期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
PrefixMemory-Tuning: 通过解耦前缀与注意力来现代化前缀微调
机构 * National University of Singapore（新加坡国立大学） ； Bioinformatics Institute, A*STAR（A*STAR生物信息研究所） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出PrefixMemory-Tuning，通过将前缀模块移出注意力头以提升表达能力，实验证明其在多个基准上优于传统前缀微调方法，并在通用任务中表现接近现代PEFT技术。
Comments ICLR 2026
DR-SAC：在不确定环境下用于强化学习的分布鲁棒软Actor-Critic
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学）
AI总结 本文提出DR-SAC，首个基于Actor-Critic的分布鲁棒强化学习算法，用于连续动作空间的离线学习。通过最大化熵正则化奖励，对抗最坏可能的转移模型，在KL散度约束的不确定性集内实现收敛保证，并结合生成建模方法估计未知的名义转移模型。
Comments 31 Pages. Accepted to ICLR 2026
忠实于什么？关于基于忠实性的解释的局限性
机构 * Lafayette College（拉法叶学院）
AI总结 研究指出基于忠实性的解释方法无法准确反映模型预测性能，通过线性得分λ(f)发现高忠实度代理模型可能无法恢复数据结构的预测优势。
Comments 6 pages, 3 figures, 3 tables. Accepted at the Workshop on Scientific Methods for Understanding Deep Learning (Sci4DL) at ICLR 2026. Code available at https://github.com/jacksoneshbaugh/lambda-linearity-score/tree/main
具有适应性交叉哈达玛积的表达性高效特征扩展
机构 * Beijing Institute of Technology（北京理工大学） ； Chongqing Innovation Center（重庆创新中心）
AI总结 本文提出适应性交叉哈达玛模块，通过可微离散采样和动态软号归一化实现高效特征重用，提升视觉模型的效率与精度。
Comments Accepted by ICLR 2026. Camera-ready Version. 24 pages, 9 figures
通过不确定性校准微调增强大语言模型的信任
机构 * Capital One, AI Labs（Capital One人工智能实验室） ； Wayve Technologies（Wayve技术公司） ； Intel Corporation（英特尔公司）
AI总结 本文提出一种不确定性感知微调方法，用于提升大语言模型在自然语言生成任务中的不确定性估计能力，从而提高生成响应的可信度并减少幻觉现象。
Comments ICLR 2026 Trustworthy AI workshop
图-智能体：一种基于图的多智能体LLM协作框架
机构 * UNC Chapel Hill（UNC夏洛茨维尔分校） ； Eigent AI（Eigent人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Stanford University（斯坦福大学）
AI总结 本文提出Graph-of-Agents框架，通过节点采样、边构建和消息传递提升多智能体协作效率，仅用3个智能体在多个基准测试中优于使用全部6个智能体的基线方法。
Comments ICLR 2026
具有任务无关调优的噪声自适应扩散采样用于逆问题
机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； Institute for Infocomm Research, Agency for Science, Technology and Research, Singapore（信息通信研究所，科技研究局，新加坡） ； Johns Hopkins University（约翰·霍普金斯大学）
AI总结 本文提出噪声空间Hamilton蒙特卡洛方法，用于逆问题求解，避免局部极值并提升鲁棒性，通过噪声空间探索提升重建质量。
Comments Accepted by ICLR 2026
SAVE：一种多条件单细胞生成的通用框架，基于基因块注意力
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（复旦大学上海智能信息处理重点实验室）
AI总结 本文提出SAVE框架，通过基因块注意力和流匹配机制提升多条件单细胞生成的泛化能力，优于现有方法，尤其在低资源场景中表现突出。
Comments Accepted to ICLR 2026
具有4D信息检索的主动世界模型用于探索与意识
机构 * KavAI ； UCSD（加州大学圣迭戈分校）
AI总结 本文提出AW4RE模型，通过结合4D信息检索、几何支持与时间一致性，提升在动态环境中感知决策的准确性与一致性。
Comments 11 pages, 4 figures, submitted to ICLR 2026 2nd Workshop on World Models
UniCon：通过核方法实现高效的对比对齐统一框架
