2026年7月6日至11日，机器学习领域顶级国际会议 International Conference on Machine Learning 2026（ICML 2026）在韩国首尔 COEX Convention & Exhibition Center 举行。本届 ICML 共有23,918篇论文进入评审流程，经严格同行评审后录用6,352篇，录取率约为26.6%。ICML 是机器学习与人工智能领域历史最悠久、影响力最高的国际学术会议之一，与 NeurIPS、ICLR 并列为人工智能领域三大顶级会议。
我院袁景凌教授、钟忺教授课题组两篇论文入选 ICML 2026，研究内容分别聚焦大语言模型定量推理自进化方法以及量化神经网络中的机器遗忘。其中，论文《Evolving Quantitative Reasoning through Self-Play in Digital Twin Markets》第一作者为马田眯；论文《Forget by Uncertainty: Orthogonal Entropy Unlearning for Quantized Neural Networks》由童宇佳、张天作为共同第一作者完成。两篇论文官方页面已在 OpenReview 平台公开，相关链接如下：
https://openreview.net/pdf?id=j4SxlIyvRg
https://openreview.net/pdf?id=GtNkETQE6w
《Evolving Quantitative Reasoning through Self-Play in Digital Twin Markets》针对大语言模型数值计算与统计推断可靠性不足的问题，提出推理与计算解耦的定量推理框架：由大语言模型承担任务规划、工具生成与结果解释，外部工具完成精确计算。论文进一步构建数字孪生市场 DecoupledMarket 和智能体 DeMAgent，使模型能够在市场反馈中持续创建和优化分析工具。实验结果表明，该方法在数字孪生市场及多类真实金融数据上取得了更好的收益与风险调整表现。
《Forget by Uncertainty: Orthogonal Entropy Unlearning for Quantized Neural Networks》针对现有方法依赖错误标签、容易使模型“记住错误答案”等问题，论文提出正交熵机器遗忘框架 Orthogonal Entropy Unlearning（OEU），通过最大熵机制提升待遗忘样本的预测不确定性，并利用梯度正交投影减少遗忘过程对保留知识的影响。实验结果表明，OEU 在 CIFAR-10、CIFAR-100 等数据集及多种量化设置下均取得了较好的遗忘效果和模型性能保持能力，相较于代表性方法 Q-MUL 在平均差距指标等评价结果上表现更优。
会议期间，两篇论文在 ICML 2026 进行了展示和交流。我院马田眯、童宇佳、张天同学围绕研究背景、方法设计、实验设置和结果分析等内容，向参会学者介绍了相关成果。在交流过程中，参会学者重点关注量化模型如何实现有效数据删除、如何减少遗忘过程对模型性能的影响，以及大语言模型如何在复杂决策任务中提升定量分析可靠性等问题。论文作者结合实验结果和方法设计进行了回应，并与国内外高校及企业界同行开展交流，进一步了解机器学习与人工智能应用研究的最新进展。
两篇论文入选 ICML 2026，体现了我院在机器学习与人工智能领域的持续积累和前沿研究能力。
供稿：马田眯、童宇佳、张天 审核：袁景凌、李向舜