ICLR - arXivDaily 期刊&会议

2505.11846 2026-06-12 cs.LG math.AG 版本更新

Learning on a Razor's Edge: Identifiability and Singularity of Polynomial Neural Networks

刀刃上的学习：多项式神经网络的可辨识性与奇异性

Vahid Shahverdi, Giovanni Luca Marchetti, Kathlén Kohn

机构 * Department of Mathematics, KTH Royal Institute of Technology（数学系，皇家理工学院）

AI总结研究以多项式为激活函数的MLP和CNN的函数空间（神经流形），证明MLP参数化几乎处处有限对一，CNN参数化一一对应，并刻画奇异性源于稀疏子网络，解释MLP的稀疏偏好。

Comments Published at ICLR 2026

2509.25787 2026-06-12 cs.CV 版本更新

Self-Evolving Vision-Language Models for Image Quality Assessment via Voting and Ranking

自进化视觉语言模型用于图像质量评估：基于投票与排序

Wen Wen, Tianwu Zhi, Kanglong Fan, Yang Li, Xinge Peng, Yabin Zhang, Yiting Liao, Junlin Li, Li Zhang

机构 * City University of Hong Kong（香港城市大学）； ByteDance Inc.（字节跳动公司）

AI总结提出EvoQuality框架，通过自一致性生成伪标签，利用群体相对策略优化迭代提升VLM的图像质量感知能力，无监督下在多个IQA基准上超越监督方法。

Comments Published as a conference paper at ICLR 2026

2510.16380 2026-06-12 cs.CL cs.AI cs.CY cs.HC cs.LG 版本更新

MoReBench: Evaluating Procedural and Pluralistic Moral Reasoning in Language Models, More than Outcomes

MoReBench：评估语言模型中的程序性和多元道德推理，超越结果

Yu Ying Chiu, Michael S. Lee, Rachel Calcott, Brandon Handoko, Paul de Font-Reaulx, Raphaël Millière, Paula Rodriguez, Chen Bo Calvin Zhang, Ziwen Han, Udari Madhushani Sehwag, Yash Maurya, Christina Q Knight, Harry R. Lloyd, Florence Bacus, Conor Downey, Mantas Mazeika, Bing Liu, Yejin Choi, Mitchell L Gordon, Sydney Levine

机构 * University of Washington（华盛顿大学）； New York University（纽约大学）； Scale AI ； Harvard University（哈佛大学）； University of Michigan（密歇根大学）； UNC Chapel Hill（北卡罗来纳大学教堂山分校）； Center for AI Safety（人工智能安全中心）； Stanford University（斯坦福大学）； MIT（麻省理工学院）； University of Oxford（牛津大学）

AI总结提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。

Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)

2408.17221 2026-06-12 cs.LG math.AG 版本更新

Geometry of Lightning Self-Attention: Identifiability and Dimension

闪电自注意力的几何：可识别性与维度

Nathan W. Henry, Giovanni Luca Marchetti, Kathlén Kohn

机构 * University of Toronto（多伦多大学）； Royal Institute of Technology (KTH)（皇家理工学院（KTH））

AI总结本文利用代数几何工具，分析了无归一化自注意力网络的函数空间几何，给出了深层注意力的可识别性描述并计算了函数空间维度，同时刻画了单层模型的奇异点和边界点，并推测了归一化情形的结果。

Comments Accepted at ICLR 2025