国际机器学习会议第7-1场次精选亮点海报汇总

# ICML 2026现场直击：Poster Session 7精选，八篇Spotlight论文带你读懂视觉前沿 7月9日，人工智能与计算机视觉领域的顶级风向标——ICML 2026正式拉开了为期三天核心议程的大幕。今年的大会可谓是“卷”出了新高度：在创纪录的投稿量中，组委会严选出了6352篇录用论文，其中代表前沿风向的Spotlight论文有536篇（仅占投稿总数的2.2%），而极具开创性的Oral论文更是只有168篇（占比0.7%）。这筛选力度，堪称近年来最严苛的一届。 本届入选的研究方向，用一个词概括就是“多元”。从多模态大模型到三维高斯泼溅，从具身智能视觉到神经辐射场优化，从可信视觉到高效边缘端部署，几乎覆盖了当下最热门的探索方向。在整体投稿规模较去年翻倍增长、同行评审机制经历全面“严苛重塑”的背景下，这批脱颖而出的工作，可以说是当前计算机视觉领域最值得关注的学术硬核。 雷峰网AI科技评论团队已经提前几天抵达现场。在热闹非凡的Poster展示区，我们从几千份密密麻麻的学术海报中，抽丝剥茧地筛选出了最具启发性的代表作。希望通过“高清学术海报+核心逻辑拆解”的形式，为屏幕前的你搭建一座跨越空间的学术桥梁。 这不只是一份成果清单，更是对当前视觉计算技术演进脉络的一次深度复盘——从感知智能到认知推理的跃迁，从纯虚拟像素到物理世界具身交互的融合。我们希望这些来自一线的视觉定格，能带你直面并读懂正在学术潮头发生的底层变革。 以下就是精选自Poster Session 7的八篇Spotlight论文，带你一文洞悉计算机视觉最前沿的进化轨迹。 ## 1. 适应同质性偏移的渐进式图结构调整 **Progressive Graph Structure Adjustment for Homophily Shift Adaptation** 这篇文章聚焦于图域适配中一个非常实际的问题：不同领域节点间的同质性差异，会显著影响跨域迁移的效果。简单来说，就是源图和目标图之间的节点同质性不匹配，导致结构不一致，迁移效果大打折扣。 针对这个问题，作者提出了一种名为PSAHS的轻量化图结构调整方法。低同质性节点会降低迁移质量，怎么办？方法的核心是：一方面，通过重设边权重和增加类内连接来提升源图的同质性；另一方面，结合结构感知的GNN和仅依赖属性的MLP，逐步优化目标图结构。同时，采用域对抗训练来对齐节点表示，从而减轻标签稀缺带来的负面影响。 在多个图域适配基准数据集上的实验表明，PSAHS在严重同质性失配的条件下，显著优于现有的强基线。这种渐进式结构调整与表示对齐的思路，为跨图迁移提供了更强的通用性和可靠性。 论文地址：https://openreview.net/forum?id=OkyO74bJqE ## 2. 理论级自动形式化：从孤立陈述到统一的形式化知识库 **Theory-Level Autoformalization: From Isolated Statements to Unified Formal Knowledge Bases** 自动形式化，说白了就是把自然语言翻译成机器能验证的形式化语言。目前大多数研究都集中在孤立的单一陈述上，但实际情况是，形式化工作本质上是理论级的——在陈述目标定理之前，需要先构建一个包含公理、定义和引理的完整网络。 这篇文章提出并倡导“理论级自动形式化”，也就是说，要把包含所有相互依赖关系的完整理论形式化为结构化库。文章深入探讨了这一范式转变的意义（比如合成训练数据、加速理论验证等），也回应了不同视角的批评（比如陈述级与理论级的权衡问题），并指出了等价性检查和分层分解等开放性挑战。最后，文章提出了三种前瞻性发展路径，包括构建统一中间表示，为推进具备通用推理能力的AI奠定了基础。 论文地址：https://openreview.net/forum?id=BoteCHEFUr ## 3. 通过评分准则实现奖励与指导：促进探索以提升多领域推理能力 **Reward and Guidance through Rubrics: Promoting Exploration to Improve Multi-Domain Reasoning** 如何提升大语言模型在复杂多领域任务中的推理与探索能力？现有强化学习方法存在几个明显的瓶颈：主要局限于单领域任务、纯在线框架导致探索空间受限、传统单一奖励机制引发性能瓶颈。这篇文章提出了一种名为RGR-GRPO的新型强化学习框架，思路很有意思。 该方法的核心是构建基于评分准则（Rubrics）的驱动机制，通过提供高密度的细粒度奖励信号和离线指导，有效扩展了模型的探索空间，并显著优化了离策训练中的稳定性和有效性。在包括数学、物理、化学及通用推理等14个多领域基准数据集上的实验表明，该框架相比传统方法平均实现了5.4%到8.4%的性能提升，成功突破了现有的多领域推理瓶颈。 论文地址：https://openreview.net/forum?id=AfqsNFzJcs ## 4. FlatLand：通过定制洛伦兹空间实现个性化图联邦学习 **FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space** 大语言模型在个性化场景中，常常难以兼顾效率与效果，而且个性化偏好的本质机制也一直没有被充分探究。