期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
通过分位数偏效应进行因果发现
机构 * Shanghai Key Laboratory of Trustworthy Computing, East China Normal University（华东师范大学上海市可信计算重点实验室）
AI总结 本文提出分位数偏效应(QPE)作为因果发现的统计量，证明在有限线性空间假设下，因果方向可从观测分布中识别，扩展了传统因果模型的可识别性结果，并通过基函数测试区分因果方向，验证了Fisher信息在多变量因果发现中的有效性。
Comments 29 pages, 6 figures; ICLR 2026
SoSBench：在六个科学领域中对安全对齐进行基准测试
机构 * University of Washington（华盛顿大学） ； University of Georgia（佐治亚大学） ； WWU（西华盛顿大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校）
AI总结 SoSBench针对高风险科学领域设计，通过3000个基于真实法规的提示评估大模型的安全性，揭示了先进模型在处理危险场景时存在严重的安全对齐缺陷。
Comments Project Page: https://sosbench.github.io/; ICLR 2026
SpikeStereoNet：一种受大脑启发的立体深度估计框架，用于从尖峰流中估计立体深度
机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理全国重点实验室） ； Center on Frontiers of Computing Studies, School of Computer Science, Peking University（北京大学计算机学院计算前沿研究中心） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院）
AI总结 本文提出SpikeStereoNet，一种受大脑启发的立体深度估计框架，直接从原始尖峰流中估计立体深度。该模型融合两个视角的原始尖峰流，并通过递归尖峰神经网络更新模块迭代优化深度估计。
Comments Accepted at ICLR 2026
从感知到行动：弥合推理与决策以实现机器人操作
机构 * Tianjin University（天津大学）
AI总结 本文提出FSD模型，通过空间关系推理生成中间表示，提升机器人操作的泛化能力，在8个基准测试中表现优异，且在零样本任务中实现显著性能提升。
Comments Published as a conference paper at ICLR 2026. Our project homepage: https://embodied-fsd.github.io/
SPRIG：通过系统提示优化提升大语言模型性能
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Michigan（密歇根大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； LG AI Research（LG AI 研究院）
AI总结 本文提出SPRIG，一种基于编辑的遗传算法，通过优化通用提示提升大语言模型性能，发现系统提示与任务提示结合可进一步提升效果。
Comments Accepted at ICLR 2026
Flash-Mono: 基于前馈加速的高斯点云单目SLAM
机构 * Fudan University（复旦大学） ； ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 Flash-Mono通过前馈预测前端和高效隐藏状态模块，解决了单目高斯点云SLAM在时间效率、几何精度和多视角一致性方面的不足，实现10倍速度提升和高质量渲染。
Journal ref International Conference on Learning Representations, 2026
DeltaLogic: 最小前提编辑揭示逻辑推理模型中的信念修正失败
机构 * Amazon（亚马逊）
AI总结 DeltaLogic通过最小证据变化评估逻辑推理模型的信念修正能力，发现初始推理能力强并不等于修正行为强，Qwen3-4B在修正任务中仍存在惯性失败，Phi-4-mini-instruct表现更优但仍有非 trivial 抽象问题。
Comments ICLR 2026 Workshop on Logical Reasoning of Large Language Models
GBQA：用于评估LLM作为质量保证工程师的博弈基准
机构 * The University of Hong Kong（香港大学） ； Independent Researcher（独立研究者） ； Westlake University（西湖大学） ； Datawhale Org（Datawhale组织）
AI总结 本文提出GBQA基准，通过30款游戏和124个经人类验证的bug测试LLM自主发现软件缺陷的能力，实验表明最佳模型仅能识别48.39%的bug。
Comments Accepted as a workshop paper at the Fourteenth International Conference on Learning Representations (ICLR 2026)
在去中心化后训练中的后门攻击
机构 * University of Neuchâtel（纳沙泰尔大学） ； Radboud University（拉德堡德大学） ； Delft University of Technology（代尔夫特理工大学） ； SecureML ； University of Zagreb（萨格勒布大学）
AI总结 本文提出首个针对流水线并行的后门攻击，通过控制中间阶段实现模型对齐偏差，实验显示触发词可使对齐率从80%降至6%，且在安全对齐训练下仍成功60%。
Comments Accepted to ICLR 2026 Workshop 'Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities'
OPRIDE: 通过数据集内探索实现离线偏好驱动强化学习
