ICML 2026 Poster Photo Summary

Poster notes from ICML 2026 grouped by variable causal role, representation learning, causal reasoning, and other topics.

사진 파일에서 직접 읽은 제목과 포스터 내용을 바탕으로 정리했다. 제목/본문이 가려졌거나 비스듬한 사진은 보이는 범위에서 요약했고, 그런 경우 확인 필요를 붙였다.

분류 기준:

  • variable causal role: treatment, covariate, confounder, mechanism shift, instrument, spurious feature처럼 변수의 인과적 역할을 직접 다루는 논문
  • representation learning: latent/token/feature/embedding/SAE/foundation representation을 직접 다루는 논문
  • causal reasoning: intervention, counterfactual, causal graph, causal uncertainty, causal/physical reasoning을 직접 다루는 논문
  • 기타: 통계 추론, conformal/decision, LLM 분석, governance/legal evaluation 등 위 세 축에 직접 속하지 않는 논문

1. Variable Causal Role

Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions

유형: variable causal role, causal reasoning

내용: 평균 인과효과 추정을 위해 어떤 관측 공변량을 adjustment set으로 골라야 하는지 다룬다. pretreatment assumption, causal sufficiency, global structure learning 없이 local conditional independence 정보로 유효한 adjustment set을 찾는 문제를 설정한다.

Contribution: LCS라는 local covariate selection 방법을 제안하고, identifiable effect/zero effect/non-identifiable 상황을 구분하는 규칙과 이론적 soundness/completeness를 제시한다. synthetic graph와 Cattaneo2, Jobs 데이터에서 기존 local method보다 낮은 bias와 안정적인 성능을 보인다.

Dissecting Causal Mechanism Shifts via FANS: Function And Noise Separation

유형: variable causal role, causal reasoning

추가 사진: IMG_1793.jpeg

내용: 환경 변화가 causal mechanism의 function shift인지 noise shift인지 분리하는 문제를 다룬다. causal DAG와 두 환경의 데이터를 입력으로 받아, causal normalizing flow를 이용해 counterfactual distribution divergence를 계산한다.

Contribution: FANS는 shift detection과 shift type dissection을 하나의 프레임워크로 묶고, additive noise를 넘는 nonlinear/non-additive 설정까지 다룬다. synthetic data와 Morpho-MNIST에서 shift node/type을 기존 방법보다 잘 찾아낸다.

Learning Treatment Allocations with Risk Control Under Partial Identifiability

유형: variable causal role, causal reasoning

내용: precision medicine에서 treatment allocation policy를 학습하되, unobserved confounding이나 selection 때문에 risk가 부분적으로만 식별되는 상황을 다룬다.

Contribution: miscalibration 정도를 Gamma로 두고 allocation risk와 treatment risk의 upper bound를 사용해 certifiable risk control을 제공한다. sample splitting 기반으로 policy와 tolerance를 나누어 학습하고, synthetic/STAR 데이터에서 해석 가능한 정책을 얻는다.

Causal Representation Learning with Optimal Compression under Complex Treatments

유형: variable causal role, representation learning

내용: 복잡한 multi-treatment setting에서 confounding을 줄이면서 predictive information을 보존하는 causal representation을 학습한다. treatment cardinality가 커질 때 pairwise balancing이 계산량과 통계적 안정성 면에서 무너지는 문제를 지적한다.

Contribution: representation compression과 balancing의 trade-off를 최적화하는 BOAB/aggregation 접근을 제안한다. treatment aggregation으로 constraint 수를 줄이고, semi-synthetic 실험 및 multi-treatment CausalEGM 확장에서 성능을 보인다.

Estimating Continuous Treatment Effects with Two-Stage Kernel Ridge Regression

유형: variable causal role

내용: continuous treatment와 covariate가 있을 때 dose-response/continuous treatment effect function을 추정하는 문제다. nuisance conditional density를 직접 추정하지 않고 two-stage KRR로 pseudo-outcome을 만든 뒤 target curve를 학습한다.

Contribution: Sobolev case에 대한 upper bound와 model selection/adaptivity 보장을 제시한다. coverage/overlap을 나타내는 gamma와 eigenvalue decay를 고려하고, Job Corps semi-real experiment에서 plug-in KRR, direct regression, DML 계열보다 낮은 MISE를 보인다.

Nonlinear Covariate Balance in Experimental Design

유형: variable causal role

내용: randomized controlled trial에서 treatment/control assignment가 단순 평균만 맞추면 nonlinear imbalance가 남는 문제를 다룬다.

