠在屏幕另一端的你搭建一座跨越空間的學術橋梁。
這不僅僅是一份成果的羅列，更是對當前視覺計算技術演進脈絡的一次深度復盤——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。我們期待這些來自一線的視覺定格，能帶你直面并讀懂正發生在這場學術潮頭之上的底層變革。
以下為你奉上精選自Poster Session 7的八篇Spotlight論文，帶你一文洞悉計算機視覺最前沿的進化軌跡。（若你希望自己的科研成果也能在此專題中獲得全行業關注，歡迎隨時與我們取得聯系）：
Progressive Graph Structure Adjustment for Homophily Shift Adaptation
本研究聚焦于圖域適配中不同領域節點間同質性差異對跨域遷移效果的影響。針對源圖和目標圖間節點同質性不匹配導致的結構不一致問題，本文提出了一種名為PSAHS的輕量化圖結構調整方法。
針對低同質性節點降低遷移質量的現象，該方法一方面通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，并采用域對抗訓練對齊節點表示，以減輕標簽稀缺的負面影響。
在多個圖域適配基準數據集上的實驗表明，PSAHS在嚴重同質性失配條件下顯著優于現有強基線。本研究引入的漸進式結構調整與表示對齊機制，為跨圖遷移提供了更強的通用性與可靠性。
論文地址：https://openreview.net/forum?id=OkyO74bJqE
Theory-Level Autoformalization: From Isolated Statements to Unified Formal Knowledge Bases
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。當前大多數研究主要關注孤立的單一陳述，但實際的形式化工作本質上是理論級的：在陳述目標定理之前，往往需要構建包含公理、定義和引理的完整網絡。
為此，本文提出并倡導“理論級自動形式化”，即將包含所有相互依賴關系的完整理論形式化為結構化庫。文章深入探討了這一范式轉變的重要意義（如合成訓練數據、加速理論驗證等），回應了不同視角的批判（如陳述級與理論級的權衡），并指出了等價性檢查和分層分解等開放性挑戰。最后，本文提出了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奠定了基礎。
論文地址：https://openreview.net/forum?id=BoteCHEFUr
Reward and Guidance through Rubrics: Promoting Exploration to Improve Multi-Domain Reasoning
本研究聚焦于提升大語言模型在復雜多領域任務中的推理與探索能力。針對現有強化學習方法主要局限于單領域任務、純在線框架導致探索空間受限以及傳統單一獎勵機制引發的性能瓶頸問題，本文提出了一種名為RGR-GRPO的新型強化學習框架。該方法的核心在于構建基于評分準則（Rubrics）的驅動機制，通過提供高密度的細粒度獎勵信號和離線指導，有效擴展了模型的探索空間，并顯著優化了離策（Off-policy）訓練中的穩定性和有效性。
在包含數學、物理、化學及通用推理等14個多領域基準數據集上的實驗表明，該框架相比傳統方法平均實現5.4%至8.4%的性能提升，成功突破了現有的多領域推理瓶頸。
論文地址：https://openreview.net/forum?id=AfqsNFzJcs
FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space
本研究聚焦于大語言模型在個性化場景中難以兼顧效率與效果、且個性化偏好本質機制尚未充分探究的問題。
針對個性化偏好低微調控制的挑戰，本文旨在揭示用戶信息嵌入表示空間的關鍵模式，發現個性化信息嵌入在一個低秩子空間中，并存在用戶共有的整體偏移和特有的個性化偏移。
基于此，本文提出了一種名為PerFit的雙階段方法，通過微調隱藏表示空間中的共有偏移與特定偏移，以極小的參數開銷實現對大語言模型精準的個性化調控。
在六個數據集上的實驗表明，PerFit在保持強競爭性性能表現的同時，平均顯著減少了92.3%的參數開銷，為個性化圖聯邦學習提供了創新的理論與技術方案。
論文地址：https://openreview.net/forum?id=H6PagZKyil
On the Difficulty of Learning a Meta-network for Training Data Selection
本研究探討了合成數據在圖像分類訓練中因與真實數據分布不匹配而限制模型性能的問題，聚焦于優化數據選擇策略以提升模型表現。
針對元網絡訓練中信號噪聲比低以及缺乏關聯數據質量特征導致的效率瓶頸，本文深入識別并解決相關問題。通過數學分析，文章揭示了歸一化數據權重的動態變化、數據質量差異與低信號噪聲比之間的關系影響。為此，本文提出通過增大批量大小以改善優化，并設計了一組能夠捕捉訓練數據分布位置及動態信息的特征，以提高數據選擇的有效性。
在四個基準數據集上的實驗顯示，該方法結果平均提升5.49%，較最優基線方法高出2.89%，為揭示元網絡訓練的關鍵問題提供了堅實的數學分析支持與高效的改進方案。
論文地址：https://openreview.net/forum?id=H6PagZKyil
A Fully First-Order Layer for Differentiable Optimization
本研究聚焦于提高將數學程序嵌入機器學習管道中可微優化的計算效率。針對傳統隱式微分方法依賴昂貴的海森矩陣計算、難以高效處理約束雙層優化且梯度復雜度高的問題，本文提出了一種能夠完全避免隱式微分的新型一階優化框架。
該方法的核心在于設計了一種新穎的主動集拉格朗日方法，僅基于對數級時間復雜度的一階信息即可高效計算出近似超梯度，從而顯著優化了約束雙層問題的梯度復雜度。本文將該方法實現為可嵌入現有求解器的開源 Python 庫 FFOLayer。
實驗表明，該方法在保持與現有主流解法相當的收斂性能的同時，大幅提升了計算速度，為大規模可微優化應用提供了高效、實用的落地方案。
論文地址：https://openreview.net/forum?id=jJur8Fq7IK
CausalGame: Benchmarking Causal Thinking of LLM Agents in Games
本研究聚焦于評估人工智能作為“AI科學家”在揭示科學因果關系時的核心推理能力。
針對現有評估基準未能充分考慮現實科學發現中隱藏偏差與混雜因子帶來的因果難題，本文推出了首個專注于因果推理的交互式評測基準——CausalGame。該基準精心設計了包含選擇偏差、噪聲測量和隱藏混雜因子在內的14種復雜游戲場景。在評測中，LLM智能體需要通過交互主動設計實驗方案、收集觀測數據并最終生成解釋性報告。
對16個先進LLM智能體的全面評估結果顯示，當前模型在識別與處理因果關系上均表現欠佳，難以有效破解設計的游戲關卡。本研究為科學發現特征下的AI評估提供了關鍵的工具。
論文地址：https://openreview.net/forum?id=WNqIX3IFZU
WeDLM: Reconciling Diffusion Language Models with Standard Causal Attention for Fast Inference
本研究聚焦于提升擴散語言模型（DLM）的實際解碼效率。傳統自回歸模型因逐字解碼限制了并行性，而擴散語言模型雖能并行解碼，但其依賴的雙向注意力機制破壞了前綴鍵值（KV）緩存的復用效率，導致實際推理速度無法超越深度優化后的自回歸引擎（如vLLM）。
為此，本文提出了WeDLM框架。該框架通過拓撲重排序，將已觀察到的標記移動至物理前綴，同時保留其邏輯位置，使模型在標準的因果注意力條件下亦能實現并行生成；此外，結合流式解碼機制持續由左至右更新前綴以避免生成停滯。
在復雜推理基準上的實驗表明，WeDLM比vLLM速度提升近3倍，在低熵生成場景下速度提升高達10倍，成功推動了擴散語言模型的實用化進程。
論文地址：https://openreview.net/forum?id=QwtmbKAOZU
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
