ICML 2026 精选 Spotlight 论文汇总：Session 7-1 八篇前沿研究解析

ICML 2026 Session 7-1 精选 Spotlight 论文（共8篇）

1. 适应同质性偏移的渐进式图结构调整

提出 PSAHS 方法，针对源图与目标图节点同质性不匹配导致的跨域迁移性能下降问题，通过重设边权重、增加类内连接提升源图同质性，并结合结构感知 GNN 与属性 MLP 逐步优化目标图结构，引入域对抗训练对齐节点表示。在多个图域适配基准上，严重同质性失配条件下显著优于现有基线。

2. 理论级自动形式化：从孤立陈述到统一的形式化知识库

倡导从孤立陈述自动形式化转向理论级自动形式化，将包含公理、定义和引理的完整理论转化为结构化形式化库。讨论了该范式在合成训练数据、加速理论验证等方面的意义，指出等价性检查、分层分解等开放挑战，提出构建统一中间表示等三条发展路径。

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

提出 RGR-GRPO 强化学习框架，利用基于评分准则（Rubrics）的高密度细粒度奖励信号和离线指导扩展 LLM 探索空间，优化离策训练稳定性。在14个多领域基准数据集上平均提升 5.4%~8.4%，突破多领域推理瓶颈。

4. FlatLand：通过定制洛伦兹空间实现个性化图联邦学习

发现个性化信息嵌入位于低秩子空间，包含用户共有偏移和特有偏移。提出 PerFit 双阶段方法，微调隐藏表示空间中的共性与个性偏移，在六个数据集上平均减少 92.3% 参数开销，同时保持强竞争力。

5. 论学习用于训练数据选择的元网络的困难性

针对元网络训练中信号噪声比低、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与低信噪比的关系。提出增大批量大小优化、设计捕捉分布位置及动态信息的特征，在四个基准上结果平均提升 5.49%，最优超越基线 2.89%。

6. 可微优化的完全一阶层

提出完全避免隐式微分的一阶优化框架，设计主动集拉格朗日方法，仅需对数级时间复杂度的一阶信息即可高效计算近似超梯度。实现为开源库 FFOLayer，在保持收敛性能的同时大幅提升计算速度，适用于大规模可微优化。

7. CausalGame：评估大语言模型智能体在游戏中的因果思维能力

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、隐藏混杂因子等14种游戏场景。LLM 智能体需主动设计实验、收集数据并生成报告。评估16个先进 LLM 智能体，结果显示当前模型在识别与处理因果关系上表现欠佳。

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

提出 WeDLM 框架，通过拓扑重排序将已观测标记移至物理前缀并保留逻辑位置，使扩散语言模型可在标准因果注意力下并行生成；结合流式解码持续更新前缀避免停滞。在复杂推理基准上比 vLLM 提速近3倍，低熵生成场景下提速高达10倍。