点击下方卡片关注“CVer”公众号AI/CV重磅干货第一时间送达点击进入—【顶会/顶刊】投稿交流群添加微信号CVer2233小助手拉你进群扫描下方二维码加入CVer学术星球可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料及应用发论文/搞科研/涨薪强烈推荐来源北京大学计算机学院张铭教授Dlib实验室北京大学计算机学院张铭教授Dlib组4篇论文入选ICML 2026近日机器学习领域顶级会议 ICML 2026 放榜来自北京大学计算机学院数据科学与工程所张铭教授Dlib实验室的4篇高水平论文成功入选篇高水平论文成功入选。ICML 2026第 43 届国际机器学习大会International Conference on Machine Learning是机器学习与人工智能领域公认的顶级国际学术会议之一。作为全球机器学习研究者发布前沿成果、交流学术思想的重要平台ICML 长期以来在学术界与工业界均享有广泛影响力。会议聚焦机器学习及人工智能的最前沿理论与技术涵盖深度学习、生成模型、强化学习、概率建模、优化方法、可信人工智能、多模态学习、机器人、计算生物学、语音识别等多个核心方向旨在展示和推动机器学习领域的最新理论突破、方法创新与应用进展。本次 ICML 2026 竞争激烈吸引了来自全球高校、科研机构与工业界研究团队的广泛参与。今年ICML收到了23,918篇投稿接收了6,352, 录取率 26.6%。其中Dlib实验室投稿8篇中4篇中稿率50%。ICML 2026 将于 2026 年 7 月 6 日至 7 月 11 日在韩国首尔 COEX Convention Exhibition Center举行。以下是4篇DLIB实验室ICML 2026论文的简要介绍1.DREAM面向带噪图学习的双标准语义同质性与动态优化框架论文名DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise图神经网络GNN近年来在各类图机器学习场景中被广泛应用但现有工作存在一个普遍问题在处理图标签噪声时往往难以有效区分可靠与不可靠节点并且严重忽视了图拓扑结构中天然蕴含的丰富关系信息。为此本文提出了一种名为 DREAM 的新框架来解决上述问题旨在存在标签噪声的图上进行可靠且融合关系信息的动态优化。具体而言DREAM 引入了双标准锚点选择策略结合节点语义邻近度与图拓扑结构为目标节点选取相关的锚点集。随后框架通过计算目标节点与锚点间的语义同质性得分将其作为可靠性指标在训练过程中动态对节点的优化目标进行重加权。在六个基准数据集以及三种标签噪声类型下的广泛实验表明DREAM 的表现显著优于现有的各类基准方法。上述工作通过严谨的理论分析与丰富的实证评估为复杂网络拓扑下抵御标签噪声的鲁棒图学习提供了一种高效的优化范式。该论文作者包含赵禹昇北京大学导师为张铭教授谢佳晔北京大学张岐鑫南洋理工大学张为知伊利诺伊大学芝加哥分校罗霄威斯康星大学麦迪逊分校校友肖之屏华盛顿大学校友通讯作者俞士纶伊利诺伊大学芝加哥分校张铭北京大学通讯作者。2.CELL面向公平感知图自适应的因果表征解耦与结构对齐框架论文名CELL: A Causal Perspective for Fairness-aware Graph Adaptation图神经网络在现实场景中常面临公平性问题而现有公平图学习方法大多依赖目标域敏感属性标签这在实际应用中往往难以获得。为此本文提出 CELL 框架面向源图有标签、目标图完全无标签的图公平自适应问题在无需目标域敏感标签的情况下同时提升预测性能与群体公平性。具体而言CELL 从因果视角出发利用双编码器将任务相关因果表征与敏感属性表征进行解耦并通过互信息约束减少敏感信息泄漏。随后框架为目标域生成任务伪标签与敏感属性伪标签并引入组感知无偏学习策略以缓解伪标签中的公平性偏差。最后CELL 构建公平感知的跨域二部图将源域与目标域中任务标签相同但敏感属性不同的节点进行结构对齐从而降低域偏移和虚假相关带来的影响。在 Bail、German/Credit、Pokec 和合成图等多个基准数据集上的实验表明CELL 相比 GCN、NIFTY、FairVGNN、FatraGNN、DANCE 等方法在准确率、ROC-AUC 以及公平性指标上取得了更优的综合表现。该工作为缺失目标敏感标签场景下的公平图学习提供了一种有效的因果解耦与结构对齐范式。该论文作者包含李厚润北京大学导师为张铭教授王一帆对外经济贸易大学助理教授校友通讯作者冉清华北京大学数学学院罗钧宇北京大学导师为张铭教授肖之屏华盛顿大学北大校友杨加北京大学周昌令北京大学琚玮四川大学副研究员北大校友罗霄威斯康星大学麦迪逊分校校友通讯作者张铭教授北京大学通讯作者。