중심 명제
ICML 2026 Poster Session 1이 보여주는 최전선은 더 큰 model 하나를 만드는 방향이 아니다. Data, computation, memory, tools, modality, uncertainty, safety와 runtime을 하나의 적응형 학습 생태계로 통합하는 system-centric machine learning이다.
Foundation Models · Agents · Adaptive Computation · Safety · AI4Science · Governance
ICML 2026 Poster Session 1
780편의 대규모 논문군을 단순 나열하지 않고 foundation models, agentic AI, efficient systems, multimodal intelligence, safety, structured learning, causality, reinforcement learning, AI4Science와 governance의 관점에서 재구성한다.
780세션 배치 논문
14통합 연구축
22연구질문
20Open Problems
01
전체 연구 지형
Poster Session 1은 특정 단일 주제가 아니라 ICML 2026 전체 연구방향의 축소판이다. 연구중심은 독립된 model accuracy에서 governed adaptive intelligence ecosystem으로 이동한다.
Data & Environment→Foundation Model→Adaptive Compute→Memory & Tools→Uncertainty & Verification→Governed Deployment
Frontier ML System =
Representation + Adaptive Computation + Memory and Tools + Uncertainty + Verification and Governance
02
Definition
Foundation-model ecosystem, agentic systems, adaptive computation, procedural memory, unlearning, uncertainty와 operating-system layer를 정리한다.
Foundation-Model Ecosystem
Base model, post-training policy, retrieval, memory, tools, verifier, serving runtime, safety layer와 monitoring이 결합된 전체 실행환경이다.
Agentic Machine-Learning System
목표를 달성하기 위해 상태를 관찰하고, 계획하고, 도구를 호출하며, memory를 수정하는 반복적 의사결정 시스템이다.
Adaptive Computation
Input 난이도와 resource 상태에 따라 reasoning length, model depth, tool use, token budget와 verification 빈도를 동적으로 조절한다.
Procedural Memory
Fact가 아니라 activation condition, execution procedure와 termination condition으로 구성된 reusable problem-solving skill을 저장한다.
Program-Aware Inference
Agent trajectory를 token stream이 아니라 branch, loop, tool call, KV state와 external artifact를 가진 program으로 해석한다.
Dynamic Data Selection
현재 model 상태에서 추가 학습가치가 높은 sample을 difficulty, uncertainty, diversity와 gradient value로 선택한다.
Dynamic Visual Sparsity
Reasoning step마다 질문과 current hidden state에 필요한 visual token만 선택한다.
Distributional Model Evaluation
Point prediction보다 model의 전체 conditional distribution, calibration, coverage와 tail behavior를 평가한다.
Joint Uncertainty
Domain uncertainty, epistemic uncertainty와 aleatoric uncertainty를 하나의 deployment reliability 관점에서 다룬다.
Certified Machine Unlearning
삭제대상 data를 제외하고 재학습한 model과 충분히 가까운 상태를 formal·statistical guarantee로 요구한다.
Safety Bottleneck
Harmful fine-tuning과 adversarial adaptation이 집중적으로 변화시키는 safety-relevant representation direction을 의미한다.
Continuous-Precision Quantization
정수 bit option에 제한되지 않고 목표 memory·latency budget에 맞춰 effective bit width를 연속적으로 조절한다.
Graph Foundation Model
여러 graph domain에서 reusable structural representation과 graph-learning prior를 학습하는 model이다.
Diffusion Language Model
Corrupted token state에서 반복적인 denoising으로 text를 생성하는 non-autoregressive language model 계열이다.
Foundation-Model Operating System
Model, adapter, memory, tools, hardware, safety policy와 update lifecycle을 OS 계층에서 virtualize하고 통제한다.
Outcome-Aware Medical AI
Prediction score보다 실제 treatment action과 patient outcome의 causal benefit을 평가하는 의료 AI다.
03
Problem Definition
Model–system, semantics–interface, compute, data, memory, grounding, safety, structured transfer와 outcome utility의 간극을 정의한다.
Model Capability–System Capability Gap
높은 benchmark score를 가진 model이 tool, memory, runtime와 error recovery가 포함된 실제 agent에서도 우수하다는 보장이 없다.
