University of Toronto（多伦多大学）

Universal Time Series Generation with Neural Controlled Differential Equations

基于神经受控微分方程的通用时间序列生成

Torben Berndt, Elyes Farjallah, Leif Seute, Raeid Saqur, Benjamin Walker, Jan Stühmer

机构 * Heidelberg Institute for Theoretical Studies（海德堡理论研究所） ； IAR, Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学IAR部门） ； Max Planck Institute for Polymer Research（马克斯·普朗克聚合物研究所） ； IWR, Heidelberg University（海德堡大学IWR部门） ； Dept. of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Vector Institute, Toronto, Canada（多伦多向量研究所） 纠错

AI总结 本文证明结构化线性受控微分方程（SLiCEs）是通用时间序列生成器，并提出生成式SLiCEs（G-SLiCEs）用于路径空间上的流匹配，在概率预测和下流任务中表现优异，尤其适用于不规则网格。

Self-Distillation Zero: Self-Revision Turns Binary Rewards into Dense Supervision

自蒸馏零：自我修订将二元奖励转化为密集监督

Yinghui He, Simran Kaur, Adithya Bhaskar, Yongjin Yang, Jiarui Liu, Narutatsu Ri, Liam Fowl, Abhishek Panigrahi, Danqi Chen, Sanjeev Arora

机构 * Princeton University（普林斯顿大学） ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 提出SD-Zero方法，通过让模型同时扮演生成器和修订者，利用二元奖励生成密集的token级自监督信号，显著提升训练样本效率，在数学和代码推理任务上超越RFT、GRPO等基线。

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

Geometry of Lightning Self-Attention: Identifiability and Dimension

闪电自注意力的几何：可识别性与维度

Nathan W. Henry, Giovanni Luca Marchetti, Kathlén Kohn

机构 * University of Toronto（多伦多大学） ； Royal Institute of Technology (KTH)（皇家理工学院（KTH）） 纠错

AI总结 本文利用代数几何工具，分析了无归一化自注意力网络的函数空间几何，给出了深层注意力的可识别性描述并计算了函数空间维度，同时刻画了单层模型的奇异点和边界点，并推测了归一化情形的结果。

Comments Accepted at ICLR 2025