ICLR

INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy

INO-SGD：在个性化差分隐私下解决效用不平衡问题

Xiao Tian, Jue Fan, Rachael Hwee Ling Sim, Bryan Kian Hsiang Low

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局） 纠错

AI总结 本文提出INO-SGD算法，通过在每个批次中策略性降低权重，改善所有迭代中更隐私数据的性能，满足个性化差分隐私需求，解决现有方法无法兼顾隐私和效用的不足。

Comments Accepted to the 14th International Conference on Learning Representations (ICLR-26)

DiffAdapt: Difficulty-Adaptive Reasoning for Token-Efficient LLM Inference

DiffAdapt：面向令牌高效大语言模型推理的难度自适应推理

Xiang Liu, Xuming Hu, Xiaowen Chu, Eunsol Choi

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； New York University（纽约大学） 纠错

AI总结 本文提出DiffAdapt框架，通过分析推理轨迹中的熵分布，根据问题难度选择不同的推理策略，减少令牌使用量，提升推理效率。

Comments ICLR 26

Searching for Privacy Risks in LLM Agents via Simulation

通过模拟搜索LLM代理中的隐私风险

Yanzhe Zhang, Diyi Yang

机构 * Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出通过模拟搜索改进攻击与防御策略，发现攻击策略从直接请求演变为伪装和伪造同意等复杂手段，防御策略从规则约束升级为身份验证状态机，为隐私安全代理发展提供洞察。

Comments ICLR 2026

RNE: plug-and-play diffusion inference-time control and energy-based training

RNE: 可插拔的扩散推理时间控制与基于能量的训练

Jiajun He, José Miguel Hernández-Lobato, Yuanqi Du, Francisco Vargas

机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics 纠错

AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。

Comments Accepted at ICLR 2026

Steered LLM Activations are Non-Surjective

引导的LLM激活不是满射的

Aayush Mishra, Daniel Khashabi, Anqi Liu

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究探讨了激活引导是否能通过文本提示实现，证明引导行为在实际中无法通过提示复现，区分了白盒引导与黑盒提示的差异。

Comments 10 pages main text. ICLR 2026 Workshops (Sci4DL, Re-Align)

Automatic Image-Level Morphological Trait Annotation for Organismal Images

自动图像级形态学特征标注方法用于生物体图像

Vardaan Pahuja, Samuel Stevens, Alyson East, Sydne Record, Yu Su

机构 * The Ohio State University（俄亥俄州立大学） ； University of Maine（缅因大学） 纠错

AI总结 本文提出了一种基于稀疏自编码器的图像级形态学特征标注方法，通过构建Bioscan-Traits数据集，实现了对19000张昆虫图像的80000个特征标注，为大规模生态研究提供了可扩展的生物特征监督方法。

Comments ICLR 2026

Journal ref ICLR 2026

RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion

RIDER: 3D RNA逆向设计与强化学习引导的扩散

Tianmeng Hu, Yongzheng Cui, Biao Luo, Ke Li

机构 * University of Exeter（埃克塞特大学） ； Central South University（中南大学） 纠错

AI总结 RIDER通过强化学习引导扩散模型直接优化3D结构相似性，提升RNA逆向设计的结构准确性与多样性。

Comments Accepted as a conference paper at ICLR 2026

A Step to Decouple Optimization in 3DGS

在3DGS中实现优化解耦的一步

Renjie Ding, Yaonan Wang, Min Liu, Jialin Zhu, Jiazheng Wang, Jiahao Zhao, Wenting Shen, Feixiang He, Xiang Chen

机构 * National Engineering Research Center of Robot Visual Perception and Control Technology, School of Artificial Intelligence and Robitics, Hunan University（机器人视觉感知与控制技术国家工程研究中心，人工智能与机器人学院，湖南大学） ； Baidu Inc.（百度公司） ； Central South University（中南大学） 纠错

AI总结 本文针对3DGS优化中的耦合问题，提出解耦方法，通过稀疏Adam、重状态正则化和解耦属性正则化提升优化效率和表示效果。

Comments Accepted by ICLR 2026 (fixed typo)

Into the Rabbit Hull: From Task-Relevant Concepts in DINO to Minkowski Geometry

进入兔皮：从DINO中的任务相关概念到闵可夫斯基几何

Thomas Fel, Binxu Wang, Michael A. Lepori, Matthew Kowal, Andrew Lee, Randall Balestriero, Sonia Joseph, Ekdeep S. Lubana, Talia Konkle, Demba Ba, Martin Wattenberg

机构 * Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Harvard University（哈佛大学） ； Dept. of Psychology, Harvard University（哈佛大学心理学系） ； Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind） ； Meta ； Goodfire 纠错

