ICLR

Decentralized Attention Fails Centralized Signals: Rethinking Transformers for Medical Time Series

去中心化注意力失败于中心化信号：重新思考用于医疗时间序列的Transformer

Guoqi Yu, Juncheng Wang, Chen Yang, Jing Qin, Angelica I. Aviles-Rivero, Shujun Wang

机构 * Department of Biomedical Engineering, PolyU（PolyU 生物医学工程系） ； School of Nursing, PolyU（PolyU 护理学院） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学尤太数学科学中心） 纠错

AI总结 本文提出CoTAR模块，通过集中化MLP替代去中心化注意力，以更好地捕捉医疗时间序列数据中的中心化依赖关系，提升模型效果与效率。

Comments Accepted by ICLR 2026 (Oral). arXiv admin note: text overlap with arXiv:2405.19363 by other authors

Contact Wasserstein Geodesics for Non-Conservative Schrödinger Bridges

接触Wasserstein测地线用于非保守Schrödinger桥

Andrea Testa, Søren Hauberg, Tamim Asfour, Leonel Rozo

机构 * Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Technical University of Denmark (DTU)（丹麦技术大学） ； Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所） 纠错

AI总结 本文提出非保守广义Schrödinger桥，通过接触哈密顿力学实现能量变化的桥模型，利用接触Wasserstein测地线实现高效计算，验证了其在流形导航、分子动力学预测和图像生成中的实用性。

Comments 44 pages, 21 figures, ICLR 2026

KaVa: Latent Reasoning via Compressed KV-Cache Distillation

KaVa：通过压缩KV缓存蒸馏实现潜在推理

Anna Kuzina, Maciej Pioro, Paul N. Whatmough, Babak Ehteshami Bejnordi

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

AI总结 KaVa通过压缩KV缓存蒸馏实现潜在推理，利用连续潜在标记的表示灵活性对齐逐步KV轨迹，有效提升复杂自然语言推理任务的性能。

Comments ICLR 2026

Rethinking Data Curation in LLM Training: Online Reweighting Offers Better Generalization than Offline Methods

重新思考大语言模型训练中的数据整理：在线重加权优于离线方法

Wanru Zhao, Yihong Chen, Yuzhi Tang, Wentao Ma, Shengchao Hu, Shell Xu Hu, Alex Iacob, Abhinav Mehrotra, Nicholas D. Lane

机构 * University of Cambridge（剑桥大学） ； OATML, University of Oxford（牛津大学OATML实验室） ； University of Toronto（多伦多大学） ； Shanghai Jiao Tong University（上海交通大学） ； Samsung AI Center（三星人工智能中心） 纠错

AI总结 本文提出ADAPT框架，通过动态在线重加权提升模型泛化能力，实验显示其在指令微调和大规模预训练中优于传统离线方法。

Comments ICLR 2026

Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory

轨道变换器用于时间依赖密度泛函理论中波函数的预测

Xuan Zhang, Haiyang Yu, Chengdong Wang, Jacob Helwig, Shuiwang Ji, Xiaofeng Qian

机构 * Department of Computer Science and Engineering, Texas A&M University（计算机科学与工程系，德克萨斯大学阿马尔科分校） ； Department of Materials Science and Engineering, Texas A&M University（材料科学与工程系，德克萨斯大学阿马尔科分校） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯大学阿马尔科分校） ； Department of Electrical and Computer Engineering, Texas A&M University（电气与计算机工程系，德克萨斯大学阿马尔科分校） ； Department of Physics and Astronomy, Texas A&M University（物理与天文学系，德克萨斯大学阿马尔科分校） 纠错

AI总结 本文提出OrbEvo模型，基于等变图变换器架构，通过等变条件编码外部电场强度和方向，打破SO(3)到SO(2)对称性，利用波函数池化和密度矩阵作为交互方法，准确捕捉外部场下激发态的量子动力学。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

Generalization Below the Edge of Stability: The Role of Data Geometry

在稳定性边缘以下的泛化：数据几何的作用

Tongtong Liang, Alexander Cloninger, Rahul Parhi, Yu-Xiang Wang

机构 * UC San Diego（圣迭戈大学） 纠错

AI总结 本文研究了过参数化神经网络中数据几何对泛化能力的影响，通过理论分析揭示了数据几何如何控制隐式偏置，提出在稳定性边缘以下的两层ReLU网络的泛化界限，并探讨了梯度下降在不同数据分布下的学习机制。

Comments Accepted by ICLR 2026