ICML 2026 Spotlight 论文精选：Session 7-1
速览
ICML 2026 于7月9日开幕，录用论文6352篇，其中Spotlight论文536篇。雷峰网精选Poster Session 7的八篇代表性论文，覆盖图结构调整、自动形式化、多领域推理强化学习、个性化图联邦学习、数据选择元网络、可微优化等方向。这些工作展示了当前计算机视觉与AI领域的最新进展。
AI 深度解读
背景
ICML（International Conference on Machine Learning）是人工智能与计算机视觉领域的顶级学术会议。2026届大会（ICML 2026）在创纪录的投稿量中录用6352篇论文，其中Spotlight论文536篇（占投稿总数2.2%），Oral论文168篇（占0.7%）。在投稿规模翻倍、评审机制严苛重塑的背景下，这些经过重重筛选的顶尖工作代表了当前计算机视觉领域最前沿的学术成果。雷峰网（公众号：雷峰网）AI科技评论团队在现场Poster展区中，从数千份学术海报中筛选出最具启发性的代表作，并以“高清学术海报+核心逻辑拆解”的形式呈现。
核心内容
以下为Poster Session 7的八篇Spotlight论文的核心内容：
-
Progressive Graph Structure Adjustment for Homophily Shift Adaptation
针对图域适配中不同领域节点间同质性差异导致的结构不一致问题，提出PSAHS轻量化图结构调整方法。通过重设边权重与增加类内连接提升源图同质性，结合结构感知的GNN与仅依赖属性的MLP逐步优化目标图结构，并采用域对抗训练对齐节点表示。在多个基准数据集上，该方法在严重同质性失配条件下显著优于现有强基线。 -
Theory-Level Autoformalization: From Isolated Statements to Unified Formal Knowledge Bases
倡导从“陈述级”转向“理论级”自动形式化，即将包含公理、定义和引理的完整理论形式化为结构化库。文章探讨了范式转变的意义（如合成训练数据、加速理论验证），回应了不同视角的批判，并指出等价性检查和分层分解等开放性挑战。提出构建统一中间表示等三种前瞻性发展路径。 -
Reward and Guidance through Rubrics: Promoting Exploration to Improve Multi-Domain Reasoning
提出RGR-GRPO框架，通过基于评分准则（Rubrics）的驱动机制提供高密度细粒度奖励信号和离线指导，扩展模型探索空间并优化离策训练稳定性。在包含数学、物理、化学及通用推理等14个多领域基准数据集上，平均性能提升5.4%至8.4%。 -
FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space
揭示个性化信息嵌入在低秩子空间中存在用户共有的整体偏移和特有的个性化偏移，提出PerFit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，以极小参数开销实现精准个性化调控。在六个数据集上，平均减少92.3%的参数开销，同时保持强竞争性性能。 -
On the Difficulty of Learning a Meta-network for Training Data Selection
针对元网络训练中信号噪声比低及缺乏关联数据质量特征的问题，通过数学分析揭示归一化数据权重动态变化、数据质量差异与低信号噪声比的关系。提出增大批量大小以改善优化，并设计一组捕捉训练数据分布位置及动态信息的特征。在四个基准数据集上，结果平均提升5.49%，比最优基线高2.89%。 -
A Fully First-Order Layer for Differentiable Optimization
提出完全避免隐式微分的新型一阶优化框架，设计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高效计算近似超梯度，显著优化约束双层问题的梯度复杂度。实现为开源Python库FFOLayer。在保持与现有解法相当收敛性能的同时大幅提升计算速度。 -
CausalGame: Benchmarking Causal Thinking of LLM Agents in Games
推出首个专注于因果推理的交互式评测基准CausalGame，包含选择偏差、噪声测量和隐藏混杂因子等14种复杂游戏场景。LLM智能体需通过交互主动设计实验、收集数据并生成解释性报告。对16个先进LLM智能体的评估显示，当前模型在识别与处理因果关系上表现欠佳。 -
WeDLM: Reconciling Diffusion Language Models with Standard Causal Attention for Fast Inference
提出WeDLM框架，通过拓扑重排序将已观察标记移动至物理前缀并保留逻辑位置，使模型在标准因果注意力条件下实现并行生成；结合流式解码机制持续由左至右更新前缀。在复杂推理基准上，比vLLM速度提升近3倍，低熵生成场景下提升高达10倍。
关键要点
- 图域适配：PSAHS通过渐进式结构调整与表示对齐，有效应对跨图同质性失配问题。
- 自动形式化：理论级自动形式化将孤立陈述整合为结构化知识库，加速定理验证并推动通用推理AI。
- 多领域推理：RGR-GRPO利用评分准则提供细粒度奖励，显著扩展探索空间并突破多领域推理瓶颈。
- 个性化联邦学习：PerFit通过微调隐藏表示空间中的共有与个性化偏移，以极低参数开销实现高效个性化。
- 数据选择优化：增大批量大小和设计动态特征可有效解决元网络训练中的信号噪声比问题。
- 可微优化：FFOLayer完全基于一阶信息，避免隐式微分，大幅提升约束双层优化效率。
- 因果推理基准：CausalGame揭示当前LLM在识别和应对混杂因子、选择偏差等因果推理任务上的不足。
- 扩散语言模型加速：WeDLM通过拓扑重排序和流式解码，在标准因果注意力下实现并行生成，显著超越深度优化自回归引擎。
意义与影响
这八篇论文从不同维度反映了计算机视觉与人工智能领域的前沿趋势：从纯虚拟像素建模向物理世界具身交互融合，从感知智能向认知推理跃迁。PSAHS和FlatLand分别在图域适配和联邦学习场景中提出轻量化、高效的结构调整与个性化方法，为实际部署提供了更可靠的方案。理论级自动形式化与因果推理基准CausalGame则直指AI科学发现能力的核心瓶颈，为构建具备通用推理能力的AI奠定基础。RGR-GRPO和WeDLM分别从强化学习和语言模型架构角度突破了推理效率与性能的局限，推动了多领域推理和扩散语言模型的实用化。FFOLayer和元网络训练数据选择的研究则从优化和数据处理层面提供了理论支撑与工程改进。整体而言，这批工作不仅展示了学术前沿的硬核成果，也为后续研究指明了从理论到落地的关键路径。