ICML 精选Spotlight Poster汇总：Session 4-3

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.基于雅可比预条件梯度下降的快速光谱稀疏信号重建 Fast Spectrally Sparse Signal Reconstruction via Jacobi-Preconditioned Gradient Descent 光谱稀疏信号重建在多种实际应用中具有重要意义，在数学上其通常可转化为低秩 Hankel 矩阵补全问题。尽管现有一阶算法能够保持较低的计算复杂度，但其收敛速度极度取决于条件数，存在显著的效率瓶颈。此外，低秩 Hankel 矩阵的固有特性使得直接基于流形的方法复杂度过高，且复杂对称分解所引入的模糊性（ambiguity）也极难处理。 针对这一理论与计算双重挑战，本研究创新性地提出了雅可比预条件梯度下降（Jacobi-Preconditioned Gradient Descent）方法。该方法巧妙结合生成器，将基于因子的迭代映射到矩阵空间中，从而在理论上实现了等价于流形方法的直接收敛分析。大量实验表明，该算法在迭代