AI总结 本文通过分析DINOv2的任务相关概念，揭示了其在分类、分割和深度估计中的功能专业化，并提出闵可夫斯基表示假设以解释视觉Transformer的表示结构。

Comments Accepted at ICLR 2026

Journal ref ICLR 2024

ThinKV: Thought-Adaptive KV Cache Compression for Efficient Reasoning Models

ThinKV: 基于思维适应的KV缓存压缩以提高推理模型效率

Akshat Ramachandran, Marina Neseem, Charbel Sakr, Rangharajan Venkatesan, Brucek Khailany, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 本文提出ThinKV，通过混合量化-驱逐策略，根据思维重要性动态调整token精度，减少KV缓存占用，提升推理效率和吞吐量。

Comments ICLR 2026 (Oral)

Identifiability Challenges in Sparse Linear Ordinary Differential Equations

稀疏线性常微分方程中的可识别性挑战

Cecilia Casolo, Sören Becker, Niki Kilbertus

机构 * Technical University of Munich（慕尼黑技术大学） ； Helmholtz Munich（海德堡-慕尼黑研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 研究稀疏线性常微分方程的可识别性问题，发现其在实际稀疏度下存在正概率的不可识别性，并通过实验验证了这一理论结果对状态估计方法的影响。

Comments 9 pages, 4 figures

Journal ref The Fourteenth International Conference on Learning Representations, ICLR 2026

Bayesian Attention Mechanism: A Probabilistic Framework for Positional Encoding and Context Length Extrapolation

贝叶斯注意机制：一种用于位置编码和上下文长度外推的概率框架

Arthur S. Bianchessi, Yasmin C. Aguirre, Rodrigo C. Barros, Lucas S. Kupssinskü

机构 * MALTA – Machine Learning Theory and Applications Lab, PUCRS – Porto Alegre, Brazil（MALTA机器学习理论与应用实验室，PUCRS-波士顿实验室，巴西） ； Kunumi Institute, Brazil（昆米研究所，巴西） 纠错

AI总结 本文提出贝叶斯注意机制，通过概率模型将位置编码作为先验，统一了现有方法并改进了长上下文泛化能力，在500倍训练上下文长度下实现更准确的信息检索。

Comments Accepted to ICLR 2026

CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition

CONSIGN：通过分解的空间分组指导的符合性分割

Bruno Viti, Elias Karabelas, Martin Holler

机构 * Department of Mathematics and Scientific Computing（数学与科学计算系） ； University of Graz（格拉茨大学） ； BioTechMed-Graz（BioTechMed-格拉茨） ； IDea_Lab 纠错

AI总结 CONSIGN通过分解的空间分组指导，改进图像分割的不确定性量化，采用符合性预测框架，结合空间相关性，提升分割性能和不确定性估计质量。

Comments Accepted as poster at ICLR 2026

RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization

RECON：通过显式规范定向归一化实现鲁棒对称发现

Alonso Urbano, David W. Romero, Max Zimmer, Sebastian Pokutta

机构 * Department for AI in Society, Science, and Technology, Zuse Institute Berlin (ZIB)（人工智能与社会、科学与技术部门，柏林Zuse研究所） ； Cartesia AI ； Institute of Mathematics, Technische Universität Berlin（数学研究所，柏林技术大学） 纠错

AI总结 RECON通过显式规范定向归一化纠正任意规范，实现实例特定姿态分布的无监督发现，检测异常姿态并提升模型性能。

Comments Accepted as a conference paper at ICLR 2026

On Diffusion Modeling for Anomaly Detection

关于扩散模型在异常检测中的应用

Victor Livernoche, Vineet Jain, Yashar Hezaveh, Siamak Ravanbakhsh

机构 * School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Department of Physics, University of Montreal（蒙特利尔大学物理系） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

AI总结 本文探讨了扩散模型在无监督和半监督异常检测中的不同变体，提出扩散时间估计方法，在保持性能的同时显著提升推理效率。

Journal ref Proceedings of the International Conference on Learning Representations (ICLR 2024)

How to make the most of your masked language model for protein engineering

如何充分利用你的掩码语言模型进行蛋白质工程

Calvin McCarter, Nick Bhattacharya, Sebastian W. Ober, Hunter Elliott

机构 * BigHat Biosciences（BigHat生物科学公司） 纠错

AI总结 本文提出一种灵活有效的掩码语言模型采样方法，通过系统评估模型和方法在抗体工程中的实际应用，揭示采样方法对生物性质优化的重要性。

Comments Accepted into the GEM Workshop, ICLR 2026

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

Chebyshev-Augmented One-Shot Transfer Learning for PINNs on Nonlinear Differential Equations

Chebyshev增强的一次式迁移学习用于非线性微分方程的PINN

Yiqi Rao, Pavlos Protopapas

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出结合Chebyshev多项式近似与一次式迁移学习，扩展了可应用于一次式PINN迁移的非线性函数类别，通过多项式非线性分解实现快速在线适应。