Semantic Understanding–Interface Reliance Gap
Semantic-equivalent API와 UI 표현이 달라지면 agent가 실패할 수 있다.
Static Compute–Heterogeneous Difficulty Gap
쉬운 input과 어려운 input에 동일 reasoning length와 tool budget을 적용하면 compute를 낭비한다.
Data Volume–Data Utility Gap
많은 data가 redundancy, noise, bias와 gradient interference를 증가시킬 수 있다.
Long Context–Memory Budget Gap
모든 historical token을 KV cache에 유지할 수 없지만 단순 eviction은 premise와 tool result를 제거할 수 있다.
Multimodal Evidence–Token Overhead Gap
Visual token은 많지만 실제 answer-critical evidence는 일부에 불과하다.
Scalar Reward–Semantic Feedback Gap
Numerical reward만으로는 어떤 assumption과 reasoning step이 잘못되었는지 알기 어렵다.
Output Correctness–Grounding Gap
Final answer가 맞아도 model이 실제 image, document 또는 causal evidence를 사용했는지 불명확하다.
Retention–Certified Forgetting Gap
Continual learning의 retention과 특정 knowledge의 verifiable removal은 서로 충돌한다.
Predictive Uncertainty–Domain Validity Gap
Training-domain calibration이 좋아도 deployment input이 domain 밖이면 confidence가 무의미할 수 있다.
Universal Generalist–Specialist Expertise Gap
Generalist는 넓지만 얕고 specialist는 깊지만 좁기 때문에 task-aware orchestration이 필요하다.
Graph FM–Structural Domain Gap
Graph는 node·edge semantics, degree, motif, direction성과 size가 달라 source–target transfer가 어렵다.
Prediction Metric–Treatment Outcome Gap
높은 AUROC가 실제 patient benefit이나 더 나은 intervention을 보장하지 않는다.
Heuristic Serving–Provable Serving Gap
Batching, scheduling, KV eviction과 admission control이 heuristic에 의존해 queue instability를 만들 수 있다.
Adaptation–Safety Lifecycle Gap
Fine-tuning, adapter, memory와 tool integration 이후에도 initial safety가 유지된다는 보장이 없다.
Foundation Model–Governed Ecosystem Gap
Model, memory, tools, data와 update 권한을 통제할 상위 governance layer가 부족하다.
04
Core Concepts
Pareto frontier, marginal value, semantic invariance, program abstraction, dynamic sparsity, feedback fusion와 real-time grounding을 정리한다.
Quality–Cost–Risk Pareto Frontier
Quality를 높이면서 cost와 risk를 동시에 낮출 수 없는 configuration 집합이다.
Marginal Value of Computation
추가 reasoning, tool call, retrieval 또는 verification이 제공하는 expected quality gain을 추가 cost로 나눈 값이다.
Marginal Value of Data
Sample을 추가학습했을 때 기대되는 model improvement와 forgetting risk를 함께 고려한 utility다.
Semantic Invariance
Tool name, argument order, UI layout와 observation wording이 바뀌어도 task behavior가 유지되는 성질이다.
Procedural Skill Unit
Activation condition, execution policy, termination condition과 success verifier로 구성된 skill tuple이다.
Program Abstraction
Agent workflow를 model call, tool call, branch, loop와 shared state dependency graph로 표현한다.
Dynamic Sparsity
Input과 reasoning state에 따라 활성 parameter, head, visual token, edge와 cache entry가 달라지는 성질이다.
Conditional Distribution Fidelity
Model distribution이 target conditional distribution의 mode proportion, calibration, coverage와 tail을 보존하는 정도다.
Typicality Bias
Preference-trained model이 전형적인 answer에 probability mass를 집중해 rare-but-valid mode를 억제하는 현상이다.
Safety Anchor
Fine-tuning 중 safety-relevant representation이 허용영역을 벗어나지 않도록 하는 기준방향이나 reference state다.
Unlearning Excess-Risk Decomposition
Post-unlearning loss를 continual-learning error, removal error와 approximation error로 분해한다.
Fixed-Point Refinement
한 번의 prediction 대신 residual을 반복적으로 수정해 constraint를 만족하는 solution에 수렴한다.
