期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
重新思考大语言模型中的不确定性估计：一种原理性的单序列度量
机构 * ELLIS Unit Linz and LIT AI Lab（林茨ELLIS单元和LIT AI实验室） ； Institute for Machine Learning, Johannes Kepler University Linz（机器学习研究所，林茨约瑟夫·克里格大学） ； NXAI GmbH（NXAI公司）
AI总结 本文提出基于proper scoring rules框架的G-NLL方法，通过单序列贪心解码实现高效可靠的不确定性估计，挑战传统多序列方法的必要性。
Comments ICLR 2026
对抗领域：通过互动竞争进行众包数据生成
机构 * Amazon Nova Responsible AI（亚马逊Nova负责任人工智能）
AI总结 本文提出对抗领域框架，通过攻击者和防御者之间的互动竞争生成高质量对话数据，提升低资源领域和多轮对话的质量。
Comments 10 pages, 3rd DATA-FM workshop @ ICLR 2026
多样字典学习
机构 * CMU（卡内基梅隆大学） ； MBZUAI（马克斯·普朗克人工智能研究所） ； NYU（纽约大学）
AI总结 本文提出多样字典学习问题，探讨在无法完全辨识的情况下，如何通过集合运算恢复潜在变量的结构，并展示其在合成和真实数据中的有效性。
Comments ICLR 2026
LASER：低秩激活SVD用于高效递归
机构 * Harvard University（哈佛大学）
AI总结 本文研究了递归架构中激活流形的几何结构，提出LASER框架通过动态压缩实现激活记忆节省，同时保持模型精度。
Comments Accepted to the Latent and Implicit Thinking Workshop at ICLR 2026
误差作为信号：通过嵌入式龙格-库塔引导的刚性感知扩散采样
机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Seoul National University（首尔国立大学） ； Korea Institute for Advanced Study（韩国高级研究院）
AI总结 本文提出嵌入式龙格-库塔引导方法，通过识别刚性区域减少局部截断误差，提升扩散模型采样稳定性与质量。
Comments ICLR 2026
SOK：代理供应链运行时的攻击向量和防御策略分类
机构 * Independent Researcher（独立研究者）
AI总结 本文系统化了现有研究，提出统一的运行时框架，区分数据和工具供应链攻击，并识别出病毒代理循环现象，主张采用零信任运行时架构。
Comments Published at ICLR 2026 Workshop on AI for Mechanism Design and Strategic Decision Making
超越URLs：元数据多样性与位置对高效LLM预训练的影响
机构 * EPFL（苏黎世联邦理工学院） ； University of Southern California（南加州大学）
AI总结 本文研究了元数据类型对LLM预训练的影响，发现细粒度文档质量指标能提升训练效率，并提出元数据追加方法以加速预训练过程。
Comments ICLR 2026
大语言模型判官的保质期：未来证明、向后兼容性和问题泛化
机构 * Salesforce AI Research（Salesforce AI研究院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Dartmouth College（达特茅斯学院）
AI总结 本文研究了细调判官模型在现实部署中的挑战，探讨了未来证明、向后兼容性和问题泛化三个核心问题，并通过实验发现持续学习在适应响应分布变化方面表现更优。
Comments Updated after ICLR 2026 Acceptance; 29 pages;
RefineStat: 高效探索概率程序合成
机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 RefineStat通过引入语言模型驱动框架，在概率程序合成中强制语义约束并应用诊断感知细化，提升生成程序的语法正确性和统计可靠性。
Comments RefineStat constrains LM decoding with statistical validity checks and uses diagnostic-guided resampling (priors/likelihoods) to transform small LMs' drafts into correct, reliable probabilistic programs that can match or surpass closed-source models
Journal ref ICLR 2026 (Oral)
通过多尺度高斯学习残基水平蛋白质动力学
机构 * CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Dept. of Mathematics, Massachusetts Institute of Technology（麻省理工学院数学系）
AI总结 本文提出DynaProt框架，通过多变量高斯方法从静态结构预测蛋白质动力学，实现残基灵活性预测和协方差矩阵重建，具有更少参数和高精度。
Comments ICLR 2026
Bi-LoRA：高效锐度感知最小化用于大规模模型微调
机构 * Institute of Image Processing and Pattern Recognition, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（图像处理与模式识别研究所，自动化与智能感知学院，上海交通大学） ； MoE Key Laboratory of System Control and Information Processing (Shanghai)（系统控制与信息处理MOE重点实验室（上海））
AI总结 Bi-LoRA通过引入辅助LoRA模块，有效解决传统SAM在LoRA参数上的限制，实现更高效的锐度优化，提升模型泛化能力。
Comments 32 pages,ICLR 2026
DriveAgent-R1: 通过主动感知和混合思维推进基于视觉语言模型的自动驾驶
机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； LiAuto ； Tongji University（同济大学） ； Tsinghua University（清华大学）
AI总结 DriveAgent-R1通过主动感知和混合思维框架，提升自动驾驶中的视觉推理能力，采用三阶段训练策略，在复杂场景中实现高效决策，展现与顶级模型相当的性能。
Comments Accepted to ICLR 2026
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
FairNVT：通过噪声注入提升视觉变换器的公平性
机构 * University of British Columbia（不列颠哥伦比亚大学） ； RBC Borealis ； Simon Fraser University（西蒙 Fraser大学）
AI总结 FairNVT通过在视觉变换器中注入噪声，提升表示和预测层面的公平性，同时保持任务准确性，采用轻量适配器学习任务相关和敏感嵌入，并通过校准高斯噪声和正交约束减少敏感属性泄露。
Comments ICLR 2026 Algorithmic Fairness Across Alignment Procedures and Agentic Systems (AFAA) Workshop
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
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