Comments 18 pages, 4 figures, 9 tables, accepted to ICLR 2026 Workshop on Artificial Intelligence and Partial Differential Equations

Multimodal Data Curation Through Ranked Retrieval

通过排序检索进行多模态数据整理

Pratyush Muthukumar, Harshil Kotamreddy, Sarah Amiraslani, Tomo Kanazawa, Ramani Akkati, Shaan Jain, Andrew Mathau

机构 * NVIDIA 纠错

AI总结 本文提出通过优化训练对和嵌入模型来提升多模态检索对齐，利用对称核子采样和专家嵌入引擎减少模态驱动的分离，有效缩小模态差距。

Comments ICLR DATA-FM 2026

CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation

CellxPert：一种多组学单细胞基础模型的推理时间MCMC引导方法用于计算机模拟扰动

Andac Demir, Erik W. Anderson, Jeremy L. Jenkins, Srayanta Mukherjee

机构 * Novartis Biomedical Research（诺华生物医学研究） 纠错

AI总结 CellxPert通过整合多组学数据，实现了对单细胞和空间多组学的统一表示，支持细胞类型注释、扰动响应预测和多组学整合，采用MCMC方法提升生物可解释性。

Journal ref ICLR Machine Learning for Genomics Explorations Workshop 2026

When Less Is More: Simplicity Beats Complexity for Physics-Constrained InSAR Phase Unwrapping

少即是多：为物理约束的InSAR相位解包裹，简单胜于复杂

Prabhjot Singh, Manmeet Singh

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； RediMinds Inc.（RediMinds公司） ； Western Kentucky University（韦伯斯特-肯特大学） 纠错

AI总结 本文挑战高复杂度计算机视觉架构在物理约束地物回归中的适用性，证明卷积局部性在平滑场回归中优于现代复杂度，提出简单物理约束的ML4RS方法。

Comments 9 pages, 5 figures, 2 tables. Oral presentation, ML4RS Workshop @ ICLR 2026

MambaSL: Exploring Single-Layer Mamba for Time Series Classification

MambaSL：探索单层Mamba用于时间序列分类

Yoo-Min Jung, Leekyung Kim

机构 * Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系） 纠错

AI总结 本文提出MambaSL，通过最小化修改单层Mamba的选择性SSM和投影层，基于四个时间序列分类特定假设，改进了Mamba在时间序列分类中的表现，并在统一协议下重新评估了20个基线模型，取得显著提升。

Comments accepted at ICLR 2026

Nearly-Optimal Bandit Learning in Stackelberg Games with Side Information

在有侧信息的Stackelberg博弈中近最优的探索学习

Maria-Florina Balcan, Martino Bernasconi, Matteo Castiglioni, Andrea Celli, Keegan Harris, Zhiwei Steven Wu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bocconi University（博科尼大学） ； Politecnico di Milano（米兰理工学院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了在有侧信息的Stackelberg博弈中在线学习问题，提出算法在Bandit反馈下达到O(T^{1/2})的 regret，优于之前的O(T^{2/3})。方法通过将问题转化为效用空间的线性上下文带宽问题，扩展到未知效用函数和拍卖、贝叶斯说服等场景。

Comments Accepted to ICLR 2026

Scaling Reasoning Hop Exposes Weaknesses: Demystifying and Improving Hop Generalization in Large Language Models

推理步扩展揭示弱点：解密和改进大语言模型中的推理泛化

Zhaoyi Li, Jiatong Li, Gangwei Jiang, Linqi Song, Defu Lian, Ying Wei

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学） ； City University of Hong Kong, Shenzhen Research Institute（香港城市大学深圳研究院） 纠错

AI总结 本文通过多领域任务研究发现，推理错误集中在少数关键错误类型的位置，而非均匀分布。提出在推理过程中动态识别并禁用错误处理头，从而提升推理步泛化能力。

Comments 52 pages, accepted by ICLR 2026 main conference

NRGPT: An Energy-based Alternative for GPT

NRGPT：一种基于能量的GPT替代方案

Nima Dehmamy, Benjamin Hoover, Bishwajit Saha, Leo Kozachkov, Jean-Jacques Slotine, Dmitry Krotov

机构 * IBM Research（IBM研究院） ； Georgia Tech（佐治亚理工学院） ； Brown University（布朗大学） ； MIT（麻省理工学院） 纠错

AI总结 NRGPT通过最小化修改将GPT与能量基模型框架统一，其推理过程被视为在能量景观上探索，实验证明在特定条件下可转化为梯度下降，适用于简单语言、代数任务和更复杂的语言建模。

Comments Accepted to ICLR 2026 main conference