Continuous Bit-Width Control
Layer sensitivity, request priority와 hardware load에 따라 precision을 runtime variable로 조절한다.
Prior-Data Fitting
Synthetic task distribution에서 학습 algorithm 자체를 amortize하는 foundation-model 학습방식이다.
Feedback Fusion
Scalar reward의 global ranking signal과 linguistic critique의 semantic diagnostic을 결합한다.
Real-Time Grounding
Reasoning step과 supporting image region, document, tool result를 inference 중 연결한다.
Model Operating-System Layer
Model, adapter, KV cache, procedural memory, tools, safety policy와 quota를 virtual resource로 관리한다.
05
Introduction
Machine learning은 task-specific model에서 governed self-evolving foundation-model ecosystem으로 발전한다.
Stage 1 — Task-Specific Models
Dataset과 task마다 별도 architecture를 설계한다.
Stage 2 — Pretrained Foundation Models
대규모 pretraining으로 여러 task에 재사용 가능한 representation을 학습한다.
Stage 3 — Instruction Tuning·Post-Training
SFT, RLHF, DPO와 GRPO로 human instruction과 preference를 반영한다.
Stage 4 — Adaptive Inference
Early exit, reasoning length, visual token, KV cache, precision와 model tier를 동적으로 조절한다.
Stage 5 — Agents, Tools and Memory
Model이 tool, retrieval, external memory와 workflow를 반복사용한다.
Stage 6 — Program- and System-Aware Runtime
Agent workload를 program으로 해석해 scheduling, cache, batching과 artifact를 공동최적화한다.
Stage 7 — Governed Self-Evolving Ecosystem
Data, model, memory와 policy update를 verification, safety gate, monitoring과 rollback으로 통제한다.
06
Motivation and Background
System capability, adaptive resource allocation, memory, multimodal grounding, distribution behavior, lifecycle safety, specialist orchestration와 serving을 중심으로 설명한다.
Model 규모만으로 실제 지능을 설명하기 어려움
Prompt, tool, memory, data freshness, verifier와 runtime이 system performance를 크게 바꾼다.
Input 난이도와 가치가 균일하지 않음
Adaptive compute와 dynamic data selection은 resource를 marginal value가 높은 곳에 집중한다.
Agent workload가 memory bottleneck을 만듦
Tool result, plan, observation와 intermediate artifact가 누적되어 KV와 context 비용이 증가한다.
Multimodal model은 실제 evidence 사용을 보장하지 않음
Language prior로 answer를 생성하거나 visual token 대부분을 낭비할 수 있다.
Generative model은 distribution behavior가 중요
Average score는 mode collapse, tail failure, diversity loss와 typicality bias를 숨긴다.
Safety·privacy는 deployment 이후에도 변함
Fine-tuning, personalization, unlearning과 tool integration이 model lifecycle을 계속 변화시킨다.
Generalist만으로 전문영역 해결이 어려움
의료·과학에서는 specialist의 calibration, 최신 protocol과 rare-domain expertise가 중요하다.
실제 deployment는 algorithm과 system의 공동문제
Memory bandwidth, queue instability, KV fragmentation, tool latency와 storage가 실제 성능을 결정한다.
07
Challenges
Semantic shortcut, memory contamination, distribution shift, reward impoverishment, lifecycle safety, serving stability와 governance가 핵심 난제다.
