ICML 精选Spotlight Poster汇总：Session 3-3

7月8日，机器学习领域最具影响力的顶级学术会议ICML 2026进入正会第二天。本次大会共接收6352篇论文，其中Spotlight论文536篇（占投稿总数的 2.2%），Oral 论文168篇 （仅占投稿总数的 0.7 %）。 今年的论文再次汇聚了从生成模型到隐私保护、从智能体评估到模型压缩、从脉冲神经网络到视觉分词器的多元前沿探索，在投稿量较去年翻倍、评审标准经历深刻“重新校准”的背景下，这些脱颖而出的论文无疑是本届会议最值得关注的学术精华。 雷峰网已派出报道小组赴首尔COEX会展中心参会。在会议现场，我们从Poster展区的数千张学术海报中精选出最具代表性的研究成果，以“一张图 + 一段解读”的方式呈现给未能亲临现场的读者。 这份汇总不仅是一次视觉巡礼，更试图为你勾勒出本届ICML的学术重心——从大模型可解释性到AI for Science，从具身智能到理论硬度的回归，我们希望这些现场捕捉的瞬间，能帮助你快速感知机器学习前沿正在发生什么。 以下精选Poster Session 3九篇Spotlight论文，一文看尽AI研究最值得关注的方向。（如果你也想让你的研究成果出现在这里，请与我们联系）： 1.关于表示浮点函数的浮点神经网络最小深度与宽度研究 On Minimum Depth and Width of Floating-Point Neural Networks for Representing Floating-Point Functions 现有关于神经网络表达能力的研究大多基于理想的精确算术，无法直接适用于实际计算机中具有有限数值与舍入误差的真实浮点运算环境。为了填补这一理论空白，本研究深入探索了浮点环境中神经网络表达浮点函数的能力，旨在确定浮点 ReLU 网络表示所有从浮点向量到浮点数的函数所需的最小深度与宽度，为实际浮点数操作提供底层理论支持。 本工作完全基于严密的数学论证与符号运算展开。通过严格的理论推导，研究人员系统分析了浮点网络在不同约束下的表示能力以及宽度与深度之间的内在关系。研究表明，浮点网络的最小深度通常为三层（在特定域与值域条件下可缩减至两层），其最小宽度范围在 $$2$$ 到 $$2d+$$