Contribution: Gram-Schmidt Walk를 nonlinear Gram matrix로 확장한 Nonlinear-GSW를 제안한다. 고차 공변량 균형과 assignment robustness 사이의 trade-off를 조절하며, low-rank approximation으로 계산량도 줄인다.

Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments

유형: variable causal role

내용: randomized longitudinal experiment에서 treatment effect를 효율적으로 추정하기 위해 시간에 따라 변하는 covariate transition을 모델링한다.

Contribution: longitudinal treatment effect estimation에서 covariate transition을 활용해 variance/efficiency를 개선하는 방법을 제안한다. 포스터의 simulation study 중심으로, 단순 estimator보다 효율적인 추정이 가능함을 보인다.

Feasible Fusion: Constrained Joint Estimation under Structural Non-Overlap

유형: variable causal role

내용: structural non-overlap이 있는 데이터에서 여러 estimator나 source를 무리하게 합치면 bias/variance 문제가 생기는 상황을 다룬다.

Contribution: overlap 제약을 명시한 joint estimation/fusion 프레임워크를 제안한다. 관측 가능한 영역과 식별 가능한 영역을 구분하며, structural non-overlap 아래에서도 feasible한 결합 추정을 목표로 한다.

Learning Treatment Representations for Downstream Instrumental Variable Regression

유형: variable causal role, representation learning

내용: downstream instrumental variable regression에 유용한 treatment representation을 학습하는 문제다. treatment 자체가 복잡하거나 고차원일 때 IV 추정에 맞는 표현을 만드는 데 초점을 둔다.

Contribution: treatment representation을 downstream IV objective와 연결해 학습하고, 단순 feature 사용보다 IV regression의 안정성과 예측/추정 성능을 높이는 방향을 제시한다.

Causal-aware Anomaly Detection for Tabular Data

유형: variable causal role, representation learning

내용: tabular anomaly가 반드시 극단값은 아니며, 변수 간 causal dependency를 위반하는 표본일 수 있다는 관점에서 anomaly detection을 다룬다.

Contribution: causal graph 기반 representation learning과 latent anomaly scoring을 결합한 CausalAno를 제안한다. discriminator embedding과 Mahalanobis distance를 사용하며, 28개 tabular AD benchmark에서 강한 성능을 보인다.

Is Spurious Correlation Removal Always Learnable?

유형: variable causal role, representation learning

내용: spurious correlation을 제거하는 것이 항상 학습 가능한지 이론적으로 분석한다. invariant/spurious feature가 섞인 환경에서 diversity와 regularity가 어떤 역할을 하는지 다룬다.

Contribution: spurious correlation removal의 learnability 조건과 minimax risk/phase transition을 제시한다. diverse environment가 항상 도움이 되는 것은 아니며, 충분한 다양성과 regularity 조건이 필요함을 보인다.

Exactly Computing do-Shapley Values

유형: variable causal role, causal reasoning

내용: 변수의 contribution을 단순 Shapley가 아니라 intervention do(.) 관점에서 계산하는 문제를 다룬다.

Contribution: do-Shapley 값을 정확히 계산하는 알고리즘/공식을 제시한다. causal graph에서 변수의 개입 효과 기반 attribution을 다루므로 feature attribution과 causal effect 해석을 연결한다.

2. Representation Learning

Identifiable Token Correspondence for World Models

유형: representation learning

내용: world model rollout에서 object가 duplicate, vanish, transmute되는 문제를 token correspondence 관점에서 해결한다. 연속 프레임의 entity가 대부분 공유된다는 점을 이용해 token을 매번 새로 생성하지 않고 재사용한다.

Contribution: optimal transport로 frame-to-frame token correspondence를 찾는 ITC decoding을 제안한다. retraining 없이 plug-and-play로 적용 가능하며, Craftax/MinAtar/Atari world model에서 next-state accuracy와 return을 개선한다.

Evaluating the Representation Space of Diffusion Models via Self-Supervised Principles

유형: representation learning

내용: diffusion model이 denoising만으로도 self-supervised representation learner처럼 동작하는지 평가한다. augmentation/diffusion noise 아래 invariant component와 residual component를 분해한다.

Contribution: Invariant Contamination Ratio(ICR)를 제안해 diffusion representation의 semantic window, memorization onset, feature expansion을 label-free/sample-free로 추적한다. diffusion model의 learned representation geometry를 외부 probe 없이 모니터링할 수 있음을 보인다.

GUDA: Counterfactual Group-wise Training Data Attribution for Diffusion Models via Unlearning

유형: representation learning, causal reasoning

내용: 생성 이미지에 어떤 training data group이 영향을 주었는지 group-wise attribution을 추정한다. leave-one-group-out retraining은 gold standard지만 비용이 크므로 unlearning으로 counterfactual model을 근사한다.