| 도전과제 | 핵심 문제 | 요구되는 방향 |
|---|---|---|
| Interface shortcutting | Task semantics보다 API·UI 표현 암기 | Protocol randomization·semantic invariance |
| Adaptive-compute calibration | 추가 compute의 실제 가치 오판 | Marginal-value estimator |
| Agent memory contamination | 잘못된 procedure와 stale fact 축적 | Verified memory lifecycle |
| Long-context efficiency | KV memory와 attention cost 증가 | Task-aware compression |
| Multimodal grounding | Image 없이 그럴듯한 answer 생성 | Step-level evidence attribution |
| Data selection instability | Hard sample이 noise일 가능성 | Difficulty·uncertainty·diversity 결합 |
| Distribution shift | Training-domain confidence가 deployment에서 무효 | Joint domain uncertainty |
| Distributional evaluation | 평균 score가 mode와 tail을 은폐 | Conditional-distribution metrics |
| Reward impoverishment | Scalar reward가 오류의 의미를 설명 못함 | Linguistic critique fusion |
| RL mode collapse | Reward optimization이 diversity 축소 | Distribution-aware regularization |
| Safety under adaptation | Fine-tuning과 memory가 guardrail 우회 | Safety anchors·lifecycle audit |
| Certified unlearning | Output suppression이 실제 삭제 보장 안 함 | Retraining-equivalent guarantee |
| Continual forgetting | 새 knowledge가 기존 utility 손상 | Retention–removal decomposition |
| Graph transfer | Domain별 구조와 feature semantics 상이 | Structural discrepancy bounds |
| Specialist orchestration | Generalist와 specialist conflict | Evidence·uncertainty-aware routing |
| Diffusion decoding | 반복 denoising latency와 context loss | Residual reuse·adaptive steps |
| Quantization granularity | Discrete bit가 실제 budget과 불일치 | Continuous precision |
| Serving stability | Burst workload와 KV constraint로 queue 폭증 | Queueing theory·admission control |
| Agent scheduling | Model·tool·artifact dependency 복잡 | Program-aware runtime |
| Benchmark validity | Contamination과 proxy metric 과대의존 | Dynamic·outcome-grounded evaluation |
| Medical outcome validity | Prediction score가 treatment benefit 반영 못함 | Causal outcome evaluation |
| Real-time explanation | Post-hoc attribution이 inference 왜곡 | Streaming grounding |
| Foundation-model governance | Model, memory, tool 권한 불명확 | OS-level isolation·provenance |
| Federated auditability | Privacy 강화 시 audit 어려움 | Privacy–audit joint design |
| Self-evolving systems | 자동 update가 safety·reproducibility 손상 | Bounded self-evolution contracts |
08
Research Questions
Agent semantics, adaptive compute, memory, distributional evaluation, uncertainty, unlearning, graph transfer, medical outcome와 system governance를 중심으로 정리한다.
RQ1
Agent가 task semantics를 학습한 것인지 특정 tool interface를 암기한 것인지 어떻게 구분할 것인가?
RQ2
Interface, API와 UI 표현이 바뀌어도 유지되는 agent capability를 어떻게 학습할 것인가?
RQ3
추가 reasoning token, tool call와 model invocation의 marginal utility를 runtime에 예측할 수 있는가?
RQ4
Agent가 procedural skill을 parameter update 없이 안전하게 축적하고 재사용할 수 있는가?
RQ5
잘못되거나 outdated된 procedural memory를 자동으로 수정·삭제할 수 있는가?
RQ6
현재 model state에 따라 다음에 학습할 sample을 어떻게 선택해야 하는가?
RQ7
Visual reasoning에서 answer-critical token을 step별로 어떻게 선택할 것인가?
RQ8
KV-cache compression이 reasoning premise와 tool result를 삭제하지 않도록 보장할 수 있는가?
RQ9
Generative model의 전체 conditional distribution을 sample만으로 신뢰성 있게 비교할 수 있는가?
RQ10
Typical answer에 집중되는 preference-model bias를 diversity와 correctness를 잃지 않고 완화할 수 있는가?
RQ11
Scalar reward와 natural-language critique를 어떤 objective로 결합해야 하는가?
RQ12
Domain, epistemic, aleatoric uncertainty를 하나의 coherent model로 추정할 수 있는가?
RQ13
Continual learning 상태에서 특정 data의 영향을 retraining-equivalent하게 제거할 수 있는가?
RQ14
Harmful fine-tuning이 발생해도 유지되는 representation-level safety mechanism을 만들 수 있는가?
RQ15
Graph foundation model의 transfer 가능성을 학습 전에 예측할 수 있는가?
RQ16
Generalist model과 specialist model을 의료·과학 task에서 어떤 기준으로 orchestration해야 하는가?
RQ17
Quantization precision을 discrete option이 아니라 continuous resource variable로 제어할 수 있는가?
RQ18
Thinking model의 reasoning step과 실제 visual evidence를 실시간으로 연결할 수 있는가?
RQ19
LLM serving의 latency와 queue stability를 workload·KV constraint 아래 수학적으로 보장할 수 있는가?
RQ20
Foundation-model operating system은 model, memory, tool, adapter와 safety policy 중 무엇을 책임져야 하는가?
RQ21
의료 AI의 평가는 prediction accuracy에서 실제 treatment outcome과 causal benefit으로 어떻게 이동해야 하는가?
RQ22
Quality, cost, uncertainty, privacy, safety와 social utility를 하나의 system-level evaluation protocol로 통합할 수 있는가?
09
Approaches / Methods
대표 연구를 foundation models, agents, adaptive computation, safety, uncertainty, structured learning, AI4Science, medicine와 serving 기준으로 탐색할 수 있다.
Unified Multimodal Pretraining
Text, image, video와 action-conditioned generation을 공통 architecture·objective에서 학습하는 설계를 비교한다.
GraphPFN
Synthetic graph prior에서 graph-learning algorithm을 amortize해 새로운 graph에 in-context·fine-tuning 방식으로 적응한다.
SwiftPFN
Row-wise adaptive early exit로 쉬운 tabular instance는 shallow layer에서 종료한다.
Graph Rotary Position Encoding
Graph topology, relative distance, direction, cycle와 structural role에 맞게 RoPE를 확장한다.
PIPE
Semantic-equivalent interface rewrite에서 trajectory-SFT agent의 task understanding과 protocol shortcut을 분리한다.
ThunderAgent
Agent workflow를 LLM program으로 compile하고 scheduling, KV reuse, artifact caching과 rollout을 공동최적화한다.
ProcMEM
Activation, execution, termination 구조를 가진 procedural skill을 non-parametric memory로 축적한다.
Foundation-Model Operating System
Model selection, memory, tools, safety, resource scheduling, versioning과 audit를 중간 OS 계층에서 관리한다.
AdaThink-Med
Uncertainty를 이용해 의료 problem별 reasoning budget과 escalation을 조절한다.
Data Agent
Difficulty와 uncertainty를 결합해 현재 model에 가치가 높은 training sample을 선택한다.
VisionPulse
Reasoning step마다 visual-token importance를 다시 계산해 동적 sparse evidence path를 만든다.
RL-Guided KV Compression
Reasoning success reward로 attention head와 KV state의 downstream importance를 학습한다.
LiftQuant
Lifted weight representation과 budget-conditioned projection으로 continuous effective precision을 지원한다.
Critique-GRPO
Group-relative scalar reward에 natural-language critique를 결합해 semantic error를 policy update에 반영한다.
Residual Context Diffusion LM
각 denoising step의 intermediate representation을 다음 step에 residual context로 재사용한다.
Verbalized Sampling
여러 candidate와 probability를 언어로 출력시켜 typicality bias와 mode collapse를 완화한다.
Certified Unlearning in Continual Learning
Continual error와 removal error를 분리하고 deletion guarantee–memory trade-off를 분석한다.
Safety Anchor
Harmful adaptation이 집중되는 representation bottleneck을 anchor해 post-fine-tuning safety를 보호한다.
ASRU Multimodal Unlearning
Text, image와 cross-modal pathway에 남은 target concept의 흔적을 함께 제거한다.
Joint Uncertainty Modeling
Input-domain support, epistemic uncertainty와 observation noise를 통합해 deployment reliability를 평가한다.
MIRA
Sample 기반으로 conditional distribution fidelity와 model 간 discrepancy를 평가한다.
Real-Time Visual Attribution Streaming
Thinking step마다 현재 reasoning이 의존하는 image region을 streaming evidence map으로 제공한다.
Formal Problem-Solving
Final answer가 아니라 interpretation, construction, computation, proof obligation과 verification을 formal artifact로 연결한다.
Graph Transfer Theory
Transfer error를 source error, structural discrepancy, positional encoding과 task mismatch로 분해한다.
Iterative Refinement Neural Operator
Fixed-point residual refinement로 PDE와 turbulent flow의 high-frequency structure를 보존한다.
