ICLR

Overlap-Adaptive Regularization for Conditional Average Treatment Effect Estimation

重叠自适应正则化用于条件平均处理效应估计

Valentyn Melnychuk, Dennis Frauen, Jonas Schweisthal, Stefan Feuerriegel

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Munich, Germany（德国慕尼黑） 纠错

AI总结 本文提出重叠自适应正则化方法，通过调整正则化强度以应对低重叠问题，提升CATE估计的性能。

Journal ref Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026), Rio de Janeiro, Brazil

One-Prompt Strikes Back: Sparse Mixture of Experts for Prompt-based Continual Learning

一次提示反击：稀疏专家混合用于基于提示的持续学习

Minh Le, Bao-Ngoc Dao, Huy Nguyen, Quyen Tran, Anh Nguyen, Nhat Ho

机构 * Trivita AI ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； Hanoi University of Science and Technology（河内科学技术大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 SMoPE通过稀疏专家混合结合任务特定和共享提示策略，有效解决持续学习中的性能与效率权衡问题。

Comments Accepted to ICLR 2026

Efficient Audio-Visual Speech Separation with Discrete Lip Semantics and Multi-Scale Global-Local Attention

高效音频-视觉语音分离与离散唇语语义及多尺度全局-局部注意力

Kai Li, Kejun Gao, Xiaolin Hu

机构 * Department of Computer Science and Technology, Institute for AI, BNRist, Tsinghua University, Beijing（计算机科学与技术系，人工智能研究院，BNRist，清华大学，北京） ； IDG/McGovern Institute for Brain Research, Tsinghua University, Beijing（IDG/麦克戈文脑研究 institute，清华大学，北京） ； Chinese Institute for Brain Research (CIBR), Beijing（中国脑科学研究院（CIBR），北京） 纠错

AI总结 Dolphin通过离散唇语语义和多尺度全局-局部注意力实现高效音频-视觉语音分离，提升分离质量和效率。

Comments Accepted to ICLR 2026

Multi-modal Data Spectrum: Multi-modal Datasets are Multi-dimensional

多模态数据光谱：多模态数据集是多维的

Divyam Madaan, Varshan Muhunthan, Kyunghyun Cho, Sumit Chopra

机构 * New York University（纽约大学） ； GenentechCIFAR（基因泰克CIFAR） ； New York University Grossman School of Medicine（纽约大学格罗斯曼医学院） 纠错

AI总结 本文通过多模态大语言模型分析23个视觉问答基准，揭示了不同模态在目标任务中的依赖性差异，发现部分基准因设计缺陷放大了图像依赖性。

Comments Accepted to ICLR 2026. Code available at https://github.com/divyam3897/multimodal-spectrum

GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes

GDR-learners: 生成模型的正交学习用于潜在结果

Valentyn Melnychuk, Stefan Feuerriegel

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文提出GDR-learners，通过正交学习生成模型以高效估计潜在结果分布，具备准Oracle效率和双稳健性，实验显示其在估计性能上优于现有方法。

Journal ref Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026), Rio de Janeiro, Brazil

Locality-aware Parallel Decoding for Efficient Autoregressive Image Generation

具有局部性的并行解码以提高自回归图像生成的效率

Zhuoyang Zhang, Luke J. Huang, Chengyue Wu, Shang Yang, Kelly Peng, Yao Lu, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； First Intelligence（第一智能） 纠错

AI总结 本文提出LPD方法，通过灵活的并行自回归建模和局部意识生成顺序，显著提升自回归图像生成的效率和质量。

Comments ICLR 2026 Oral. The first two authors contributed equally to this work

Self-Improving Loops for Visual Robotic Planning

自改进循环用于视觉机器人规划

Calvin Luo, Zilai Zeng, Mingxi Jia, Yilun Du, Chen Sun

AI总结 SILVR通过自生成轨迹迭代更新视频模型，实现视觉机器人任务的持续改进，无需人类演示或奖励函数。

Comments ICLR 2026. Project Page: https://diffusion-supervision.github.io/silvr/

Enhanced Continual Learning of Vision-Language Models with Model Fusion

增强视觉-语言模型的持续学习与模型融合

Haoyuan Gao, Zicong Zhang, Yuqi Wei, Linglan Zhao, Guilin Li, Yexin Li, Bo Wang, Linghe Kong, Weiran Huang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（国家一般人工智能重点实验室，BIGAI） ； Tencent（腾讯） 纠错

AI总结 本文提出ConDU方法，通过模型融合解决VLMs在持续学习中的灾难性遗忘问题，提升零样本性能和多任务表现。

Comments Published as a conference paper at ICLR 2026