Contribution: GUDA는 unlearned model을 이용해 LOGOA counterfactual attribution score를 근사한다. diffusion model에서 group removal effect를 효율적으로 계산하고, fair compensation/debugging/데이터 provenance에 쓸 수 있는 그룹 단위 설명을 제공한다.

Ensembling Sparse Autoencoders

유형: representation learning

내용: LLM activation을 해석 가능한 sparse feature로 분해하는 SAE를 여러 개 ensemble하는 문제다.

Contribution: naive bagging과 boosting 방식의 SAE ensemble을 비교한다. reconstruction stability, interpretability, concept detection, spurious correlation removal에서 ensemble이 단일 SAE보다 유용할 수 있음을 보인다.

Causes and Consequences of Representational Similarity in Machine Learning Models

유형: representation learning

내용: 모델 간 representational similarity가 왜 생기고 downstream에서 어떤 영향을 주는지 분석한다. dataset overlap과 task overlap이 similarity에 미치는 영향을 실험적으로 분리한다.

Contribution: vision/language 모델에서 데이터셋 및 task overlap이 representation similarity를 높인다는 결과를 보인다. vision model에서는 similarity가 높을수록 adversarial attack transferability가 증가하는 downstream risk도 확인한다.

Representation Learning for Equivariant Inference with Guarantees

유형: representation learning

내용: 대칭성/symmetry prior를 이용해 equivariant representation을 학습하고 uncertainty quantification이 가능한 inference를 수행하는 문제다. 사진 일부가 사람에게 가려져 세부 수식은 확인이 제한적이다.

Contribution: Neural Conditional Probabilities와 symmetry prior를 결합해 equivariant inference에 대한 보장을 제공하는 방향을 제시한다. regression 및 uncertainty quantification 실험으로 표본 효율성과 calibration을 평가한다.

CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization

유형: representation learning, causal reasoning

내용: scene graph learning과 out-of-distribution generalization을 목표로, causality-inspired invariant representation을 학습한다.

Contribution: uncertainty-guided regularization으로 robust scene understanding을 위한 invariant feature를 강화한다. domain shift나 spurious scene pattern에 덜 민감한 representation을 만들려는 접근이다.

Toward Identifiable Sparse Autoencoders

유형: representation learning

내용: 같은 데이터와 같은 SAE 구조라도 학습 결과가 달라질 수 있다는 문제에서 출발해, sparse autoencoder feature의 식별 가능성을 다룬다.

Contribution: stable dictionariness/identifiability를 위한 이론적 조건과 실험 분석을 제시한다. SAE feature가 모델 해석에서 신뢰 가능한 단위가 되기 위한 조건을 탐색한다.

Learning World Models through Object-Level Latent Masking

유형: representation learning, causal reasoning

내용: visual reasoning/world model 학습에서 object-level latent masking을 사용해 객체 단위의 world dynamics를 학습한다.

Contribution: object-level latent를 마스킹하며 world model을 학습함으로써 visual reasoning 및 counterfactual VQA 성능을 높이는 방향을 제시한다. 객체 중심 표현을 통해 causal/relational reasoning에 더 적합한 latent를 만든다.

SleepFM: A Universal Sleep Foundation Model for Integrating Actigraphy and Micro-Structures

유형: representation learning, 기타

내용: sleep 관련 actigraphy와 micro-structure 신호를 통합하는 foundation model을 제안한다.

Contribution: 다양한 sleep downstream task에 적용 가능한 통합 representation을 학습한다. sleep stage/biomarker/health prediction 등에서 범용 feature extractor 역할을 목표로 한다.

3. Causal Reasoning

Hierarchical Causal Abduction for Explainable Model Predictive Control (MPC)

유형: causal reasoning

내용: black-box MPC decision을 operator가 이해할 수 있도록 faithful한 한 문장 설명으로 바꾸는 문제다. physics, optimization, temporal causality를 결합해 “왜 이 action을 선택했는가”를 설명한다.

Contribution: HCA는 KKT optimization, knowledge graph physics, PCMCI temporal evidence를 계층적으로 ranking하고, candidate driver를 counterfactual re-solve로 검증한다. greenhouse, HVAC, chemical plant domain에서 LIME/SHAP보다 높은 explanation accuracy를 보인다.