机构 * Department of Electrical & Computer Engineering, The Grainger College of Engineering, UIUC（电气与计算机工程系，格拉inger工程学院，伊利诺伊大学香槟分校） ； Siebel School of Computing and Data Science, The Grainger College of Engineering, UIUC（计算与数据科学学院，格拉inger工程学院，伊利诺伊大学香槟分校） ； Coordinated Science Laboratory, University of Illinois Urbana-Champaign (UIUC)（协调科学实验室，伊利诺伊大学香槟分校） ； VinUni-Illinois Smart Health Center（VinUni-伊利诺伊智能健康中心）
AI总结 UniCon通过引入对比相似度权重矩阵S(γ)，提供了一种统一的对比对齐框架，实现了闭式全局解，替代了 minibatch反向传播，提升了效率并保持了通用性和性能。
Comments 33 pages, 8 figures, 8 tables. Accepted by The Fourteenth International Conference on Learning Representations (ICLR) 2026
在文本到图像模型中实现公平性：对偏见、公平性审计及缓解策略的综述
机构 * AImotion Bavaria, Technische Hochschule Ingolstadt（AImotion巴伐利亚、因戈尔施塔特技术大学） ； School of Transformation and Sustainability, Catholic University of Eichstätt-Ingolstadt（转型与可持续性学院，埃施塔特-因戈尔施塔特天主教大学） ； Chair of Economic and Social Ethics, University of Hohenheim（经济与社会伦理系，霍亨海姆大学）
AI总结 本文综述了文本到图像模型中的公平性研究，分析了偏见类型和公平性概念的分类，指出现有研究在目标公平与阈值公平之间的差距，并提出新的公平性操作框架。
Comments ICLR 2026 Algorithmic Fairness Across Alignment Procedures and Agentic Systems (AFAA) Workshop, reviews can be found at: https://openreview.net/forum?id=8DOkyBGWwP
多图像医学推理
机构 * Manning College of Information and Computer Sciences, UMass Amherst（UMass阿默斯特信息与计算机科学学院） ； Center for Healthcare Organization and Implementation Research, VA Bedford Health Care（VA贝福德医疗保健中心） ； Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Miner School of Computer and Information Sciences, UMass Lowell（UMass洛威计算机与信息科学学院） ； Department of Electrical and Computer Engineering, UMass Lowell（UMass洛威电气与计算机工程系）
AI总结 本文提出MedThinkVQA多图像医学推理基准，通过专家标注数据验证多图像整合对临床推理的重要性，发现多图像推理瓶颈在于证据提取与对齐，且增加推理时间计算效果有限。
Comments Equal contribution for the first two authors. To appear in the proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026). Code is in https://github.com/benluwang/MedThinkVQA. Dataset is in https://huggingface.co/datasets/bio-nlp-umass/MedThinkVQA
通过分离前向和逆向动力学预训练实现解耦的机器人学习
机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Eastern Institute of Technology, Ningbo（宁波东部技术研究所） ； Shanghai Innovation Institute（上海创新研究院） ； Tsinghua University（清华大学）
AI总结 本文提出DeFI框架，通过分离前向和逆向动力学预训练，利用不同数据源解决视觉-动作耦合问题，实现端到端微调，实验表明在CALVIN ABC-D和SimplerEnv上取得最佳性能。
Comments ICLR 2026
能否利用LLMs为临床时间序列数据生成可移植的表示？
机构 * University of Toronto, Canada（加拿大多伦多大学） ； Sunnybrook Health Sciences Centre, Canada（加拿大阳光医疗科学中心） ； Vector Institute, Canada（加拿大向量研究所）
AI总结 本文研究了利用LLMs生成可移植患者表示的方法，通过将不规则ICU时间序列转换为自然语言摘要，再嵌入固定长度向量，实现跨医院的预测任务，展示了其在多个临床任务中的竞争力和可移植性。