这篇文章聚焦于个性化偏好的低微调控制挑战，发现了一个关键模式：用户信息嵌入表示空间中，个性化信息嵌入在一个低秩子空间里，并且存在用户共有的整体偏移和特有的个性化偏移。 基于这个发现，作者提出了一种名为PerFit的双阶段方法，通过微调隐藏表示空间中的共有偏移与特定偏移，以极小的参数开销实现了对大语言模型精准的个性化调控。在六个数据集上的实验表明，PerFit在保持强竞争性性能表现的同时，平均显著减少了92.3%的参数开销。这为个性化图联邦学习提供了一套创新的理论与技术方案。 论文地址：https://openreview.net/forum?id=H6PagZKyil ## 5. 论学习用于训练数据选择的元网络的困难性 **On the Difficulty of Learning a Meta-network for Training Data Selection** 合成数据在图像分类训练中，因为与真实数据分布不匹配，经常限制模型性能。如何优化数据选择策略来提升模型表现？这篇文章深入剖析了元网络训练中的两大瓶颈：信号噪声比低，以及缺乏关联数据质量特征。 通过数学分析，文章揭示了归一化数据权重的动态变化、数据质量差异与低信号噪声比之间的关系。解决方案是：增大批量大小以改善优化，并设计了一组能够捕捉训练数据分布位置及动态信息的特征，提高数据选择的有效性。在四个基准数据集上的实验显示，该方法平均提升5.49%，较最优基线方法高出2.89%。这篇文章不仅提供了高效的改进方案，更对元网络训练的关键问题进行了坚实的数学分析。 论文地址：https://openreview.net/forum?id=H6PagZKyil ## 6. 可微优化的完全一阶层 **A Fully First-Order Layer for Differentiable Optimization** 把数学程序嵌入机器学习管道中进行可微优化，计算效率是一个老大难问题。传统隐式微分方法依赖昂贵的海森矩阵计算，难以高效处理约束双层优化，而且梯度复杂度高。这篇文章提出了一种全新的、完全避免隐式微分的一阶优化框架。 核心在于设计了一种新颖的主动集拉格朗日方法，仅基于对数级时间复杂度的一阶信息，就能高效计算出近似超梯度，显著优化了约束双层问题的梯度复杂度。作者还将该方法实现为可嵌入现有求解器的开源Python库——FFOLayer。实验表明，该方法在保持与现有主流解法相当的收敛性能的同时，大幅提升了计算速度，为大规模可微优化应用提供了高效、实用的落地方案。 论文地址：https://openreview.net/forum?id=jJur8Fq7IK ## 7. CausalGame：评估大语言模型智能体在游戏中的因果思维能力 **CausalGame: Benchmarking Causal Thinking of LLM Agents in Games** 评估人工智能作为“AI科学家”在揭示科学因果关系时的核心推理能力，这是这篇文章的核心目标。现有评估基准没有充分考虑现实科学发现中隐藏偏差与混杂因子带来的因果难题，所以研究者推出了首个专注于因果推理的交互式评测基准——CausalGame。 这个基准精心设计了14种复杂游戏场景，包含选择偏差、噪声测量和隐藏混杂因子。在评测中，LLM智能体需要通过交互主动设计实验方案、收集观测数据并最终生成解释性报告。对16个先进LLM智能体的全面评估结果显示，当前模型在识别与处理因果关系上均表现欠佳，难以有效破解设计的游戏关卡。这项研究为科学发现特征下的AI评估提供了关键的工具。 论文地址：https://openreview.net/forum?id=WNqIX3IFZU ## 8. WeDLM：融合扩散语言模型与标准因果注意力以实现快速推理 **WeDLM: Reconciling Diffusion Language Models with Standard Causal Attention for Fast Inference** 扩散语言模型（DLM）的实际解码效率怎么提升？传统自回归模型逐字解码，限制了并行性。扩散语言模型虽然能并行解码，但依赖的双向注意力机制破坏了前缀KV缓存的复用效率，导致实际推理速度甚至比不上深度优化后的自回归引擎（比如vLLM）。 这篇文章提出的WeDLM框架，解决思路非常巧妙：通过拓扑重排序，把已观察到的标记移动到物理前缀，同时保留其逻辑位置，使模型在标准的因果注意力条件下也能实现并行生成。再结合流式解码机制，持续由左至右更新前缀，避免生成停滞。在复杂推理基准上的实验表明，WeDLM比vLLM速度提升近3倍，在低熵生成场景下速度提升高达10倍。这无疑推动了扩散语言模型的实用化进程。 论文地址：https://openreview.net/forum?id=QwtmbKAOZU --- 以上八篇文章，每一篇都代表着一个细分方向的前沿突破。从图结构适配到自动形式化，从多领域推理到个性化联邦学习，从数据选择优化到可微优化框架，再到因果推理和扩散语言模型加速——ICML 2026的这组Spotlight论文，清晰地勾勒出了计算机视觉与人工智能领域正在发生的底层变革。希望这份来自现场的精选，能给你带来一些启发。