From Prompts to Tokens: Internalizing Causal Supervision in Vision-Language Model for Multi-Image Causal Reasoning

유형: causal reasoning, representation learning

내용: multi-image causal reasoning에서 causal supervision을 단순 prompt text로 붙이는 것은 약한 interface라고 보고, 모델 내부 token 구조에 causal knowledge를 주입한다.

Contribution: BridgeVLM은 multi-image evidence에서 variable-level causal structure를 유도하고, DAG-conditioned routing과 causal tokens를 LLM decoder에 넣는다. C3D/CVLBench intervention/counterfactual task에서 prompt-only나 finetuning보다 큰 향상을 보인다.

Use What You Know: Causal Foundation Models with Partial Graphs

유형: causal reasoning, variable causal role

내용: causal foundation model이 observational data만 쓰지 않고, 부분적으로 알려진 causal graph knowledge를 조건으로 사용할 수 있게 하는 문제다.

Contribution: Partially Known Ancestor Matrix(PAM)를 graph-conditioning signal로 주입한다. soft attention biasing과 GCN/AdaLN 기반 인코딩으로 partial causal knowledge를 활용해 causal inference prediction을 개선한다.

Interventional Processes for Causal Uncertainty Quantification

유형: causal reasoning

추가 사진: IMG_1838.jpeg

내용: causal function에 대한 uncertainty quantification을 위해 interventional process를 모델링한다.

Contribution: observational/process prior만으로는 부족한 causal uncertainty를 intervention-aware process로 다루며, simulation에서 uncertainty quantification performance를 평가한다. causal function의 불확실성을 명시적으로 추정하는 방향의 방법이다.

Geometric Collapse: When Vision Models Fail to Verify Physical Causality

유형: causal reasoning, representation learning

내용: vision transformer/vision model이 물리적 인과성을 검증해야 하는 scramble diagnostic에서 실패하는 현상을 다룬다.

Contribution: perturbation, relocation, rotation, darkening 등 물리적/시각적 조작 조건에서 모델 representation이 causal physical relation을 보존하지 못하는 geometric collapse 현상을 분석한다. global propagation/evaluation으로 모델의 물리 인과 검증 실패를 보여준다.

Physics from Video

유형: causal reasoning, representation learning

내용: video observation에서 물리 dynamics를 추론하는 문제다. encoder-only pipeline과 ODE/physics simulation trajectory condition을 사용해 물리량이나 동역학을 학습하는 것으로 보인다.

Contribution: 영상으로부터 물리 시뮬레이션 조건을 추정하거나 dynamics를 복원하는 접근을 제시한다. visual representation을 물리적 causal dynamics와 연결하는 논문으로 분류했다.

CausalGame: Benchmarking Causal Thinking of Large Language Model Agents in Games

유형: causal reasoning

내용: 게임 환경에서 LLM agent의 causal thinking을 벤치마크한다. scientific discovery에서 correlation과 causation을 구분하는 능력을 게임 문제로 평가한다.

Contribution: CausalGame 벤치마크를 제안해 LLM agent가 intervention, causal hypothesis, exploration을 어떻게 수행하는지 평가한다. 대규모 언어모델의 인과적 사고 능력을 정량화하는 테스트베드를 제공한다.

4. 기타

Signal Strength Estimation in Logistic Regression Using Data Splitting

유형: 기타

내용: separable data와 unknown covariance를 포함하는 logistic regression에서 signal strength를 추정하는 문제다.

Contribution: covariance-adaptive generalized ridge estimator를 split data에 맞추고, monotone proxy quantities를 추정한 뒤 이론적 map을 invert하는 접근을 제안한다. unknown covariance가 있어도 consistency를 얻는 추정 절차를 목표로 한다.

Optimal Decision-Making Based on Prediction Sets

유형: 기타

내용: conformal prediction set은 coverage를 보장하지만, set을 보고 어떤 action을 취해야 하는지까지는 알려주지 않는다. 이 논문은 prediction set을 decision quality와 직접 연결한다.

Contribution: Risk-Optimal Conformal Prediction(ROCP)을 제안해 worst-case risk와 out-of-set penalty를 함께 고려한다. 의료 진단 실험에서 high-stakes regime의 critical mistake를 줄이면서 finite-sample coverage를 유지한다.

Enhancing Conformal Prediction via Class Similarity

유형: 기타

내용: conformal prediction에서 class 간 similarity를 이용해 prediction set을 개선하는 문제다. 사진에 관람객이 많이 가려져 세부 수식은 제한적으로만 확인된다.

Contribution: class similarity matrix를 사용해 multi-class conformal prediction set의 효율성과 calibration을 개선한다. model-agnostic/model-specific variant와 다양한 이미지 분류 데이터셋 결과를 제시한다.

Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance

유형: 기타, representation learning

내용: generative model에서 특정 데이터를 제거하거나 잊게 만드는 unlearning 문제를 다룬다.

Contribution: tempering과 classifier guidance를 결합해 generative model unlearning을 원리적으로 수행하는 방법을 제안한다. 모델 분포를 조정해 삭제 대상의 영향을 줄이면서 생성 품질을 유지하려는 접근이다.

Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference

유형: 기타, causal reasoning

내용: UK Biobank 같은 대규모 biomedical 데이터에서 latent risk pathway를 Bayesian hypergraph로 추론한다.

Contribution: risk factor와 outcome 사이의 복합 상호작용을 hypergraph inference로 분해하고, prediction/calibration 성능을 평가한다. latent pathway discovery와 risk modeling을 연결한다.

Anytime-Valid Inference Under Outcome Delay: A Sleeping Bandit Approach

유형: 기타

내용: outcome delay가 있는 sequential experiment/decision setting에서 anytime-valid inference를 수행하는 문제다.

Contribution: delayed outcome 때문에 관측되지 않은 결과가 있을 때도 유효한 추론을 제공하는 bandit-style 접근을 제안한다. synthetic delayed outcomes와 실험 설정에서 confidence/control을 유지하는 방법을 다룬다.

Rare Event Analysis of Large Language Models

유형: 기타

내용: LLM에서 드물지만 중요한 event를 분석한다. Markov chain/transition path sampling 계열 아이디어로 rare occurrence를 효율적으로 샘플링하는 것으로 보인다.

Contribution: 단순 무작위 sampling으로 보기 어려운 rare event의 likelihood와 transition path를 분석하는 절차를 제안한다. LLM safety나 reliability에서 희귀 실패 사례를 체계적으로 찾는 데 유용하다.

Position: Bridge the AI Development-Regulation Gap through Dedicated Committees & Adaptive Legislation

유형: 기타

내용: AI development와 regulation 사이의 격차를 dedicated AI committee와 adaptive legislation으로 줄여야 한다는 position paper다.

Contribution: EU, Asia-Pacific, U.S. AI legislation을 비교하고, U.S. 법안이 committee 단계에서 병목에 걸리는 구조적 원인을 분석한다. international alignment, regional framework, national operationalization의 3단계 bridge를 제안한다.

The Foreign Policy AI Governance Gap: The Case For A Task-Scoped, Demand-Side Evaluation Framework

유형: 기타

내용: foreign policy context에서 AI governance evaluation이 부족하다는 문제를 제기한다.

Contribution: supply-side model capability만이 아니라 demand-side task와 실제 사용 맥락을 기준으로 AI governance를 평가해야 한다고 주장한다. task-scoped framework로 정책/외교 영역의 위험 평가를 정교화한다.

AIs with Secret Loyalties are a Serious but Addressable Threat

유형: 기타

내용: AI system이 숨겨진 principal이나 secret loyalty를 갖는 경우 governance와 security 측면에서 문제가 된다는 position이다.

Contribution: secret loyalty의 개념과 위협 모델을 정리하고, detection/research agenda를 통해 addressable한 위험으로 다룬다. AI alignment/governance 보안 이슈에 초점을 둔다.

유형: 기타

내용: 법적 불안정성이나 jurisdiction 간 영향권을 retrieval 기반으로 탐지하는 법률 AI 연구다.

Contribution: legal text retrieval을 통해 어느 jurisdiction의 판례/규범이 다른 영역에 영향을 주는지 mapping한다. legal instability와 interpretive influence zone을 구조적으로 탐지하는 도구를 제안한다.

Beyond Accuracy: A Dual-Judge Evaluation Protocol for Vision-Language Models in Legally Grounded Tasks

유형: 기타

내용: legally grounded VLM task에서 단순 accuracy만으로 평가하기 어렵다는 문제를 다룬다.

Contribution: legal correctness와 visual grounding을 함께 보는 dual-judge protocol을 제안한다. legally grounded task에서 hallucination, unsupported answer, visual mismatch를 더 세밀하게 평가한다.

The Path to AI Governance: First Systematic Analysis of AI Governance Across 50 U.S. States

유형: 기타

내용: 2017-2026년 미국 50개 주의 AI governance 법안/정책을 체계적으로 분석한다.

Contribution: 1,419개 AI legislation bill을 분석해 enactment, failure, topic, state-level variation을 정리한다. 주 단위 AI governance가 어떤 방향으로 발전하는지 보여주는 정책 데이터셋/분석이다.

중복 및 참고 사진