Comments Accepted to the 14th International Conference on Learning Representations (ICLR 2026)
重新思考LoRA用于大模型隐私保护联邦学习
机构 * School of Cyber Engineering, Xidian University（西安电子科技大学电子工程学院） ； College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院）
AI总结 本文提出LA-LoRA方法，解决DPFL中LoRA的性能下降问题，通过解耦梯度交互和对齐更新方向，提升在严格隐私约束下的鲁棒性，实验显示在Swin Transformer和RoBERTa模型上达到SOTA性能。
Journal ref ICLR 2026
别跟踪我！对抗大语言模型中属性推断攻击的主动防御
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
AI总结 本文提出TRACE-RPS框架，通过细粒度匿名化和推断阻止优化，有效降低大语言模型中属性推断准确性，实现隐私保护与模型效用的平衡。
Comments Accepted at ICLR 2026
Densemarks: 通过点轨迹学习人类头部图像的规范嵌入
机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； University of Bielefeld（比勒菲尔德大学）
AI总结 本文提出DenseMarks，通过点轨迹学习人类头部图像的规范嵌入，实现高质量的密集对应。利用Vision Transformer预测每个像素的3D嵌入，结合对比损失训练网络，通过多任务学习和空间连续性约束，实现可解释的规范空间，用于语义部分匹配、面部跟踪和立体重建。
Comments ICLR 2026. Project page: https://diddone.github.io/densemarks/ .Video: https://youtu.be/o8DOOYFW0gI .21 pages, 13 figures, 2 tables
LiveResearchBench: 一个用于真实世界中以用户为中心的深度研究的实时基准
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Stanford University（斯坦福大学） ； Salesforce AI Research（Salesforce AI研究院）
AI总结 本文提出LiveResearchBench，一个包含100个专家精选任务的实时基准，涵盖日常生活、企业与学术领域，要求进行广泛、动态的实时网络搜索与综合。通过DeepEval评估17个前沿深度研究系统，揭示其优势、失败模式及关键组件。
Comments Accepted to ICLR 2026
RACE 注意力：一种严格线性时间的注意力层，用于在极端长上下文中训练
机构 * Department of Computer Science, Rice University（计算机科学系，里士大学）
AI总结 RACE 注意力通过替代指数核为锐化角相似性，并利用高斯随机投影和软局部敏感哈希，实现线性时间复杂度的注意力层，适用于超长上下文训练，同时减少时间和内存消耗。
Comments Accepted at ICLR 2026. 29 pages, 8 figures
文本贝叶斯：量化基于LLM系统的提示不确定性
机构 * Layer 6 AI
AI总结 本文通过贝叶斯视角量化LLM系统提示的不确定性，提出MHLP算法结合提示优化与MCMC方法，提升预测准确性和不确定性量化性能。
Comments ICLR 2026
你依赖得越少，学到的越多：从稀疏、未定位图像中合成新视角的方法，仅需最小的3D知识
机构 * Peking University（北京大学） ； ByteDance Seed（字节跳动种子） ； Ant Group（蚂蚁集团） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 本文探讨了在数据量增加时，依赖较少3D知识的方法性能提升更快的现象，提出了一种无需显式场景结构和姿态标注的端到端NVS框架，实现了更高效的视角合成。
Comments ICLR 2026
人格炼金术：为多样化利益相关者代表设计、评估和实现心理基础的LLM代理
AI总结 本文提出基于社会认知理论的LLM代理设计框架，通过四个个人因素、六个可量化构念和图数据库架构，提升LLM代理在多样化利益相关者代表中的心理一致性与可解释性。
Comments Accepted at ICLR 2026 Algorithmic Fairness Across Alignment Procedures and Agentic Systems (AFAA) Workshop
VADv2：通过概率规划实现端到端向量自主驾驶
机构 * Huazhong University of Science and Technology（华中科技大学） ； Horizon Robotics
AI总结 本文提出VADv2，一种基于概率规划的端到端自主驾驶模型，通过概率场函数建模动作空间到概率分布的映射，利用大规模驾驶演示提升闭合回路性能，优于现有方法。
Comments Accepted to ICLR 2026. Code is available at https://github.com/hustvl/VAD
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