近日，第43届国际机器学习大会（Forty-Third International Conference on Machine Learning, ICML 2026）公布论文录用结果，正规博彩平台
师生团队提交的两篇论文被大会录用，均为我校A1类学术成果。
论文“Scalable Medical Multimodal Fusion via Symmetric Consistency Modeling”的第一作者为该院2023级硕士研究生孙晓雯，通讯作者为刘慧教授。该论文针对医学诊断任务中难以在模态数量变化时保持融合质量的实际问题，从表征建模、一致性约束和融合策略三个层面构建统一的多模态融合框架。在模态级，引入语义不确定性建模，将各模态对潜在医学语义的估计表示为概率分布，通过对称KL散度实现自适应对齐。在Token级，提出基于确定性线性重建的双向一致性约束，从结构层面刻画跨模态局部语义的相互验证关系。在融合阶段，采用多视图一致性策略，依次将各模态作为条件视图对其余模态进行信号-噪声分解与去噪，系统挖掘共享语义信息，且对模态数量无限制。在ABIDE、ADHD-200、CMMD及自建乳腺癌与胃癌数据集上的实验结果表明，该方法取得了有竞争力的性能，并展现出良好的适应性与模态可扩展性。
论文“Curriculum Reinforcement Learning for Black-Box Prompt Tuning via Large Language Models”的第一作者为该院2023级博士研究生巩帅，通讯作者为崔超然教授。该论文面向黑盒提示调优这一前沿问题展开研究。针对以GPT为代表的大模型现有方法难以兼顾提示可解释性与API查询效率的问题，论文提出了一种基于课程强化学习的黑盒提示调优框架CRL-BPT。该框架以大语言模型作为智能体，自动生成人类可读的提示，并通过课程学习策略引导智能体从“模仿”逐步过渡到“创新”。实验结果表明，在严格的2,000次API调用预算下，该方法在13个基准数据集上取得最优性能，并在基类到新类泛化、跨数据集迁移和分布外泛化等多种评测设定下展现出良好的鲁棒性。该研究为预算受限场景下视觉语言模型的黑盒适配提供了一种兼具可解释性与查询效率的新思路。
ICML是机器学习领域最具影响力的国际顶级学术会议之一，与NeurIPS、ICLR并列为机器学习领域三大标志性会议，在全球人工智能研究领域具有广泛而深远的学术影响力，该会议同时为中国计算机学会（CCF）推荐的A类国际学术会议。据大会统计，ICML 2026共有23918篇论文进入评审环节，其中6352篇被录用，录用率约为26.6%。
撰稿：林毓秀
编审：赵连幸
