近日，第43届国际机器学习会议（International Conference on Machine Learning, ICML 2026）正式公布论文录用结果，公司科研团队再创佳绩，两项原创研究论文成功被会议录用，其中一篇入选会议焦点论文（Spotlight Paper），充分展现了公司在人工智能与机器学习领域扎实的科研实力与创新能力。
ICML是人工智能与机器学习领域顶级国际学术会议，为中国计算机学会推荐的A类顶级会议，与NeurIPS、ICLR并称机器学习领域三大代表性顶会，在全球学术界与工业界具有极高影响力。本届ICML 2026投稿竞争尤为激烈，共收到全球有效投稿23918篇，较去年实现翻倍增长，最终仅录用6352篇论文，整体录用率为26.6%。在录用成果中，仅有536篇论文被遴选为Spotlight Paper，占总投稿量的2.2%，该类论文代表会议程序委员会高度认可的优质创新成果，具备突出的研究价值与应用前景。
王一鸣老师团队成果入选ICML 2026 Spotlight Paper
公司王一鸣老师作为第一作者、肖甫教授为通讯作者的研究论文《Asymmetric Multi-View Clustering with Hyperbolic Uncertainty Modeling》成功被录用，并获评Spotlight Paper（焦点论文），该研究完善了多视图学习与鲁棒表示学习的技术体系，为多源异构数据建模、可信无监督学习提供了全新解决方案，成为本届会议中认可度极高的优质研究成果。
该研究围绕深度多视图聚类中的视图质量差异和表示不确定性问题展开研究，提出双曲非对称多视图聚类方法。该方法将多视图特征映射到双曲空间中，利用其径向几何结构刻画样本表示的置信度差异。在此基础上，研究设计了非对称视图对齐机制，使高置信度视图能够对低置信度视图进行单向引导，从而减少噪声视图对可靠表示的反向干扰。同时，论文进一步提出了面向共识的聚类学习策略，通过置信度筛选构造较为稳健的全局伪标签，以提升聚类结构的可靠性。
此次论文被ICML 2026 录用为 Spotlight Paper，是团队在深度多视图学习方向取得的阶段性进展。后续，团队将继续围绕多源异构数据建模、可信无监督学习和鲁棒人工智能方法开展深入研究。
图1.双曲非对称多视图聚类方法框架图
论文链接：https://icml.cc/virtual/2026/poster/64351
公司沙乐天教授团队的研究论文《Safety Anchor: Defending Harmful Fine-tuning via Geometric Bottlenecks》顺利被ICML 2026正式录用，陆国信博士为论文第一作者，沙乐天教授为通讯作者。该成果聚焦大语言模型安全防御领域，为大模型合规化落地提供关键技术支撑。
当前大语言模型云服务场景中，模型微调阶段极易遭受恶意微调攻击，现有防御机制在持续恶意微调场景下存在明显失效问题。针对这一行业痛点，研究团队深入剖析核心症结，发现高维参数空间的固有冗余性是防御失效的根本原因：攻击者可利用与防御约束正交的优化轨迹，在规避安全限制的同时，悄悄恢复模型的有害输出能力。
面对大语言模型在微调阶段易受恶意微调攻击的安全隐患，研究团队深入剖析了现有防御机制在持续微调下失效的根本原因。研究指出，高维参数空间的固有冗余性使得攻击者能够利用与防御约束正交的优化轨迹，在满足安全限制假象的同时恢复模型的有害输出能力。为此，该团队提出了一种名为“Safety Bottleneck Regularization”的新型防御策略。该策略将防御重点从冗余的参数空间转移到作为几何瓶颈的去嵌入层。通过将高风险查询的最终隐藏状态锚定在安全对齐模型的状态上，有效阻断了恶意能力的重建路径。
该研究聚焦于当前大模型云服务中的核心安全痛点。团队提出的SBR技术为大模型微调提供了一套“安全锁”。实验结果表明，在面对高强度的恶意微调攻击时，该技术不仅能始终将模型的风险指数控制在极低水平，还能完整保留模型原本的各项核心业务能力。这一成果为大语言模型的安全普及和合规商业化落地提供了重要的技术支撑。
图2.Safety Bottleneck Regularization方法框架图
链接：https://icml.cc/virtual/2026/poster/65681
近年来，公司深耕人工智能、机器学习、多源数据智能分析等前沿领域，持续推进基础理论与应用技术创新，不断产出高质量学术成果。此次两项成果同步入选ICML 2026，彰显了公司在人工智能领域的科研积淀与创新活力。未来，公司科研团队将持续深耕前沿方向，聚焦关键技术难题，持续产出高水平科研成果，助力学科高质量发展。
（图文：王一鸣、沙乐天 初审：黄海平 编辑：贾佳、刘正堂 审核：尹志丽）
