高校专区
QUIVER: 用于大型机器学习模型中增强表示的量子信息视角
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） ； University of Cambridge（剑桥大学）
AI总结 提出QUIVER框架，通过变分量子电路提取量子Fisher信息矩阵作为几何特征，与经典特征融合以提升大型机器学习模型性能，并在QM9和JetClass数据集上验证了有效性。
Comments 9 pages, 1 figure and 2 tables. Accepted as a poster at the AI4Physics Workshop, ICML 2026 (Seoul, South Korea)
基于生产车辆巡航信号的道路表面二分类机器学习方法
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对巡航工况下传统摩擦估计方法失效的问题，提出基于特征和端到端数据驱动框架，利用车辆动力学信号统计特征对路面抓地力（干/湿）与打滑（雪/冰）进行二分类。
D-Judge: 使用语义保持输出重写破坏多轮越狱攻击
机构 * University of California, Berkeley（加州大学伯克利分校） ； International Computer Science Institute（国际计算机科学研究所） ； University of California, Riverside（加州大学河滨分校） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 提出D-Judge防御方法，通过语义保持的输出重写干扰攻击者的评判模型反馈循环，从而降低多轮越狱攻击的成功率。
Comments Proceedings of the 43rd International Conference on Machine Learning
Lean-GAP：形式化研究生代数问题数据集
机构 * University of California, Berkeley（加州大学伯克利分校） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hanyang University（翰阳大学） ； Hufs University（Hufs大学） ； Sungkyunkwan University（成均馆大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Sejong University（世宗大学） ； University of Connecticut（康涅狄格大学）
AI总结 本文提出Lean-GAP数据集，包含430个来自Dummit和Foote《抽象代数》的形式化研究生代数问题，并开发了从PDF预处理到自动形式化再到验证的可扩展流水线。
RADE: 随机增删边作为正则化器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出随机增删边方法RADE，同时解决图神经网络过拟合和长程信息过压缩问题，通过训练-推理对齐实现无分布偏移的正则化，并自适应调整增删率。
Comments 27 pages, ICML 2026
ProjQ：面向适配器感知的大语言模型压缩的投影与量化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ProjQ框架，通过正交子空间投影将量化噪声约束到低秩流形，利用交替算法将主导误差卸载给适配器，实现更优的量化误差补偿和下游任务微调。
Comments Acceppted paper in ICML 2026
多样性优于频率：重新思考视觉思维链智能体中的工具使用
机构 * 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）
AI总结 本文研究视觉思维链智能体在复杂推理任务中的工具使用，发现工具使用崩溃现象，并提出熵正则化方法通过鼓励多样化探索提升推理性能。
Comments Presented in ICML 2026
SAHG：用于社交机器人检测的扇区各向异性双曲图模型
机构 * University of Leeds（利兹大学） ； University of Science and Technology of China（中国科学技术大学） ； South China Normal University（华南师范大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Harbin University of Commerce（哈尔滨商业大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出扇区各向异性双曲图模型SAHG，通过方向依赖曲率场和扇区原型解决欧几里得GNN在层次无标度社交图中的失真问题以及异质连接导致的信号污染问题，在三个基准上取得最佳性能。
如何引导你的流：通过流图奖励引导实现少步对齐
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出流图奖励引导（FMRG），一种无训练、单轨迹的框架，利用流图在仅需3次NFE下实现奖励引导生成，速度比现有方法快一个数量级。
回到柏拉图的洞穴：大规模检验跨模态表示收敛性
机构 * UC Berkeley（伯克利大学） ； Technical University Munich, MCML（慕尼黑技术大学） ； University of Tübingen, Tübingen AI Center（图宾根大学） ； Toyota Technical Institute at Chicago（芝加哥丰田技术研究所）
AI总结 本文通过大规模数据集实验，质疑了柏拉图表示假说中跨模态表示收敛的证据，发现对齐度随数据规模增大而显著下降，且仅反映粗粒度语义重叠。
Comments Project page: http://akoepke.github.io/cave_umwelten/
使用REL评估大语言模型中的关系推理能力
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过关系复杂度（RC）定义推理难度，构建涵盖代数、化学和生物学的生成式基准REL，发现前沿大语言模型在RC增加时性能持续下降，表明模型在高元关系绑定上存在固有局限。
Comments ICML 2026
衡量推理模型的弱到强可读性
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 针对推理语言模型在多智能体场景中生成的中间思维链，提出“弱到强可读性”概念，并设计衡量指标以评估强模型输出对弱模型的易理解性。
Comments Accepted to Trustworthy AI4GOOD Workshop @ ICML 2026
LC-SAC: 基于Koopman算子理论的李雅普诺夫约束软演员-评论家算法用于轨迹跟踪与镇定
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种结合Koopman算子理论的李雅普诺夫约束软演员-评论家算法，通过线性提升动力学模型和闭环控制李雅普诺夫函数实现轨迹跟踪与镇定，并引入条件风险价值约束处理罕见但严重的失稳事件。
Comments 13 pages, 8 Figures
WaterSIC: 信息论（近乎）最优的线性层量化
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对密集线性层低精度量化问题，提出WaterSIC算法，通过为权重矩阵不同列分配不同量化率，实现与信息论极限仅0.255比特的差距，并在Llama和Qwen系列大语言模型上达到1-4比特量化的最优性能。