机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； Tsinghua University（清华大学） ； Moonshot AI（月之暗面） ； Amazon（亚马逊） ； University of Arizona（亚利桑那大学） ； Washington University in St. Louis（圣路易斯华盛顿大学）
AI总结 本文提出OPRIDE算法，通过改进探索策略和折扣调度机制提升离线偏好驱动强化学习的查询效率，实验表明其在多种任务中表现优异。
Journal ref ICLR-2026
从抽象到语境：大语言模型在数学中仍无法做到的事情
AI总结 研究揭示LLM在现实应用中数学推理能力不足，提出ContextMATH基准测试，发现正确问题建模是成功的关键，但建模与推理仍是限制因素。
Comments ICLR 2026
文本平衡传播用于深度复合人工智能系统
机构 * Nanyang Technological University（南洋理工大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出文本平衡传播（TEP），通过局部学习原理解决长周期工作流中文本梯度爆炸和消失问题，提升深度复合AI系统的准确性和效率。
Comments Accepted to ICLR 2026
隐私超越像素：用于隐私保护视频理解的潜在匿名化
机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） ； Adobe
AI总结 本文提出了一种在潜在空间中操作的视频基础模型视觉隐私保护新方法，通过轻量级匿名化适配模块在保留任务实用性的同时去除隐私信息，显著降低隐私泄露，适用于多种下游任务。
Comments Accepted to ICLR 2026
f-INE：一种用于在训练随机性下估计影响的假设检验框架
机构 * Indian Institute of Science（印度科学研究所） ； University of Southern California（南加州大学） ； Washington University（华盛顿大学）
AI总结 本文提出f-influence框架，通过假设检验解决训练随机性导致的影响估计不稳定问题，并设计高效算法f-INE实现单次训练运行内的影响估计，用于数据清理和模型行为归因。
Journal ref The Fourteenth International Conference on Learning Representations (ICLR), 2026
ARMOR：通过自适应矩阵分解实现高性能半结构化剪枝
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ARMOR通过自适应矩阵分解技术，实现高效的半结构化剪枝，保留模型质量的同时提升压缩效率和任务准确性。
Comments ICLR 2026, code: https://github.com/LawrenceRLiu/ARMOR
超越噪声TVs：通过学习进度监控实现噪声鲁棒探索
AI总结 本文提出学习进度监控(LPM)方法，通过奖励模型改进而非预测误差或新颖性，提升探索效率，实验证明其在噪声环境中的优越性。
Comments Accepted for ICLR 2026
Journal ref International Conference on Learning Representations (ICLR) 2026
LMask: 通过惰性掩码学习解决受约束的路由问题
机构 * Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； 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） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）
AI总结 LMask通过动态掩码生成高质量可行解，解决受约束的路由问题，采用惰性掩码解码方法和强化强度嵌入，提升解的质量和效率。
Comments Accepted to the Fourteenth International Conference on Learning Representations (ICLR 2026)
在对开源大语言模型进行微调时要小心：你的微调数据可能被偷偷窃取！
机构 * The Conversational AI (CoAI) group, DCST, Tsinghua University（清华大学计算机科学与技术系对话式人工智能组） ； The University of Melbourne（墨尔本大学） ； MYbank, Ant Group（蚂蚁集团网商银行）
AI总结 研究揭示了在开源大语言模型上微调时，通过简单后门训练可能窃取私有微调数据的风险，实验表明提取成功率高达76.3%，并提出检测防御策略但发现其易被绕过。
Comments Accepted to ICLR 2026
gen2seg：生成模型实现可推广的实例分割
机构 * University of California, Davis（加州大学戴维斯分校）
AI总结 本文通过生成模型预训练合成图像，实现对实例分割的可推广方法，使用实例着色损失在特定物体类型上微调，展现零样本泛化能力，优于现有方法。
Comments ICLR 2026 camera ready. Website: https://reachomk.github.io/gen2seg/
通过条件固定点迭代实现因果模型的 amortized 推断
机构 * Mila, Université de Montréal（蒙特利尔大学米拉研究所） ； Microsoft Research（微软研究院）
AI总结 本文提出一种 amortized 推断框架，通过条件固定点迭代推断因果模型的因果机制，能够在不更新参数的情况下生成观测和干预数据，实验表明其在数据稀缺时表现更优。
Comments Transactions on Machine Learning Research (TMLR) 2025 (J2C Certification). ICLR 2026
在非平稳性中排名和梯度的丧失：用于缓解强化学习中塑性丧失的样本权重衰减
