University of Cambridge（剑桥大学）

ProtoX-AD: Self-Explainable Time Series Anomaly Detection and Characterization

ProtoX-AD：自解释的时间序列异常检测与特征描述

Aitor Sánchez-Ferrera, Elisabeth Wetzer, Kristoffer Wickstrøm, Michael Kampffmeyer, Robert Jenssen

机构 * Euskal Herriko Unibertsitatea（巴斯克大学） ； University of Cambridge（剑桥大学） ； University of Copenhagen（哥本哈根大学） ； University of Oslo（奥斯陆大学） 纠错

AI总结 提出ProtoX-AD框架，通过原型学习实现自监督时间序列异常检测的可解释性，在保持检测性能的同时提供语义一致的异常特征解释。

Comments 26 pages, 8 figures

Operadic consistency: a label-free signal for compositional reasoning failures in LLMs

Operadic一致性：LLM中组合推理失败的无标签信号

Nathaniel Bottman, Yinhong Liu, Kyle Richardson

机构 * Incubilate ； University of Cambridge（剑桥大学） ； Allen Institute for Artificial Intelligence（艾伦人工智能研究所） 纠错

AI总结 提出Operadic一致性（OC）作为检测大语言模型组合推理失败的无标签信号，在四个多跳QA数据集上与准确率强相关（Pearson r≥0.86），优于自一致性等方法。

LLM-as-an-Investigator: Evidence-First Reasoning for Robust Interactive Problem Diagnosis

LLM作为调查员：基于证据优先的鲁棒交互式问题诊断

Fabrizio Marozzo, Pietro Liò

机构 * University of Calabria（卡拉布里亚大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出证据优先的AI方法LLM-as-an-Investigator，通过估计问题歧义、生成假设、提问澄清并更新概率，避免过早接受用户假设，提升诊断准确性。

Demystifying Hidden-State Recurrence: Switchable Latent Reasoning with On-Policy Reinforcement Learning

揭秘隐状态循环：基于在线强化学习的可切换潜在推理

Jiayu Yang, Chao Chen, Shengen Wu, Yinhong Liu, Yuxuan Fan, Lujundong Li, Songning Lai, Chengwei Qin, Zhijiang Guo

机构 * HKUST(GZ)（香港科技大学（广州）） ； University of Cambridge（剑桥大学） ； NTU（南洋理工大学） ； JoinQuant（聚宽） ； HKUST（香港科技大学） 纠错

AI总结 提出SWITCH框架，通过离散边界令牌使隐状态循环推理兼容在线强化学习，并支持因果机制分析，实验表明其优于现有方法。

(Human) Attention Is (Still) All You Need: Human oversight makes AI-assisted social science reliable

（人类的）注意力（仍然）就是一切：人类监督使AI辅助的社会科学变得可靠

Chen Zhu, Xiaolu Wang, Weilong Zhang

机构 * China Agricultural University（中国农业大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出人机协同决策架构HLER，通过预承诺、决策排序、问责和注意力分配，将AI辅助研究的失败率从72%降至16%。

LLMs Can Better Capture Human Judgments--With the Right Prompts

LLMs 能更好地捕捉人类判断——使用合适的提示

Danica Dillion, Chen Cecilia Liu, Baihui Wang, Daniele Barolo, Tanmay Rajore, Niket Tandon, Pranathi Ravikumar, Kurt Gray

机构 * Complexity Science Hub, Vienna（维也纳复杂科学中心） ； The Ohio State University（俄亥俄州立大学） ； University of Cambridge（剑桥大学） ； University of Chicago（芝加哥大学） ； Microsoft Research（微软研究院） 纠错

AI总结 通过简单提示策略，LLMs 能恢复人类反应的完整分布，并减少对措辞变化的敏感性，提升 AI-人类对齐。

Rethinking Psychometric Evaluation of LLMs: When and Why Self-Reports Predict Behavior

重新思考LLMs的心理测量评估：自我报告何时以及为何能预测行为

Rafal Kocielnik, Pengrui Han, Peiyang Song, Myrl G. Marmarelis, Ramit Debnath, Dean Mobbs, Anima Anandkumar, R. Michael Alvarez

机构 * Caltech（加州理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究对比大五人格与计划行为理论，发现LLMs的自我报告-行为一致性存在选择性：在共享对话中TPB达到人类水平，跨对话仅对锚定于训练的行为保持一致性，且角色提示不能使行为对齐。

Comments Accepted as an Oral (Contributed Talk) at the ICML 2026 Workshop on Combining Theory and Benchmarks (CTB)

Epistemic Uncertainty Is Not the Reducible Kind

认知不确定性并非可约简的那种

Robin Young

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 证明标准定义中认知不确定性为可被更多数据移除的部分，与互信息度量在扩展上不一致，并提出三部分分解：偶然、样本可约简认知和机制可约简认知不确定性。

Variational Learning for Insertion-based Generation

基于插入生成的变分学习

Yangtian Zhang, Zhe Wang, Arthur Gretton, Rex Ying, David van Dijk, Michalis K. Titsias, Jiaxin Shi

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出插入过程（IP）模型，通过排列变分推断联合学习插入位置、内容和终止条件，支持变长生成并提升非自回归序列建模质量。

Possibilistic Predictive Uncertainty for Deep Learning

深度学习的可能性预测不确定性

Yao Ni, Jeremie Houssineau, Yew-Soon Ong, Piotr Koniusz

机构 * University of Cambridge（剑桥大学） ； National University of Singapore（新加坡国立大学） ； University of Warsaw（华沙大学） 纠错

AI总结 提出基于可能性理论的Dirichlet近似可能性后验预测（DAPPr）框架，通过投影-近似策略实现高效且原则性的认知不确定性量化，在多个基准上达到竞争性能。

Comments Accepted by ICML 2026, 20 pages

CMI-RewardBench: Evaluating Music Reward Models with Compositional Multimodal Instruction

CMI-RewardBench: 基于组合多模态指令评估音乐奖励模型

Yinghao Ma, Haiwen Xia, Hewei Gao, Weixiong Chen, Yuxin Ye, Yuchen Yang, Sungkyun Chang, Mingshuo Ding, Yizhi Li, Ruibin Yuan, Simon Dixon, Emmanouil Benetos

机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） 纠错

AI总结 针对音乐生成模型缺乏有效评估机制的问题，提出CMI-RewardBench基准，包含大规模偏好数据集和参数高效奖励模型，实现多模态指令下的音乐质量评估。

Comments Accepted by ICML 2026

Hierarchical Successor Representation for Robust Transfer

层次化后继表示用于鲁棒迁移

Changmin Yu, Máté Lengyel

机构 * University of Cambridge（剑桥大学） ； DeepMind（深度思维） 纠错

AI总结 提出层次化后继表示（HSR），通过时间抽象构建鲁棒的状态特征，结合非负矩阵分解实现稀疏低秩表示，支持多隔间环境下的高效任务迁移与探索。

Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination

批量校准的置信模糊集：样本外污染下的快速、可处理决策

Mengqi Chen, Thomas B. Berrett, Theodoros Damoulas, Michele Caprio

机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学） 纠错

AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。

Comments Accepted for publication (spotlight) at ICML 2026

Why Commodity WiFi Sensors Fail at Multi-Person Gait Identification: A Systematic Analysis Using ESP32

为什么商用WiFi传感器在多人体步态识别中失败：基于ESP32的系统分析

Oliver Custance, Saad Khan, Simon Parkinson

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 通过ESP32实验发现，多人体步态识别性能差主要源于商用WiFi的感知质量限制，而非算法选择。