Linear Causal Representation Learning
Latent representation에서 intervention-relevant variable과 causal mechanism의 identifiability를 연구한다.
Medical Specialist Collaboration
Generalist triage와 specialist routing, evidence exchange와 calibrated synthesis를 결합한다.
Treatment-Outcome-Aware Evaluation
Prediction accuracy가 아니라 AI-guided intervention의 causal patient benefit을 평가한다.
Queueing-Theoretic LLM Serving
Arrival, service, token length와 KV constraint를 모델링해 stability region과 tail latency를 분석한다.
10
Key Applications
Agentic coding, medical decision support, multimodal assistants, long context, structured domains, science, privacy, safety와 serving에 적용된다.
Agentic Coding·Research
Repository navigation, code generation, testing, literature search, experiment planning과 long-horizon workflow.
Medical Decision Support
Diagnosis, treatment recommendation, specialist consultation, uncertainty escalation와 patient outcome.
Multimodal Assistants
Document, video, GUI, VQA, visual attribution와 image·text generation.
Long-Context Reasoning
Legal document, scientific paper, code repository, enterprise knowledge와 multi-session agents.
Tabular·Graph Foundation Models
Fraud, molecules, recommendation, knowledge graph, scientific network와 graph classification.
Scientific Modeling
PDE, fluid dynamics, climate, material science, molecular simulation와 dynamical systems.
Privacy·Data Governance
Right to be forgotten, continual update, federated learning, deletion, audit와 provenance.
Safety-Aligned Adaptation
Domain fine-tuning, personalization, adapter installation, continuous learning과 harmful-update detection.
Federated·Edge Systems
Device heterogeneity, private training, communication compression와 low-bit deployment.
Generative Media
Image, video, text, multimodal generation, creative diversity와 diffusion LM.
Causal Analysis
Treatment effect, policy evaluation, counterfactual generation, autonomous control와 temporal causality.
LLM Serving Infrastructure
Multi-tenant serving, agent rollout, KV caching, admission control, model virtualization와 tool scheduling.
11
Open Problems
System attribution, semantic invariance, safe memory, certified lifecycle unlearning, outcome grounding, serving guarantee와 governed evolution을 해결해야 한다.
System-Level Causal Attribution
성능개선 원인이 model, prompt, retrieval, memory, tool 또는 scheduler 중 무엇인지 식별해야 한다.
Semantic Protocol Invariance
Unseen API, UI와 tool wrapper에서도 task semantics를 유지해야 한다.
Safe Procedural-Memory Update
Unsafe·stale procedure가 memory에 들어가지 않도록 verification, scope, expiry와 revocation이 필요하다.
Compute-Allocation Calibration
Uncertainty가 높아도 추가 reasoning이 무의미한 경우를 구분해야 한다.
Token-Pruning Fairness
Visual·KV pruning이 small object, minority language와 long-tail evidence를 더 많이 제거할 수 있다.
High-Dimensional Joint Uncertainty
Domain, epistemic와 aleatoric uncertainty를 대규모 model에서 효율적으로 추정해야 한다.
Agent-Level Certified Unlearning
Base model, adapter, cache, retrieval, long-term memory와 logs 전체에서 정보를 삭제해야 한다.
Continuous-Precision Hardware Support
Algorithm의 arbitrary bit width를 실제 compiler와 accelerator가 지원해야 한다.
Graph Foundation-Model Domain Identity
Node semantics, graphon, motif, task와 position을 함께 반영하는 domain metric이 필요하다.
Generalist–Specialist Conflict Resolution
Specialist 간 충돌을 evidence quality, relevance, calibration과 recency로 해결해야 한다.
Outcome-Grounded Medical Evaluation
Confounding, clinician behavior와 adherence에서 AI의 causal contribution을 분리해야 한다.
Faithful Real-Time Attribution
Attribution map이 실제 reasoning cause를 반영하는지 intervention으로 검증해야 한다.
Formal Serving Guarantees
Mixed-length request, tool latency, branching과 KV constraint 환경의 stability region을 계산해야 한다.
Foundation-Model OS Governance
Memory ownership, tool permission, adapter conflict, rollback와 safety-policy authority를 표준화해야 한다.
