Variational Learning for Insertion-based Generation
基于插入生成的变分学习
机构 * University of Cambridge（剑桥大学）
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。
高校专区
University of Cambridge（剑桥大学）
Possibilistic Predictive Uncertainty for Deep Learning
深度学习的可能性预测不确定性
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）
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
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）
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
机构 * University of Cambridge（剑桥大学） ； DeepMind（深度思维）
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
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）
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
机构 * University of Cambridge（剑桥大学）
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。
The Standard Interpretable Model: A general theory of interpretable machine learning to deductively design interpretable methods using Lagrangian mechanics
标准可解释模型：一种基于拉格朗日力学的可解释机器学习通用理论，用于演绎设计可解释方法
机构 * IBM Research (CH)（IBM研究院（瑞士）） ； University of Oxford (UK)（牛津大学（英国）） ； University of Cambridge (UK)（剑桥大学（英国）） ； KU Leuven (BE)（鲁汶大学（比利时）） ； Institute of Physics of the Czech Academy of Sciences (CZ)（捷克科学院物理研究所（捷克））
AI总结 提出标准可解释模型（SIM），基于拉格朗日力学从前提演绎出可解释性对称性和约束，通过最小化拉格朗日函数得到最优可解释模型，解决现有方法局限性并指导新方法设计。
AGE-MIL: Anchor-Guided Evidence Learning for Patient-Level Prediction
AGE-MIL: 锚点引导的证据学习用于患者级别预测
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤学系） ； Xiangya School of Medicine, Central South University（中南大学湘雅医学院）
AI总结 提出AGE-MIL框架，通过构建患者级锚点整合多张全切片图像证据，将风险建模为证据积累过程，实现弱监督下的稳定优化，在六个任务中优于八种现有方法。
Comments 11 pages, 2 figures, MICCAI early accepted
Debiasing Without Protected Attributes: Latent Concept Erasure from Textual Profiles
无保护属性的去偏：从文本画像中消除潜在概念
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； University of Groningen（格罗宁根大学） ； NVIDIA Research（英伟达研究院）
AI总结 提出H-SAL方法，利用自我描述文本作为隐式信号进行后处理概念和属性消除，在无直接敏感属性下实现去偏，并在多领域Stack Exchange基准上验证其效果与显式标签去偏相当或更优。
Comments 23 pages, 5 figures, 12 tables. The paper is currently under review
WorldReasoner: Evaluating Whether Language Model Agents Forecast Events with Valid Reasoning
WorldReasoner: 评估语言模型代理是否通过有效推理预测事件
机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
AI总结 提出WorldReasoner框架，通过时间有效检索、证据质量和因果图推理三个维度评估语言模型代理的事件预测能力，发现时间有效检索是结果准确性的最强驱动因素。
Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices
面向边缘设备上心电图异常检测的隐私保护联邦自编码器
机构 * Google Research, New York, NY（谷歌研究，纽约，纽约州） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； University of Melbourne（墨尔本大学） ； University of Sydney（悉尼大学）
AI总结 提出一种结合联邦学习、差分隐私和INT8量化的端到端系统，在PTB-XL数据集上实现无监督12导联ECG异常检测，满足隐私、实时性和非IID数据要求。
Comments 9 pages, 4 figures, 6 tables. Preprint prepared in IEEE conference format. Submitted to: FLTA 2026
ProcessThinker: Enhancing Multi-modal Large Language Models Reasoning via Rollout-based Process Reward
ProcessThinker: 通过基于展开的过程奖励增强多模态大语言模型推理
机构 * LMU Munich（慕尼黑大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Mina AI ； Konrad Zuse School of Excellence in Reliable AI (relAI)（康拉德·楚泽可靠人工智能卓越学校（relAI））
AI总结 提出ProcessThinker，一种无需显式过程奖励模型的后训练方法，通过步骤标记格式和基于展开的过程奖励，为多步推理提供密集的步骤级奖励，提升多模态推理一致性。
Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 7 pages, 1 figure
Modelling magnetic material properties with uncertainty-aware neural networks
用不确定性感知神经网络建模磁性材料性质
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tokyo（东京大学） ； National Institute for Materials Science（国家材料科学研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
AI总结 针对新材料发现中数据稀缺和分布外预测的不确定性问题，采用高斯负对数似然损失和基于dropout的贝叶斯近似量化预测不确定性，并迁移至微观结构预测矫顽力任务，证明不确定性量化可增强预测可信度且可迁移。
Comments pre print, unreviewed version
