University of Cambridge（剑桥大学）

The Latent Color Subspace: Emergent Order in High-Dimensional Chaos

潜在颜色子空间：高维混沌中的涌现秩序

Mateusz Pach, Jessica Bader, Quentin Bouniot, Serge Belongie, Zeynep Akata

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。

Comments Accepted at ICML 2026

Neural ensemble Kalman filter: Data assimilation for compressible flows with shocks

神经集成卡尔曼滤波器：含激波可压缩流的数据同化

Xu-Hui Zhou, Lorenzo Beronilla, Michael K. Sleeman, Hangchuan Hu, Matthias Morzfeld, Andrew M. Stuart, Tamer A. Zaki

机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对含激波可压缩流中集成卡尔曼滤波器（EnKF）因双峰预报分布失效的问题，提出神经EnKF，通过将预报集合映射到神经网络参数空间并在此空间进行同化，结合物理信息迁移学习避免伪振荡和非物理特征。

Kalman Linear Attention: Parallel Bayesian Filtering For Efficient Language Modelling and State Tracking

Kalman线性注意力：用于高效语言建模和状态跟踪的并行贝叶斯滤波

Vaisakh Shaj, Cameron Barker, Aidan Scannell, Andras Szecsenyi, Elliot J. Crowley, Amos Storkey

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出Kalman线性注意力层，将序列混合重写为信息形式的精确贝叶斯滤波，实现时间并行推理，在相同计算成本下比GLA更具表达力，并在状态跟踪任务中超越线性SSM和注意力。

Comments Accepted at ICML 2026. An earlier version of this work was presented at the 1st Workshop on Epistemic Intelligence in Machine Learning (EIML) at EurIPS 2025

Analytic Bijections for Smooth and Interpretable Normalizing Flows

用于平滑且可解释的归一化流的解析双射

Mathis Gerdes, Miranda C. N. Cheng

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出三类全局光滑、解析可逆的双射函数，替代耦合流中的仿射变换或样条，并设计径向流架构，在径向结构目标上以千分之一参数达到耦合流质量。

Comments Final ICML 2026 version. 9 + 14 pages, 10 + 11 figures, 3 + 2 tables. New CIFAR-10 and tabular-data results; main text shortened for readability

Noise-Guided Transport for Imitation Learning

噪声引导的模仿学习传输方法

Lionel Blondé, Joao A. Candido Ramos, Alexandros Kalousis

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。

Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt