ICLR

Fast training of accurate physics-informed neural networks without gradient descent

快速训练准确的物理信息神经网络而无需梯度下降

Chinmay Datar, Taniya Kapoor, Abhishek Chandra, Qing Sun, Erik Lien Bolager, Iryna Burak, Anna Veselovska, Massimo Fornasier, Felix Dietrich

机构 * Technical University of Munich（慕尼黑技术大学） ； TUM Institute for Advanced Study（TUM高级研究学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Wageningen University & Research（瓦赫宁根大学与研究中心） ； KTH Royal Institute of Technology（皇家理工学院） ； Munich Data Science Institute（慕尼黑数据科学研究所） 纠错

AI总结 本文提出Frozen-PINN，通过空间时间分离原理和随机特征替代梯度下降，解决PINN在准确性和训练速度上的瓶颈，实现高效且因果的PDE求解。

Comments Accepted as an oral presentation (top 1.13% of all submissions) at ICLR 2026 (60 pages)

Journal ref The Fourteenth International Conference on Learning Representations, 2026

Figma2Code: Automating Multimodal Design to Code in the Wild

Figma2Code: 将多模态设计转换为代码的自动化

Yi Gui, Jiawan Zhang, Yina Wang, Tianran Ma, Yao Wan, Shilin He, Dongping Chen, Zhou Zhao, Wenbin Jiang, Xuanhua Shi, Hai Jin, Philip S Yu

AI总结 本文提出Figma2Code任务，通过收集Figma文件元数据与设计图像，构建高质量数据集，评估多种多模态大语言模型，发现专有模型在视觉保真度上表现优异，但布局响应性和代码可维护性有限。

Comments ICLR 2026

SSD-GS: Scattering and Shadow Decomposition for Relightable 3D Gaussian Splatting

SSD-GS：散射与阴影分解用于可重照明的3D高斯点云

Iris Zheng, Guojun Tang, Alexander Doronin, Paul Teal, Fang-Lue Zhang

机构 * Victoria University of Wellington（惠灵顿维多利亚大学） 纠错

AI总结 SSD-GS通过分解反射率成四个组件，提升3D高斯点云在新型光照条件下的重建与真实重照明能力，尤其适用于各向异性金属和透明材料。

Comments Accepted to ICLR 2026. Code available at: https://github.com/irisfreesiri/SSD-GS

Binomial Gradient-Based Meta-Learning for Enhanced Meta-Gradient Estimation

二项式梯度基于元学习用于增强元梯度估计

Yilang Zhang, Abraham Jaeger Mountain, Bingcong Li, Georgios B. Giannakis

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Minnesota（明尼苏达大学） ； Department of Computer Science（计算机科学系） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出BinomGBML方法，通过二项式展开提升元梯度估计精度，理论分析显示其误差界优于现有方法且在温和条件下呈超指数衰减，实验验证了方法的有效性。

Comments Accepted as poster at ICLR 2026. Code available at https://github.com/AbrahamJJM/binomgbml

Hessian-Enhanced Token Attribution (HETA): Interpreting Autoregressive LLMs

Hessian-Enhanced Token Attribution (HETA): 解释自回归语言模型

Vishal Pramanik, Maisha Maliha, Nathaniel D. Bastian, Sumit Kumar Jha

机构 * Department of Computer & Information Science & Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院） ； Department of Electrical Engineering and Computer Science, United States Military Academy（美国军事学院电子工程与计算机科学系） 纠错

AI总结 HETA提出了一种针对解码器-only语言模型的新型解释框架，结合语义过渡向量、Hessian敏感度评分和KL散度，提升上下文感知和因果解释能力，通过基准数据集验证其在生成任务中的优越性。

Comments Accepted at ICLR 2026

Correct Chains, Wrong Answers: Dissociating Reasoning from Output in LLM Logic

正确推理，错误答案：分离LLM中的推理与输出

Abinav Rao, Sujan Rachuri, Nikhil Vemuri

AI总结 本文提出新型操作测试基准，区分操作逻辑与名称，揭示LLM在深度推理中存在策略与内容两类失败模式，验证名称不决定推理能力。

Comments 9 pages, 4 figures. ICLR 2026 Workshop on Logical Reasoning of LLMs

Reading Between the Pixels: Linking Text-Image Embedding Alignment to Typographic Attack Success on Vision-Language Models

在像素之间阅读：将文本-图像嵌入对齐与字体攻击成功性联系起来

Ravikumar Balakrishnan, Sanket Mendapara, Ankit Garg

机构 * Cisco Systems（思科系统） 纠错

AI总结 研究了视觉-语言模型中字体提示注入攻击的影响，发现字体大小、文本攻击有效性及嵌入距离对攻击成功率有显著影响，为防御策略提供实证指导。

Comments Accepted at ICLR 2026 Workshop on Agents in the Wild

TRIM: Hybrid Inference via Targeted Stepwise Routing in Multi-Step Reasoning Tasks

TRIM：通过多步推理任务中的目标逐步路由进行混合推理

Vansh Kapoor, Aman Gupta, Hao Chen, Anurag Beniwal, Jing Huang, Aviral Kumar

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 TRIM通过目标逐步路由在多步推理任务中提升推理效率，通过识别错误步骤并分配不同模型处理，实现更高的成本效率。

Comments Accepted at ICLR 2026

Guided Transfer Learning for Discrete Diffusion Models

指导式迁移学习用于离散扩散模型

Julian Kleutgens, Claudio Battiloro, Lingkai Kong, Benjamin Grewe, Francesca Dominici, Mauricio Tec

机构 * Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出GTL方法，通过比率引导实现离散扩散模型的迁移学习，解决小数据下模型性能问题，展示在序列数据中效果显著，但存在源分布与目标分布重叠不足时的失效模式。

Comments Accepted at ICLR 2026 ReALM-GEN Workshop 9 pages (main text) + appendix

Journal ref ICLR 2026 ReALM-GEN Workshop

SAQ: Stabilizer-Aware Quantum Error Correction Decoder

SAQ：面向稳定子的量子纠错解码器

David Zenati, Eliya Nachmani

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） 纠错

AI总结 本文提出SAQ解码器，结合Transformer学习与约束感知后处理，实现接近最大似然准确率和线性计算可扩展性，优于现有神经和经典方法。

Comments Accepted to ICLR 2026

SPG: Sandwiched Policy Gradient for Masked Diffusion Language Models

SPG：用于遮蔽扩散语言模型的夹心策略梯度

Chenyu Wang, Paria Rashidinejad, DiJia Su, Song Jiang, Sid Wang, Siyan Zhao, Cai Zhou, Shannon Zejiang Shen, Feiyu Chen, Tommi Jaakkola, Yuandong Tian, Bo Liu

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院） ； USC（南加州大学） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文提出SPG策略梯度方法，通过同时利用真实对数似然的上下界，解决扩散大语言模型在强化学习中对齐人类偏好或任务奖励的难题，实验显示其在多个任务中表现优异。

Comments ICLR 2026

Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching

离散指导匹配：用于离散流匹配的精确指导

Zhengyan Wan, Yidong Ouyang, Liyan Xie, Fang Fang, Hongyuan Zha, Guang Cheng

机构 * School of Statistics, East China Normal University（华东师范大学统计学院） ； Department of Statistics, University of California, Los Angeles（加州大学洛杉矶分校统计系） ； Department of Industrial and Systems Engineering, University of Minnesota（明尼苏达大学工业与系统工程系） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） 纠错

AI总结 本文提出了一种新的离散数据指导框架，通过推导所需分布的精确转移率，提高采样效率，并展示了其在能量引导模拟和文本到图像生成中的有效性。

Comments Published as a conference paper at ICLR 2026

ProRe: A Proactive Reward System for GUI Agents via Reasoner-Actor Collaboration

ProRe：通过推理器-执行器协作的GUI代理前瞻性奖励系统

Gaole Dai, Shiqi Jiang, Ting Cao, Yuqing Yang, Yuanchun Li, Rui Tan, Mo Li, Lili Qiu

