HarmonicAttack: An Adaptive Cross-Domain Audio Watermark Removal
HarmonicAttack: 一种自适应跨领域音频水印移除方法
机构 * University of Toronto（多伦多大学）
AI总结 本文提出HarmonicAttack，一种无需访问目标水印检测器的新型音频水印移除方法，通过训练通用模型来移除音频水印，同时在不同分布数据集上保持高感知质量。
Comments Under Review
高校专区
University of Toronto（多伦多大学）
Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand
Bridge：基于检索的时空建模用于城市配送需求
机构 * McGill University（麦吉尔大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Toronto（多伦多大学） ； MIT（麻省理工学院）
AI总结 本文提出Bridge框架，通过结合归纳上下文图结构和时间感知的记忆模块，解决新加入服务区域缺乏历史记录导致的城市配送需求预测难题，提升了冷启动区域的预测性能。
Chessformer: A Unified Architecture for Chess Modeling
Chessformer: 一个用于棋类建模的统一架构
机构 * University of Toronto（多伦多大学） ； Williams College（威廉姆斯学院）
AI总结 本文提出Chessformer，一种统一的棋类建模架构，能够同时提升棋类建模的三大核心目标：提升棋力、预测人类下棋和增强可解释性。
Comments International Conference in Learning Representations (2026)
Learning Bilevel Policies over Symbolic World Models for Long-Horizon Planning
在符号世界模型上学习双层策略以实现长周期规划
机构 * Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； LAAS-CNRS（Laas--cnrs） ； University of Toulouse（图卢兹大学） ； RWTH Aachen University（亚琛工业大学）
AI总结 本文提出了一种结合低层模仿学习和高层符号抽象的双层策略，用于解决长周期规划问题，通过BISON系统在扩展的MetaWorld基准上验证了其在处理大量物体和长周期任务上的优越性。
HDFlow: Hierarchical Diffusion-Flow Planning for Long-horizon Tasks
HDFlow：用于长时间任务的分层扩散-流规划
机构 * Peking University（北京大学） ； University of Toronto（多伦多大学）
AI总结 本文提出HDFlow，一种新的分层规划框架，利用扩散和修正流模型的优势，克服了单一范式生成规划器的局限性，通过在模拟和现实中的家具组装任务验证其有效性。
Comments ICML 2026 (Spotlight)
Algorithms for Adaptive Experiments that Trade-off Statistical Analysis with Reward: Combining Uniform Random Assignment and Reward Maximization
适应性实验的算法：在统计分析与奖励之间进行权衡：结合均匀随机分配与奖励最大化
机构 * University of Toronto（多伦多大学） ； Carleton College（卡洛尔学院） ； University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种统计敏感算法TS-PostDiff，通过结合均匀随机分配和奖励最大化，在统计分析与用户奖励之间进行权衡，以提高实验效率和准确性。
Position: Let's Develop Data Probes to Fundamentally Understand How Data Affects LLM Performance
位置：让我们开发数据探针，以根本理解数据如何影响大语言模型性能
机构 * Department of Computer Science, University of Exeter, UK（埃克塞特大学计算机科学系） ； Technical University of Munich, Germany（慕尼黑技术大学） ； Department of Electrical and Computer Engineering, University of Toronto, Canada（多伦多大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, University of Florida, FL, USA（佛罗里达大学电气与计算机工程系）
AI总结 本文提出通过开发数据探针系统方法生成合成序列，以揭示数据特性对大语言模型性能、泛化能力和鲁棒性的影响，从而超越经验启发式方法。
Comments Accepted to ICML 2026 Position Paper Track
Journal ref Link to ICML record: https://icml.cc/virtual/2026/poster/67154
