Soft Quality-Diversity Optimization
软质量-多样性优化
机构 * University of Southern California（南加州大学） ； Archimedes AI（阿基米德人工智能）
AI总结 本文提出软QD框架，通过避免离散化解决QD优化问题，推出SQUAD算法在高维问题中具有更好的可扩展性。
Comments Accepted at ICLR 2026
高校专区
University of Southern California（南加州大学）
Scalable Second-order Riemannian Optimization for $K$-means Clustering
可扩展的二次黎曼优化用于K均值聚类
机构 * Department of Statistics, University of Illinois Urbana-Champaign（统计系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Mathematics, University of Southern California（数学系，南加州大学）
AI总结 本文提出了一种基于二次黎曼优化的K均值聚类方法，通过分解流形结构实现线性时间复杂度，显著提升收敛速度并保持统计准确性。
Journal ref The Fourteenth International Conference on Learning Representations (ICLR), 2026
WebDS: An End-to-End Benchmark for Web-based Data Science
WebDS: 一种端到端的基于网络的数据科学基准
机构 * Stanford University（斯坦福大学） ； Pinetree Research（Pinetree研究公司） ； University of California, Berkeley（加州大学伯克利分校） ； Singapore University of Technology and Design（新加坡科技设计大学） ； University of Southern California（南加州大学）
AI总结 WebDS提出了一种端到端的基于网络的数据科学基准，旨在评估代理在复杂多步骤任务中的表现，揭示当前LLM在实际数据科学任务中的性能差距。
Comments 14 pages, ICLR 2026
Function Induction and Task Generalization: An Interpretability Study with Off-by-One Addition
函数诱导与任务泛化：一项可解释性研究——关于“加一错误”加法
机构 * University of Southern California（南加州大学） ； Salesforce AI Research（Salesforce AI研究院）
AI总结 本研究通过分析“加一错误”加法任务，揭示了语言模型中函数诱导机制如何实现任务泛化，展示了其在多种任务中的复用能力。
Comments ICLR 2026. Code: https://github.com/INK-USC/function-induction
AutoQD: Automatic Discovery of Diverse Behaviors with Quality-Diversity Optimization
AutoQD: 利用质量-多样性优化自动发现多样化行为
机构 * University of Southern California（南加州大学） ； Archimedes AI
AI总结 AutoQD通过自动生成行为描述符，利用随机傅里叶特征近似MMD，实现无需预定义描述符的多样化策略发现。
Comments Accepted to ICLR 2026
A Short Note on a Variant of the Squint Algorithm
关于Squint算法变种的简短注记
机构 * University of Southern California（南加州大学）
AI总结 本文提出Squint算法的一个变种，并通过修改证明展示其后悔界与Freund等人近期工作中的结果相似。
Tracing Pharmacological Knowledge In Large Language Models
追踪大语言模型中的药理学知识
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Viterbi School of Engineering（维特比工程学院） ； University of Southern California（南加州大学） ； Stephen J. R. Smith Faculty of Engineering and Applied Science（工程与应用科学学院） ； Queen’s University（皇后大学） ； Department of Molecular and Cellular Biology（分子与细胞生物学系） ； Scripps Research（斯克里普斯研究学院）
AI总结 本研究通过因果性和探测性方法揭示大语言模型中药物组语义的分布式表示机制，发现早期层和中间token对编码药理学知识起关键作用。
Comments Accepted, Learning Meaningful Representations of Life (LMRL) Workshop @ ICLR 2026
GreenPhase: A Green Learning Approach for Earthquake Phase Picking
GreenPhase: 一种用于地震相识别的绿色学习方法
机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（美国南加州大学明希斯电气与计算机工程系） ； Center for Earth and Environmental Studies, National Central University（中华大学地球与环境研究所） ； Department of Computer Science & Information Engineering, National Central University（中华大学计算机科学与信息工程系）
AI总结 GreenPhase通过多分辨率前馈结构，在减少计算成本的同时实现了高效且可解释的地震相识别。
EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model
EnECG：用于心电图多任务基础模型的高效集成学习
机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Center for Data Science, School of Nursing, Emory University（埃默里大学护理学院数据科学中心） ； Bakar Computational Health Sciences Institute, UCSF（旧金山大学巴卡计算健康科学研究所） ； Department of Computer Science, USC（美国南加州大学计算机科学系） ； Department of Computer Science, UNC（北卡罗来纳大学教堂山分校计算机科学系）
AI总结 EnECG通过集成多个专门基础模型，高效处理多种ECG任务，降低计算成本并提升实用性。