Generative Diversity–Safety Trade-off
Diversity 증가가 unsafe·false mode 증가로 이어지지 않도록 해야 한다.
Diffusion-LM Decoding Stability
Parallel denoising의 consistency, context preservation, calibration과 exactness를 개선해야 한다.
Feedback-Model Reliability
Critique model의 correctness와 usefulness를 별도로 검증해야 한다.
Evaluation Metric Validity
QA accuracy, agent success와 social utility 사이의 관계를 실제 deployment에서 검증해야 한다.
Privacy–Auditability Paradox
Federated privacy와 failure attribution을 동시에 만족하는 mechanism이 필요하다.
Governed Self-Evolution
Continuous update 동안 safety, privacy, reproducibility와 rollback invariant를 유지해야 한다.
12
Future Directions
미래 ML은 FM operating system, capability contract, adaptive compiler, provenance memory, lifecycle unlearning와 governed self-evolution으로 발전한다.
1. Foundation-Model Operating System
Capability registry, model·adapter routing, memory manager, tool scheduler, resource controller와 governance를 통합한다.
2. Machine-Readable Capability Contract
Supported task, modality, valid domain, accuracy, calibration, cost, safety, privacy와 failure mode를 명시한다.
3. Adaptive Compute Compiler
Input, budget, hardware와 risk에서 depth, reasoning, visual token, cache, precision, tool와 verifier를 자동선택한다.
4. Provenance-Aware Memory Hierarchy
Working, episodic, semantic, procedural, external, revoked memory를 source·scope·expiry metadata와 함께 관리한다.
5. Semantic-Protocol Randomized Benchmarks
API name, UI layout, argument order와 observation wording을 randomize해 interface memorization을 차단한다.
6. Joint-Distribution-Native Models
Prediction, domain support와 uncertainty를 분리하지 않고 p(x,y,D)를 직접 학습한다.
7. Certified Lifecycle Unlearning
Weight, adapter, cache, memory, retrieval index와 derived artifact를 추적해 deletion certificate를 제공한다.
8. Dynamic Multimodal Evidence Routing
Question과 reasoning state에 따라 text, region, frame, retrieval와 tool path를 선택한다.
9. Continuous-Precision HW–SW Co-Design
Quantizer, compiler와 accelerator가 layer·request별 precision adaptation을 공동지원한다.
10. Program-Aware Agent Runtime
Typed program, cacheable artifact, retry policy, safety gate와 verification point로 agent workflow를 실행한다.
11. Outcome-Grounded Medical AI
Prediction, treatment recommendation, clinician interaction와 patient outcome을 causal evaluation으로 연결한다.
12. Prior-Data Foundation Models for Structured Domains
Graph, tabular와 science task에서 broad synthetic prior와 real deployment distribution의 차이를 줄인다.
13. Fixed-Point Scientific Foundation Models
Physics, causal, numerical constraint 아래 iterative correction으로 solution을 수렴시킨다.
14. Real-Time Grounding Certificate
Reasoning step마다 source, image region, tool result, contradiction과 uncertainty를 제공한다.
15. Self-Evolving but Governed Ecosystem
Update proposal, offline verification, safety gate, limited rollout, monitoring과 rollback을 staged process로 운영한다.
16. Standard System-Level Evaluation
Task, semantic robustness, adaptivity, efficiency, memory, distribution, safety, privacy, serving과 governance를 표준화한다.
13
Conclusion
Poster Session 1은 machine learning의 연구단위가 model에서 adaptive, auditable, outcome-grounded ecosystem으로 확장되고 있음을 보여준다.
Model-Centric → System-Centric ML
실제 성능은 parameter뿐 아니라 memory, tools, scheduler, data와 verifier의 상호작용으로 결정된다.
Uniform Compute → Adaptive Compute
Input 난이도와 budget에 따라 token, cache, precision, data와 verification을 조절한다.
Static Knowledge → Procedural Memory
Agent는 fact를 저장하는 것을 넘어 문제해결절차와 termination condition을 기억한다.
Trajectory Imitation → Semantic Agent Learning
API syntax가 아니라 interface 변화에 불변인 task semantics를 학습해야 한다.