在线强化学习中延迟观测的极小化最优策略
机构 * University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley（加州大学伯克利分校）
AI总结 针对延迟状态观测的强化学习问题，提出结合增广方法和上置信界算法的策略，在表格型MDP上达到极小化最优遗憾界。
Comments ICML camera ready version
迈向AI代理可靠性的科学
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出十二个具体指标，从一致性、鲁棒性、可预测性和安全性四个维度分解AI代理的可靠性，并通过实验揭示能力提升仅带来可靠性小幅改进。
Comments Accepted at ICML 2026. Interactive dashboard available at: https://hal.cs.princeton.edu/reliability
PieArena：在真实谈判场景中对语言智能体进行排名与画像
机构 * Yale University（耶鲁大学） ； UC Berkeley（加州大学伯克利分校） ； BloomBerg（摩根大通） ； Rutgers University（罗格斯大学）
AI总结 本文提出PieArena基准，通过多智能体交互评估LLM的谈判能力，并开发排名模型与行为画像，发现联合意图框架对中低端模型提升显著，前沿模型（如GPT-5）在谈判中达到或超过人类基线。
因果偏好启发
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种贝叶斯框架，通过主动查询局部边关系来集中有向无环图的后验分布，实现专家参与的因果发现。
名称无关：面向开放词汇学习的符号不变Transformer
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 提出一种符号不变Transformer机制，通过并行嵌入流和聚合注意力实现可互换令牌的重命名不变性，在开放词汇任务上取得显著性能提升。
Comments ICML 2026 Poster (Camera-Ready Version)
弱扩散先验仍能实现强逆问题性能
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 研究弱扩散先验在逆问题中的鲁棒性，通过贝叶斯一致性和局部相关性分析揭示其在信息丰富测量下仍有效的原因。
Comments 37 pages, ICML 2026 spotlight. Code: https://github.com/jjia131/weak-diffusion-priors-inverse-problem, Project Page: https://jjia131.github.io/weak-diffusion-priors-inverse-problem/
$\mathbb{R}^{2k}$ 理论上足够大，用于基于嵌入的 Top-$k$ 检索
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究最小可嵌入维度（MED），证明对于内积、欧氏距离和余弦相似度，MED 为 Θ(k)，与 m 无关；进一步考虑鲁棒 MED（RMED），推导出可行性上限 ε_⋆(m,k)，并通过实验验证理论结果。
Comments v2: fix broken citation. v3: ICML 2026
规划、验证与填充：扩散语言模型的结构化并行解码方法
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学）
AI总结 提出Plan-Verify-Fill (PVF)方法，通过定量验证进行分层骨架规划，并采用验证协议实现结构化停止，在保持准确性的同时将函数评估次数减少高达65%。
分布校准的推理时间计算用于思考型LLM作为评判者
机构 * University of California, Berkeley（加州大学伯克利分校） ； DeepMind（深Mind） ； University of Cambridge（剑桥大学）
AI总结 针对思考型大语言模型作为评判者时单样本噪声和聚合不一致问题，提出基于Bradley-Terry-Davidson模型的分布校准聚合方案，利用极性（非平局边际）和决定性（非平局率）区分微弱多数与强共识，显著降低MAE并提高成对准确率，匹配或超越人类评判者。
逼真足球模拟中的人性化守门：一种样本高效的强化学习方法
机构 * University of Edinburgh（爱丁堡大学） ； KTH Royal Institute of Technology（皇家理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种样本高效的深度强化学习方法，通过利用预收集数据和增加网络可塑性，在EA SPORTS FC 25中训练出守门员智能体，其扑救率比内置AI高10%，训练速度比标准DRL快50%，且行为更接近人类。
立场：针对LLM的对抗性机器学习并未取得任何进展
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文认为，在大语言模型时代，对抗性机器学习研究的问题定义更模糊、更难解决且更难以评估，可能导致未来十年仍无法取得有意义进展。
Comments Accepted at ICML 2026 Position Paper Track
通过感知扰动和奖励建模减轻多模态大语言模型作为评判者中的感知判断偏差
机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院）
AI总结 本文通过构建感知扰动数据集和结合GRPO奖励与批排序目标的统一训练框架，解决了多模态大语言模型作为评判者时因视觉证据与文本线索冲突而产生的感知判断偏差问题，显著提升了感知忠实度和与人类评价的一致性。
Comments ICML 2026
初始化即半程：从引导势后验生成多样图像
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学）
AI总结 针对生成模型模式崩溃问题，提出从引导势后验中采样初始噪声的DivIn方法，利用朗之万动力学引导初始化远离崩溃区域，提升多样性且兼容扩散与流匹配模型。
Comments Accepted by ICML 2026 Spotlight
DECK: LLM幻觉的一致性×置信度分类法
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种基于样本间一致性和词级置信度的2×2分类法（DECK），将LLM幻觉分为四个行为区域，每个区域对应可检测的评分器家族，并通过实验验证其有效性及识别出输出级不确定性评估的普遍盲点。
Comments 18 pages, 3 figures, 5 tables
通过速率匹配缓解混淆的一致性训练
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出速率匹配一致性训练（RMCT），通过匹配目标行为率而非约束表达方式，在减少模型受无关特征影响的同时避免混淆，提升可监控性。
到底有多难？难度感知的多目标遗忘学习
机构 * National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对现有遗忘学习无法保证同时提升遗忘质量和保持保留效用的缺陷，提出一种基于约束优化的难度感知多目标遗忘算法（HAMU），通过量化遗忘数据与保留数据的相似度来指导模型更新，在保证遗忘质量提升的同时最小化保留效用损失。
Comments ICML 2026
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