Interpretable Neural Marked Statistics for Cosmological Inference
可解释的神经标记统计用于宇宙学推断
机构 * University of Cambridge（剑桥大学） ； University of Waterloo（多伦多大学）
AI总结 提出一种神经标记方案，通过可解释的物理变换从形态学层面提取宇宙学信息，在对比学习目标下优化标记统计，显著提高对σ₈和Ωₘ的约束精度。
Comments 11 pages, 6 figures. Accepted to the Workshop on AI for Physics (ICML 2026)
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
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）
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
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Cambridge（剑桥大学）
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
机构 * University of Cambridge（剑桥大学）
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
机构 * University of Cambridge（剑桥大学）
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
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
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
Data-Driven Discovery of Interpretable Kalman Filter Variants through Large Language Models and Genetic Programming
基于大数据驱动的可解释卡尔曼滤波变种发现：通过大规模语言模型和遗传编程
机构 * University of Reading（reading大学） ； University of Cambridge（剑桥大学）
AI总结 本文探讨通过遗传编程和大规模语言模型自动发现卡尔曼滤波变种的可能性，展示框架在不同条件下发现最优解及可解释替代方案的能力。
Flexible Kernels for Protein Property Prediction
用于蛋白质性质预测的灵活核函数
机构 * University of Cambridge（剑桥大学）
AI总结 提出利用进化替代矩阵和局部线性性的序列核函数，结合高斯过程实现数据高效的蛋白质性质预测，并融入结构信息进行多任务学习。
Comments 50 pages; to appear at ICML 2026
Convergence of Monte Carlo Optimistic Policy Iteration: Beyond Uniform State-Action Updates
蒙特卡洛乐观策略迭代的收敛性：超越均匀状态-动作更新
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文证明，在每状态动作均匀更新的条件下，首次访问蒙特卡洛乐观策略迭代收敛到最优，放宽了传统均匀状态-动作更新的要求，并通过均场动力学和锁定论证方法给出证明。
Interactions Between Crosscoder Features: A Compact Proofs Perspective
交叉编码器特征间的交互：一个紧凑证明的视角
机构 * Anthony J. Leggett Institute for Condensed Matter Theory（安东尼·J·莱格特凝聚态理论研究所） ； MATS ； UK AI Security Institute (AISI)（英国人工智能安全研究所） ； Imperial College London（帝国理工学院伦敦分校） ； Goodfire ； University of Cambridge（剑桥大学） ； Theorem Labs（定理实验室）
AI总结 本文从紧凑证明角度形式化交叉编码器特征交互，提出交互度量并应用于计算稀疏性、语义聚类和检测休眠代理。
Comments Accepted at the NeurIPS 2025 Workshop on Mechanistic Interpretability
Express Language Modeling
Express 语言建模
机构 * Cornell Tech（康奈尔科技） ； University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院）
AI总结 提出 Express 工具，将非因果注意力近似转换为因果近似，结合 Thinformer 实现最优因果注意力保证，并加速语言建模中的四个资源瓶颈。
LiveBand: Live Accompaniment Generation in the Audio Domain
LiveBand: 音频域中的实时伴奏生成
机构 * University of Cambridge（剑桥大学）
AI总结 提出LiveBand系统，利用因果Transformer在预训练因果音频自编码器的连续潜空间中生成高保真伴奏，通过对抗序列级监督训练，实现实时流式生成。
Informed Asymmetric Actor-Critic: Leveraging Privileged Signals Beyond Full-State Access
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
Lost in Serialization: Invariance and Generalization of LLM Graph Reasoners
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
Uncertainty-Aware Deep Learning for Wildfire Danger Forecasting
不确定性感知的深度学习用于野火危险预测
机构 * Aix-Marseille University（艾克斯-马赛大学） ； University of Cambridge（剑桥大学） ； University of Malaga（马拉加大学） ； University of Crete（希腊克里特大学）
AI总结 提出不确定性感知深度学习框架，联合捕获认知不确定性和偶然不确定性，提升短期野火危险预测的准确性和可靠性，F1分数提高2.3%，预期校准误差降低2.1%。
NoiseSDF2NoiseSDF: Learning Clean Neural Fields from Noisy Supervision
NoiseSDF2NoiseSDF: 从含噪监督中学习干净的神经场
机构 * University of Cambridge（剑桥大学）
AI总结 提出NoiseSDF2NoiseSDF方法，通过最小化含噪SDF表示之间的MSE损失，从含噪点云中学习干净的神经SDF，实现隐式去噪和表面优化。
Comments 16 pages, 7 figures
Position: The ML Community Must Build an AI-Augmented Peer-Review Ecosystem
立场：机器学习社区必须构建AI增强的同行评审生态系统
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对ML领域稿件激增导致同行评审危机，本文主张将AI辅助评审作为优先研究课题，提出利用大语言模型作为协作工具，增强事实核查、评审指导、作者改进和决策支持，并强调需要更细粒度的评审数据。
Comments 18 pages, 3 figures. Accepted (Oral) at the ICML 2026 Position Paper Track
