近日，中国计算机学会（CCF）推荐的A类国际学术会议 ICML 2026论文接收结果正式公布。我院教师的研究论文 “FedSSM: State Space Model-based Proactive Inference for Heterogeneous Multimodal Federated Learning” 被成功录用。我院为该成果的第一完成单位，我院教师任恒毅为该论文第一作者。

       ICML（International Conference on Machine Learning）是机器学习领域最具影响力的国际学术会议之一，其h5指数高达268，与NeurIPS、ICLR并称为人工智能领域难度最大、水平最高、影响力最强的“三大会议”。本届ICML 2026竞争异常激烈，共收到23,918篇进入正式评审阶段的投稿，最终录用6,352篇论文，录用率为26.6%。  

图1. FedSSM框架概览

        在多模态联邦学习中，由于客户端在模态、数据分布与规模上的高度异质性，客户端选择成为影响模型性能的关键问题。现有方法多采用基于当前观测的反应式策略，缺乏对训练动态的前瞻性建模，易在强异质场景下导致次优收敛。针对该问题，作者提出FedSSM框架，将客户端选择重构为基于状态空间模型的主动式决策过程，通过建模联邦训练的时序演化，实现对未来优化轨迹的预测。进一步地，利用预测误差构建surprise信号，用于刻画决策不确定性，并指导参与预算分配及探索—利用权衡优化。同时，在聚合阶段引入信任加权融合与模态感知路由机制，以surprise动态调节客户端贡献权重，提升鲁棒性。在多个多模态基准上的实验表明，FedSSM相较最优方法提升2.5%–4.5%性能，并减少30%以上通信轮次，验证了其在复杂异质联邦场景中的有效性与优越性。