高校专区
模因捕获：治理AI驱动的文化去权能的多元政策框架
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出“模因捕获”概念，指AI通过文化影响削弱人类自主性，并构建四层文化多元治理框架（CPGF），强调多元主义是结构性必需。
Comments Paper accepted in Pluralistic Alignment Workshop at ICML 2026
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
检测多人在线游戏中的自瞄作弊者
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出PATCH主动防御策略，通过对抗性补丁作为游戏蜜标，触发作弊者目标检测模型，实现检测或干扰，在定制Unreal Engine游戏中白盒检测率超90%，跨模型迁移率达60-90%。
立场：基因组模型研究必须超越可解释性方法的轶事评估
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文通过转录因子结合基准测试，揭示不同可解释性方法常产生矛盾解释、无法定位已知调控基序且不能忠实反映模型决策，主张采用类似临床试验的系统验证框架。
训练-推理核契约：约束后训练与部署中的偏差
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出核契约框架，通过数值、统计、运行时和可观测性条款约束训练核与推理核之间的分布偏差，并推导偏差界以保障策略梯度无偏性。
AI科学家何时应停止？可验证实验引导与自主发现的拒绝机制
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出CARTOGRAPH验证层，通过未解析子空间引导、模糊闭合和残差库检测，在多个测试中优于原始投影，并能识别和撤销库外机制。
Comments Accepted at AI for Science Workshop at ICML 2026
多模态大语言模型作为视频研究中的合成参与者：一项评估
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本研究评估多模态大语言模型在视频感知任务中模拟人类主观评分的表现，发现模型存在偏差且与人类一致性有限。
Comments Accepted to SocialLLM @ ICWSM 2026
Front-to-Attractors：修改双向搜索中的Front-to-Front启发式
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Front-to-Attractors (F2A)启发式类，通过动态维护吸引子集替代完整前沿，在保持Front-to-Front信息性的同时大幅降低计算开销，实验显示相比F2F减少最多11.2倍成对评估，平均节点扩展比F2E少4.8倍。
因果纵向先验拟合网络用于反事实结果预测
机构 * Yale University（耶鲁大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出CausalLongPFN，一种基于先验拟合的上下文预测器，通过合成因果模型预训练实现无需梯度更新的纵向反事实结果预测，在多个基准上达到与领域训练模型竞争的性能。
Comments 31 pages, 10 tables
需求模型是否应包含竞争对手价格？无知学习与算法合谋
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 研究在竞争市场中，定价算法是否应显式建模竞争对手价格，通过对比无知与知情学习策略，发现知情策略是纳什均衡且价格收敛至竞争结果，而合谋模式不稳健。
Comments Preliminary version "Oblivious Learning, Price Exploration and Collusive Dynamics" accepted at EC 2026
立场：部署的强化学习应该是持续的
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文主张部署的强化学习系统应持续学习，分析了部署后非平稳性的四个来源，并展示了持续RL的优势和实现方法。
Comments Accepted to the ICML 2026 Position Paper Track. See https://icml.cc/virtual/2026/poster/67195
ReSkill：在智能体强化学习中协调技能创建与策略优化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ReSkill框架，通过GRPO的组结构嵌入断言驱动技能创建、组内轨迹采样和自适应汤普森采样，实现技能与策略的协同进化，在多个领域超越现有方法。
基于相似性匹配的灵活在线表示学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种基于相似性匹配的在线生物合理学习算法，能够学习稀疏移位不变表示，适用于聚类、流形平铺或稀疏编码。
Comments 6 pages, 3 figures. Originally accepted to IJCNN 2023 but not presented owing to visa issues
在不遗忘的情况下回溯：面向参数高效持续学习的选择性反向精炼
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出SABER框架，通过基于提示梯度几何和损失分布相似性的任务相关性准则，在提示型参数高效持续学习中实现受控的正向反向知识迁移，无需重放。
Comments Accepted at ICML 2026
鲁棒Koopman控制屏障滤波器用于安全演员-评论家强化学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出鲁棒Koopman-CBF SAC框架，通过数据驱动学习Koopman预测器、构建提升空间中的仿射CBF约束并利用二次规划安全层实施，同时通过投影残差裕度处理近似误差，实现零约束违反或减少违规。
Comments 17 pages, 7 figures
潜在缓存流：无需文本的模型间通信
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出潜在缓存流（LCF）方法，通过联合翻译和压缩键值缓存实现高效模型间通信，在上下文不同场景下比基于文本的通信准确率提高23%、速度提升8.5倍。
Comments 6 pages, 5 figures
通过扩散强迫实现统一且稳健的数据同化：ForcingDAS