3.通过影响矛盾识别和纠正标签噪声实现鲁棒图神经网络论文名Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction图神经网络GNNs在学习图结构数据方面展现出卓越能力并已广泛应用于社会分析和生物信息学等领域。然而在实际场景中标签噪声的存在对模型的鲁棒学习构成了重大挑战。当图数据中存在由标注错误或不一致性引入的噪声标签时GNNs的性能往往会显著下降。为了解决这一问题本文提出了一种新方法ICGNN该方法利用图结构信息有效缓解标签噪声带来的影响。具体而言本文首先基于图扩散矩阵设计了一种新的噪声指示器—影响矛盾得分Influence Contradiction Score, ICS用于量化节点标签的可信度其中ICS值较高的节点更可能被识别为噪声标签节点。随后本文引入高斯混合模型对节点标签是否为噪声进行精确判别。此外提出了一种软性策略通过融合图中邻居节点的预测结果来对检测出的噪声标签进行修正。最后结合伪标签机制利用大量未标注节点从而提供辅助监督信号并引导模型优化。在多个基准数据集上的实验结果表明在存在标签噪声的场景下该方法相较于多种竞争基线方法具有显著优势。该论文作者包含琚玮四川大学校友张唯四川大学易思宇四川大学毛正阳北京大学王一帆对外经贸校友袁境阳北京大学肖之屏华盛顿大学校友乔子越大湾区大学张铭北京大学通讯作者。4. 面向多模态大模型OCR的一种特征融合架构与图像重建式诊断方法论文名Detached Skip-Links and R-Probe: Decoupling Feature Aggregation fromGradient Propagation for MLLM OCR多模态大模型MLLM在高层语义理解上表现很好但在 OCR 等细粒度视觉任务上仍有明显缺陷时常出现文字识别错误甚至幻构内容等问题。 为此我们提出Detached Skip-Links将ViT的浅层视觉细节与深层语义特征同时注入 LLM并通过训练时剪断浅层链路的梯度确保训练高效稳定快速收敛。 我们进一步从贝叶斯风险分解与梯度信噪比两个角度给出理论分析证明在联合训练早期“前向保留”“反向截断”优于朴素融合。 为了系统地量化ViT传递给LLM的视觉信号衡量视觉细节的保留程度我们设计了图像重建式诊断方法R-Probe。 实验部分在累计7M多模态样本上、跨4种主流 ViT 编码器Perception Encoder、InternViT、AIMv2、SigLIP 2、22个公开评测集上普遍取得了稳定提升其中Perception EncoderLLaMA-3.1-8B在OCR类任务上平均取得了3.1个百分点的提升。R-Probe 的重建实验进一步印证了 Detached Skip-Links 的设计动机与有效性。该论文作者包含袁子烨北京大学导师为张铭教授、姚汝昌清华大学、郑诚信百度、赵禹昇北京大学导师为张铭教授、董大祥百度通讯作者、张铭教授北京大学通讯作者。截至2026年5月1日张铭教授Dlib组2026年已有1篇AAAI、3篇WWW、5篇ICLR、3篇ACL、4篇ICML共16篇顶会发表和录用以及2篇TKDE、1篇TPAMI、1篇NSR顶刊论文发表。课题组师生与国内外合作者将在大模型、图神经网络、科学智能、量化交易、计算机教育等领域持续努力争取做出更多具有国际影响力的前沿成果。本文系学术转载如有侵权请联系CVer小助手删文何恺明在MIT授课的课件PPT下载在CVer公众号后台回复何恺明即可下载566页课件PPT大家赶紧学起来CVPR 2026 所有论文和代码下载在CVer公众号后台回复CVPR2026即可下载CVPR 2026 所有论文和代码CV垂直方向和论文投稿交流群成立扫描下方二维码或者添加微信号CVer2233即可添加CVer小助手微信便可申请加入CVer-垂直方向和论文投稿微信交流群。另外其他垂直方向已涵盖目标检测、图像分割、目标跟踪、人脸检测识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。 一定要备注研究方向地点学校/公司昵称如Mamba、多模态学习或者论文投稿上海上交卡卡根据格式备注可更快被通过且邀请进群▲扫码或加微信号: CVer2233进交流群 CVer计算机视觉知识星球人数破万如果你想要了解最新最快最好的CV/DL/AI论文、实战项目、行业前沿、从入门到精通学习教程等资料一定要扫描下方二维码加入CVer知识星球最强助力你的科研和工作 ▲扫码加入星球学习▲点击上方卡片关注CVer公众号 整理不易请点赞和在看