机构 * School of Computer Software, Tianjin University（天津大学计算机软件学院） ； International Joint Institute of Tianjin University, Fuzhou（天津大学福州国际联合学院） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文从网络优化的理论视角研究了非平稳性导致的塑性丧失问题，通过分析数据分布和目标非平稳性，提出样本权重衰减方法以缓解梯度衰减，提升强化学习性能。
Comments ICLR
在有噪声观测下的先知不等式学习
机构 * CREST, ENSAE, IP Paris（CREST, ENSAE, 巴黎综合理工学院） ； Criteo AI Lab（Criteo AI实验室） ； FairPlay joint team（FairPlay联合团队）
AI总结 研究在有噪声观测和未知奖励分布的环境下，通过LCB阈值结合学习与决策，实现在线决策中的最优停止，取得1-1/e的竞争比和1/2的非独立分布竞争比。
Comments ICLR 2026
显而易见的隐含意义：RebusBench用于评估认知视觉推理
AI总结 本文提出RebusBench基准，用于评估模型在需要多步推理的隐含意义理解能力，发现现有模型在认知连接方面存在缺陷。
Comments Accepted at ICLR 2026 Workshop: From Human Cognition to AI Reasoning (HCAIR)
图扩散模型中的偏差缓解
机构 * School of Information Science & Engineering, Lanzhou University（兰州大学信息科学与工程学院）
AI总结 本文提出方法缓解图扩散模型中的反向起始偏差和暴露偏差，通过改进的Levin采样算法和新的得分修正机制，无需修改网络即可在多个模型和任务中取得最佳效果。
Comments Accepted to ICLR 2025!
PAVE：基于前提的验证与编辑用于检索增强的大语言模型
机构 * Ryquo ； App-In Club
AI总结 PAVE通过在推理阶段验证和编辑检索到的证据，提高检索增强大语言模型的回答一致性。在两个证据基础问答任务中，PAVE在跨度基础基准上提升了32.7个准确率点。
Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models
高效平衡思考推理
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhongguancun Academy（中关村学院） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出ReBalance框架，通过平衡思考提升推理效率，减少冗余并提高准确性，适用于多种推理任务。
Comments Accepted by ICLR 2026
具有代理特性的逻辑推理代理评估
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出一种评估和基准测试逻辑推理代理的框架，通过代理评估实现可重复、可审计和抗执行失败的评估。案例研究中，自动形式化代理在FOLIO验证集上以86.70%的准确率超越了基线方法。
Comments Accepted at ICLR 2026 Agents in the Wild (AIWILD) Workshop. 5 pages, 2 figures, 1 table
WFR-FM：无模拟动态不平衡最优传输
机构 * LMAM and School of Mathematical Sciences, Peking University（北京大学数学科学学院及数学及其应用实验室） ； Center for Quantitative Biology, Peking University（北京大学定量生物学中心） ； Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； NSF-Simons Center for Multiscale Cell Fate Research, University of California, Irvine（加州大学尔湾分校NSF-Simons多尺度细胞命运研究中心） ； Department of Developmental and Cell Biology, University of California, Irvine（加州大学尔湾分校发育与细胞生物学系） ； Department of Mathematics, University of California, Irvine（加州大学尔湾分校数学系） ； National Engineering Laboratory for Big Data Analysis and Applications, Beijing（北京大数据分析与应用技术国家工程实验室） ； AI for Science Institute, Beijing（北京科学智能研究院）
AI总结 WFR-FM通过结合位移与质量变化，统一了流匹配与动态不平衡最优传输，解决了传统方法不稳定、计算成本高和难以扩展的问题，提升了单细胞生物学中轨迹推断的准确性和鲁棒性。
Journal ref International Conference on Learning Representations (2026)
对齐以错位：基于元优化LLM评判者的自动LLM劫持
机构 * Yonsei University（延世大学） ； Microsoft Research（微软研究院）
AI总结 本文提出AMIS框架，通过双层结构联合优化劫持提示和评分模板，提升LLM劫持效果，实测在AdvBench和JBB-Behaviors上取得最佳性能。
Comments ICLR 2026
大语言模型中工具学习的可证明优势
机构 * ETH Zürich（苏黎世联邦理工学院） ； Inria, Univ. Rennes 2（法国国家信息与自动化研究所，雷恩第二大学） ； FAIR at Meta（Meta FAIR实验室）
AI总结 本文探讨了工具学习在事实回忆中的优势，证明通过工具可实现无限制的事实回忆，优于单纯记忆。
Journal ref ICLR 2026 MemAgents Workshop
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