Scalar Reward → Semantic Feedback
Numerical reward와 linguistic critique를 결합해 reasoning error를 구체적으로 수정한다.
Point Metrics → Distributional Evaluation
Accuracy뿐 아니라 calibration, mode coverage, diversity와 tail behavior를 평가한다.
Predictive Confidence → Joint Uncertainty
Model confidence와 함께 input-domain validity와 observation noise를 다룬다.
Release Alignment → Lifecycle Safety
Fine-tuning, memory, unlearning과 tool integration 이후에도 safety를 유지해야 한다.
Generalist Dominance → Specialist Orchestration
Broad reasoning과 domain expertise를 evidence와 uncertainty에 따라 결합한다.
Benchmark Accuracy → Outcome Utility
의료·과학·control에서는 실제 intervention outcome과 causal benefit이 중요하다.
Heuristic Serving → Mathematical Serving
Agent program, KV, workload와 queue stability를 formal하게 분석한다.
Foundation Model → Foundation-Model OS
Model, adapter, memory, tool, data, hardware와 policy를 governed control plane에서 운영한다.
미래의 machine-learning system은 고정 model이 input을 받아 answer를 출력하는 구조가 아니다. 상황에 따라 data, computation, memory, modality와 specialist를 선택하고, uncertainty와 evidence를 남기며, safety·privacy·resource constraint 안에서 검증 가능하게 개선되는 governed adaptive intelligence ecosystem이다.
14
Sources
세션 메타데이터, foundation models, agents, adaptive computation, reasoning, safety, uncertainty, structured learning, AI4Science와 medical AI 원문 링크.
ICML 2026 Poster Session 1원문·세션·프로젝트 링크ICML 2026 Field Guide Sessions원문·세션·프로젝트 링크ICML 2026 Tagged Papers원문·세션·프로젝트 링크ICML 2026 Schedule Repository원문·세션·프로젝트 링크Towards Unified Multimodal Pretraining원문·세션·프로젝트 링크SwiftPFN원문·세션·프로젝트 링크GraphPFN원문·세션·프로젝트 링크When Do Graph Foundation Models Transfer?원문·세션·프로젝트 링크Rotary Position Encodings for Graphs원문·세션·프로젝트 링크Residual Context Diffusion Language Models원문·세션·프로젝트 링크What Do Agents Learn from Trajectory-SFT?원문·세션·프로젝트 링크ThunderAgent원문·세션·프로젝트 링크ProcMEM원문·세션·프로젝트 링크Data Agent원문·세션·프로젝트 링크Virtualize Foundation Models with a Self-evolving OS Layer원문·세션·프로젝트 링크AdaThink-Med원문·세션·프로젝트 링크VisionPulse원문·세션·프로젝트 링크Which Heads Matter for Reasoning?원문·세션·프로젝트 링크LiftQuant원문·세션·프로젝트 링크LLM Serving Needs Mathematical Foundations원문·세션·프로젝트 링크Queueing-Theoretic Stability of LLM Inference원문·세션·프로젝트 링크Critique-GRPO원문·세션·프로젝트 링크Verbalized Sampling원문·세션·프로젝트 링크MIRA원문·세션·프로젝트 링크Beyond Theorem Proving: Formal Problem-Solving원문·세션·프로젝트 링크Real-Time Visual Attribution Streaming원문·세션·프로젝트 링크Forgetting–Retention Dilemma원문·세션·프로젝트 링크Safety Anchor원문·세션·프로젝트 링크ASRU: Multimodal Unlearning원문·세션·프로젝트 링크Predictive Uncertainty Is Not Enough원문·세션·프로젝트 링크Privacy–Auditability Paradox원문·세션·프로젝트 링크Iterative Refinement Neural Operators원문·세션·프로젝트 링크Linear Causal Representation Learning원문·세션·프로젝트 링크ClinTutor-R1원문·세션·프로젝트 링크Why Specialist Models Still Matter in Medical AI원문·세션·프로젝트 링크Medical AI Neglects Real Treatment Outcomes원문·세션·프로젝트 링크WorldCompass원문·세션·프로젝트 링크Counterfactual Generation for LLM-Based Autonomous Control원문·세션·프로젝트 링크