机构 * NTU（国立新加坡大学） ； Microsoft Research（微软研究院） ； Tsinghua University（清华大学） ； HKUST（香港理工大学） 纠错

AI总结 ProRe通过推理器与领域特定评估器协作，提升GUI代理奖励准确性与F1分数，实验显示奖励准确性和F1分数提升达5.3%和19.4%。

Comments 23 pages, 12 figures, ICLR'2026

Journal ref The Fourteenth International Conference on Learning Representations, 2026

Rapid training of Hamiltonian graph networks using random features

利用随机特征快速训练哈密顿图网络

Atamert Rahma, Chinmay Datar, Ana Cukarska, Felix Dietrich

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； TUM Institute for Advanced Study（技术大学高级研究学院） ； Munich Data Science Institute（慕尼黑数据科学研究所） 纠错

AI总结 本文提出利用随机特征构建参数的方法，使哈密顿图网络在训练速度上提升150-600倍，同时保持准确性，适用于大规模物理系统模拟。

Comments Accepted to ICLR 2026

Journal ref In Proceedings of the International Conference on Learning Representations (ICLR), 2026

Understanding and Improving Continuous Adversarial Training for LLMs via In-context Learning Theory

通过上下文学习理论理解并改进LLMs的连续对抗训练

Shaopeng Fu, Di Wang

机构 * Provable Responsible AI and Data Analytics (PRADA) Lab（可证责任AI与数据分析实验室） ； King Abdullah University of Science and Technology（卡布斯大学） 纠错

AI总结 本文基于上下文学习理论，首次对LLMs的连续对抗训练进行了理论分析，提出通过引入奇异值正则化项提升对抗训练的鲁棒性与实用性。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

Algorithmic Analysis of Dense Associative Memory: Finite-Size Guarantees and Adversarial Robustness

密集关联记忆的算法分析：有限规模保证与对抗鲁棒性

Madhava Gaikwad

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文通过算法分析，为密集关联记忆的检索动态提供有限规模保证，并证明其在高加载条件下具有对抗鲁棒性，同时展示了容量保证和收敛时间。

Comments 21 pages, 9 figures, Accepted in New Frontiers in Associative Memory workshop at ICLR 2026

TimeSeriesExamAgent: Creating Time Series Reasoning Benchmarks at Scale

时间序列考试代理：大规模创建时间序列推理基准测试

Malgorzata Gwiazda, Yifu Cai, Mononito Goswami, Arjun Choudhry, Artur Dubrawski

机构 * Technical University of Munich（慕尼黑技术大学） ； Auton Lab, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院自主实验室） 纠错

AI总结 本文提出TimeSeriesExamAgent，通过模板灵活性与LLM代理创造力结合，创建涵盖医疗、金融和天气领域的综合性时间序列推理基准测试，验证LLM在时间序列理解上的能力与局限。

Journal ref Proc. Int. Conf. Learn. Representations ICLR (2026)

Turbo-DDCM: Fast and Flexible Zero-Shot Diffusion-Based Image Compression

Turbo-DDCM：快速且灵活的零样本扩散图像压缩

Amit Vaisman, Guy Ohayon, Hila Manor, Michael Elad, Tomer Michaeli

机构 * Technion – Israel Institute of Technology（技术学院—以色列理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） 纠错

AI总结 本文提出Turbo-DDCM，一种快速且高效的零样本扩散图像压缩方法，通过优化噪声向量处理和编码协议，提升压缩效率并保持性能。

Comments ICLR 2026. Code is available at https://amitvaisman.github.io/turbo_ddcm/

Point Prompting: Counterfactual Tracking with Video Diffusion Models

点提示：基于视频扩散模型的反事实跟踪

Ayush Shrivastava, Sanyam Mehta, Daniel Geng, Andrew Owens

机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出利用视频扩散模型进行零样本点跟踪，通过提示模型在视频中标记移动点，实现反事实生成，实验表明其跟踪效果优于传统方法且能克服遮挡。

Comments ICLR 2026. Project link: https://point-prompting.github.io

Robust Federated Inference

鲁棒联邦推断

Akash Dhasade, Sadegh Farhadkhani, Rachid Guerraoui, Nirupam Gupta, Maxime Jacovella, Anne-Marie Kermarrec, Rafael Pinot

机构 * EPFL（苏黎世联邦理工学院） ； University of Copenhagen（哥本哈根大学） ； Sorbonne Université and Université Paris Cité, CNRS, LPSM（巴黎索邦大学和巴黎cité大学，法国国家科学研究中心，巴黎数学研究所） 纠错

AI总结 本文提出鲁棒联邦推断框架，通过结合对抗训练与测试时鲁棒聚合，提升非线性聚合器的鲁棒性，在多个基准测试中准确率提升4.7-22.2%。

Comments Accepted at ICLR 2026

SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From

SeedPrints: 指纹甚至能告诉你是哪种种子训练了你的大型语言模型

Yao Tong, Haonan Wang, Siquan Li, Kenji Kawaguchi, Tianyang Hu

机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 本文提出SeedPrints方法，通过随机初始化偏倚实现LLM的内在指纹识别，解决了传统指纹方法在大规模预训练阶段可靠性不足的问题，实现了从初始化到全生命周期的身份验证。

Comments Accepted to ICLR 2026. The code repository linked on OpenReview is outdated; the latest code is available via the final arXiv version

ASGuard: Activation-Scaling Guard to Mitigate Targeted Jailbreaking Attack

ASGuard：激活-缩放防护：缓解针对性劫持攻击

Yein Park, Jungwoo Park, Jaewoo Kang

机构 * Korea University（韩国大学） ； AIGEN Sciences（AIGEN公司） 纠错

AI总结 本文提出ASGuard框架，通过电路分析识别与针对性劫持相关的注意力头，训练通道缩放向量重新校准激活，结合预防性微调提升模型拒绝能力，有效降低攻击成功率并保持模型性能。

Comments ICLR 2026, 29 pages, 11 figures

Replicable Reinforcement Learning with Linear Function Approximation

可重复的强化学习与线性函数逼近

Eric Eaton, Marcel Hussing, Michael Kearns, Aaron Roth, Sikata Bela Sengupta, Jessica Sorrell

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出可重复的强化学习算法，针对线性函数逼近问题，设计了高效的随机设计回归和协方差估计算法，并在生成模型和片段设置中实现了可证明高效的可重复RL算法，通过实验验证了其对神经策略的一致性影响。

Comments ICLR 2026

Navigating the Accuracy-Size Trade-Off with Flexible Model Merging

通过灵活模型合并导航精度-大小权衡

Akash Dhasade, Divyansh Jhunjhunwala, Milos Vujasinovic, Gauri Joshi, Anne-Marie Kermarrec

机构 * EPFL（苏黎世联邦理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出FlexMerge框架，灵活生成不同规模的合并模型，并揭示不同算法在精度与规模权衡中的表现差异，验证了其在视觉和NLP任务中的有效性。

Comments Accepted at ICLR 2026

BAH Dataset for Ambivalence/Hesitancy Recognition in Videos for Digital Behavioural Change

用于数字行为改变视频中矛盾/犹豫识别的BAH数据集

Manuela González-González, Soufiane Belharbi, Muhammad Osama Zeeshan, Masoumeh Sharafi, Muhammad Haseeb Aslam, Marco Pedersoli, Alessandro Lameiras Koerich, Simon L Bacon, Eric Granger