机构 * University of Michigan（密歇根大学） ； University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出ForcingDAS，一种基于扩散强迫的统一数据同化框架，能够捕捉长时序依赖并减少误差积累，同时在推理时无需重新训练即可实现滤波到平滑的全谱应用。
VideoGPA: 通过几何先验知识蒸馏实现3D一致的视频生成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 VideoGPA通过几何先验知识蒸馏提升视频生成的3D一致性，利用数据高效的自监督框架引导视频扩散模型，显著增强时间稳定性、几何合理性与运动一致性。
Comments 8 pages, 5 figures, ICML 2026
扩散模型何时学会生成多个物体？
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 研究探讨了扩散模型在多物体生成中的局限性，发现场景复杂度比概念不平衡更关键，且低数据条件下计数任务更难学习。
Comments ICML2026
通过预训练分子嵌入距离推进基于配体的虚拟筛选和分子生成
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出预训练嵌入距离作为高效替代方案，用于虚拟筛选和分子生成，展示其在结构信息捕捉和相似性测量方面的有效性。
Comments Accepted by ICML 2026 AI4Science (https://openreview.net/forum?id=HbfrCipfNl). Code and data are available
暗箱中的反射：在反射提示优化中揭示并逃离黑箱
机构 * University of California, Berkeley（加州大学伯克利分校） ； Huazhong University of Science and Technology（华中科技大学） ； Hefei University of Technology（合肥工业大学）
AI总结 本文提出VISTA框架，通过解耦假设生成与提示重写，实现可解释的提示优化，有效解决GEPA在缺陷种子下的性能下降问题。
Comments Accepted at ACL SRW 2026
ReTabSyn：通过强化学习实现真实表格数据合成
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 ReTabSyn通过强化学习优先学习条件分布，提升小数据下表格数据合成效率，优于现有基线方法。
移动性嵌入的POI：从人类移动中学习场所身份与使用方式
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出ME-POIs框架，通过对比学习将大规模人类移动数据与语言模型嵌入结合，学习场所功能，并在五个地图丰富任务上超越文本或移动性单独基线。
CodeTaste：LLM能否生成人类级别的代码重构？
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM代理在代码重构中的能力，通过CodeTaste基准测试发现，代理在详细指定重构时表现良好，但难以自主发现人类选择的重构，提出“先提议后实现”分解可改善对齐。
NoRD: 一种无需推理的高数据效率视觉-语言-动作模型
机构 * Applied Intuition ； Texas A&M University（德克萨斯大学A&M分校） ； UC Berkeley（伯克利加州大学）
AI总结 提出NoRD模型，通过无需推理标注和仅需<60%数据微调，结合Dr. GRPO算法克服难度偏差，实现与现有VLA模型相当的性能，显著降低数据与计算开销。
Comments Accepted to CVPR 2026. Code available at: https://github.com/Applied-Open-Source/nord
通过任务复杂度操作化浅层对齐假设
机构 * University of Maryland（马里兰大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出任务复杂度指标（达到目标性能的最短程序长度）来量化浅层对齐假设，实验表明预训练大幅降低任务复杂度，而微调可将复杂度降低数个数量级。
Comments ICML 2026
当良性输入导致严重危害：引发计算机使用代理的不安全意外行为
机构 * DeepMind, London, UK（深度Mind，伦敦，英国） ； Stanford University, Stanford, CA, USA（斯坦福大学，斯坦福，加利福尼亚州，美国） ； UC Berkeley, Berkeley, CA, USA（加州大学伯克利分校，伯克利，加利福尼亚州，美国）
AI总结 提出AutoElicit框架，通过迭代扰动良性指令并利用CUA执行反馈，自动引发前沿CUAs（如Claude 4.5 Haiku等）的数百种有害意外行为，并验证其跨模型可迁移性。
Comments ICML 2026, Project Homepage: https://osu-nlp-group.github.io/AutoElicit/
零流编码器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出了一种基于流的表示学习框架，通过零流准则验证条件独立性，从而在生成模型中提取充分信息，并在图模型和自监督学习任务中学习近似马尔可夫毯和潜在表示。
Comments Yakun Wang and Leyang Wang contributed equally to this work; As published at ICML 2026
使用人口统计平价约束的众包噪声标签的最优公平聚合
机构 * University of California, Berkeley（加州大学伯克利分校） ； Université de Paris（巴黎大学） ； CNRS（国家科学研究中心）
AI总结 针对众包标签聚合中的公平性问题，提出在ε-公平框架下分析多数投票和最优贝叶斯聚合的公平性差距，并推广多类公平后处理算法以强制执行人口统计平价约束。
面向组合动作强化学习的潜在球形流策略
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出LSFlow方法，通过球形流匹配在紧凑连续潜在空间中学习随机策略，并利用组合优化求解器保证动作可行性，引入平滑贝尔曼算子解决不连续值函数问题，在多个组合RL任务上平均超越基线20.6%。
Comments ICML'26 Spotlight
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