机构 * LIVIA, Dept. of Systems Engineering, ETS Montreal, Canada（LIVIA系统工程系，蒙特利尔埃克塞特学院，加拿大） ； LIVIA, Dept. of Software and IT Engineering, ETS Montreal, Canada（LIVIA软件与IT工程系，蒙特利尔埃克塞特学院，加拿大） ； Dept. of Health, Kinesiology, & Applied Physiology, Concordia University, Montreal, Canada（健康、运动科学与应用生理学系，康科迪亚大学，蒙特利尔，加拿大） ； Montreal Behavioural Medicine Centre, CIUSSS Nord-de-l’Ile-de-Montréal, Canada（蒙特利尔行为医学中心，北岛-蒙特利尔医疗与社会服务委员会，加拿大） 纠错

AI总结 本文提出BAH数据集，用于多模态识别视频中的矛盾/犹豫，包含1427个视频，旨在为机器学习模型提供训练数据，通过专家标注和基准测试展示识别挑战。

Comments 46 pages, 21 figures, ICLR 2026

Variational Autoencoding Discrete Diffusion with Enhanced Dimensional Correlations Modeling

变分自编码离散扩散与增强的维度相关性建模

Tianyu Xie, Shuchen Xue, Zijin Feng, Tianyang Hu, Jiacheng Sun, Zhenguo Li, Cheng Zhang

机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Center for Statistical Science, Peking University（北京大学统计科学中心） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Huawei Foundation Model Dept（华为基金会模型部门） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 本文提出VADD框架，通过潜在变量建模增强离散扩散，提升样本质量，尤其在少量去噪步骤时表现优异。

Comments ICLR 2026 Poster; 24 pages, 13 figures

Latent Planning Emerges with Scale

在规模下显现的潜在规划

Michael Hanna, Emmanuel Ameisen

机构 * ILLC, University of Amsterdam（伊拉斯姆斯自由大学，阿姆斯特丹大学） ； Anthropic 纠错

AI总结 本文研究了LLM在简单规划任务中潜在规划能力随规模增加而增强的现象，发现模型能通过内部表示生成未来词并影响上下文，但复杂任务如押韵对句中规划能力有限。

Comments ICLR 2026

Do Transformers Use their Depth Adaptively? Evidence from a Relational Reasoning Task

Transformer 是否会根据深度进行自适应使用？来自关系推理任务的证据

Alicia Curth, Rachel Lawrence, Sushrut Karmalkar, Niranjani Prasad

机构 * Microsoft Research Cambridge（微软研究院剑桥分部） 纠错

AI总结 本文通过控制多跳关系推理任务研究Transformer是否自适应使用深度，发现预训练模型在简单任务中使用较少层，而微调模型在更复杂的任务中更一致地自适应调整深度。

Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models

LiveMoments: Reselected Key Photo Restoration in Live Photos via Reference-guided Diffusion

LiveMoments: 通过参考引导扩散重新选择关键照片的键照片修复

Clara Xue, Zizheng Yan, Zhenning Shi, Yuhang Yu, Jingyu Zhuang, Qi Zhang, Jinwei Chen, Qingnan Fan

机构 * vivo BlueImage Lab（vivo蓝影实验室） ； College of Computer Science, Nankai University（南开大学计算机学院） 纠错

AI总结 本文提出LiveMoments框架，通过参考引导扩散模型修复Live照片中重新选择的关键照片，提升视觉质量和保真度，尤其在快速运动或复杂结构场景中表现优异。

Comments Accepted by ICLR 2026

Robust Optimization for Mitigating Reward Hacking with Correlated Proxies

鲁棒优化用于通过相关代理缓解奖励黑客问题

Zixuan Liu, Xiaolin Sun, Zizhan Zheng

机构 * Department of Computer Science（计算机科学系） 纠错

AI总结 本文提出通过鲁棒策略优化方法应对奖励黑客问题，基于r相关性代理奖励空间，改进代理优化并提升鲁棒性与透明度。

Comments ICLR 2026