ICLR

Learning Explicit Single-Cell Dynamics Using ODE Representations

利用ODE表示学习显式单细胞动力学

Jan-Philipp von Bassewitz, Adeel Pervez, Marco Fumero, Matthew Robinson, Theofanis Karaletsos, Francesco Locatello

机构 * Institute of Science and Technology Austria (ISTA)（科学与技术研究院（ISTA）） ； Chan Zuckerberg Initiative (CZI)（查兰·泽伯基尼倡议） 纠错

AI总结 Cell-MNN通过ODE表示学习显式单细胞动力学，实现端到端训练并学习可解释的基因相互作用

Comments 27 pages, 11 figures

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

Vision-Zero: Scalable VLM Self-Improvement via Strategic Gamified Self-Play

Vision-Zero: 通过战略化游戏化自play实现可扩展的VLM自改进

Qinsi Wang, Bo Liu, Tianyi Zhou, Jing Shi, Yueqian Lin, Yiran Chen, Hai Helen Li, Kun Wan, Wentian Zhao

AI总结 Vision-Zero通过战略化游戏化自play框架，实现无标注数据下的多模态模型自改进，提升推理与跨领域任务性能。

Comments ICLR 2026

Benchmarking ECG FMs: A Reality Check Across Clinical Tasks

ECG FMs的基准测试：跨临床任务的现实检验

M A Al-Masud, Juan Miguel Lopez Alcaraz, Nils Strodthoff

机构 * AI4Health Division, Carl von Ossietzky Universität Oldenburg（AI4Health研究部，奥尔登堡卡尔·冯·奥西特齐克大学） 纠错

AI总结 本文评估了八个ECG FMs在26个临床任务上的表现，发现架构设计比规模更重要，ECG-CPC在多个任务中表现突出，同时揭示了FMs在标签效率上的优势及存在的改进空间。

Comments Accepted at ICLR 2026. OpenReview: https://openreview.net/forum?id=xXRqWpt3Xr

Non-Collaborative User Simulators for Tool Agents

非协作用户模拟器用于工具代理

Jeonghoon Shim, Woojung Song, Cheyon Jin, Seungwon KooK, Yohan Jo

机构 * Graduate School of Data Science, Seoul National University（数据科学研究生院，首尔国立大学） 纠错

AI总结 本文提出一种非协作用户模拟器，用于测试工具代理在面对非协作用户时的鲁棒性，揭示了代理在复杂对话中的弱点。

Comments Accepted to ICLR 2026

Scalable Second-order Riemannian Optimization for $K$-means Clustering

可扩展的二次黎曼优化用于K均值聚类

Peng Xu, Chun-Ying Hou, Xiaohui Chen, Richard Y. Zhang

机构 * Department of Statistics, University of Illinois Urbana-Champaign（统计系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Electrical and Computer Engineering, University of Illinois Urbana-Champaign（电气与计算机工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Mathematics, University of Southern California（数学系，南加州大学） 纠错

AI总结 本文提出了一种基于二次黎曼优化的K均值聚类方法，通过分解流形结构实现线性时间复杂度，显著提升收敛速度并保持统计准确性。

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

Deep Hierarchical Learning with Nested Subspace Networks for Large Language Models

基于嵌套子空间网络的深度分层学习用于大型语言模型

Paulius Rauba, Mihaela van der Schaar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出嵌套子空间网络，通过动态调整计算预算实现高效的大语言模型推理，实验证明在精度损失较小的情况下显著降低计算量。

Comments Published as a conference paper at ICLR 2026

Index-Preserving Lightweight Token Pruning for Efficient Document Understanding in Vision-Language Models

保持索引的轻量级标记修剪用于视觉-语言模型中的高效文档理解

Jaemin Son, Sujin Choi, Inyong Yun

AI总结 本文提出一种轻量级标记修剪方法，通过过滤非信息性背景区域来降低视觉-语言模型在文档理解任务中的计算成本，同时保持较高的准确性。

Comments Accepted to ICLR 2026 Workshop MM Intelligence

Stochastic Self-Guidance for Training-Free Enhancement of Diffusion Models

扩散模型训练无关增强的随机自引导

Chubin Chen, Jiashu Zhu, Xiaokun Feng, Nisha Huang, Chen Zhu, Meiqi Wu, Fangyuan Mao, Jiahong Wu, Xiangxiang Chu, Xiu Li

AI总结 本文提出S$^2$-Guidance方法，通过随机块丢弃构建子网络，提升扩散模型在文本到图像和视频生成任务中的性能。

Comments Accepted by ICLR 2026

GaitSnippet: Gait Recognition Beyond Unordered Sets and Ordered Sequences

GaitSnippet: 超越无序集合和有序序列的步态识别

Saihui Hou, Chenye Wang, Wenpeng Lang, Zhengxiang Lan, Yongzhen Huang

机构 * School of Artificial Intelligence, Beijing Normal University（人工智能学院，北京师范大学） 纠错

AI总结 GaitSnippet通过将步态视为由个性化动作组成的片段，提出了一种新的步态识别方法，利用多尺度时间上下文提升特征学习，实验表明在Gait3D和GREW数据集上取得高准确率。

Comments Accepted by ICLR 2026

WebDS: An End-to-End Benchmark for Web-based Data Science

WebDS: 一种端到端的基于网络的数据科学基准

Ethan Hsu, Hong Meng Yam, Ines Bouissou, Aaron Murali John, Raj Thota, Josh Koe, Vivek Sarath Putta, G K Dharesan, Alexander Spangher, Shikhar Murty, Tenghao Huang, Christopher D. Manning

机构 * Stanford University（斯坦福大学） ； Pinetree Research（Pinetree研究公司） ； University of California, Berkeley（加州大学伯克利分校） ； Singapore University of Technology and Design（新加坡科技设计大学） ； University of Southern California（南加州大学） 纠错

AI总结 WebDS提出了一种端到端的基于网络的数据科学基准，旨在评估代理在复杂多步骤任务中的表现，揭示当前LLM在实际数据科学任务中的性能差距。

Comments 14 pages, ICLR 2026

Function Induction and Task Generalization: An Interpretability Study with Off-by-One Addition

函数诱导与任务泛化：一项可解释性研究——关于“加一错误”加法

Qinyuan Ye, Robin Jia, Xiang Ren

机构 * University of Southern California（南加州大学） ； Salesforce AI Research（Salesforce AI研究院） 纠错

AI总结 本研究通过分析“加一错误”加法任务，揭示了语言模型中函数诱导机制如何实现任务泛化，展示了其在多种任务中的复用能力。

Comments ICLR 2026. Code: https://github.com/INK-USC/function-induction

Knowing When to Quit: Probabilistic Early Exits for Speech Separation

何时退出：用于语音分离的概率早退

Kenny Falkær Olsen, Mads Østergaard, Karl Ulbæk, Søren Føns Nielsen, Rasmus Malik Høegh Lindrup, Bjørn Sand Jensen, Morten Mørup

AI总结 本文提出了一种具有概率早退能力的语音分离与增强神经网络架构，通过建模信号和误差方差以实现动态计算优化，提升资源利用效率。

Comments Accepted at ICLR 2026

EgoWorld: Translating Exocentric View to Egocentric View using Rich Exocentric Observations

EgoWorld：利用丰富的外参照观测将外参照视角转换为自身参照视角

Junho Park, Andrew Sangwoo Ye, Taein Kwon

机构 * AI Lab, LG Electronics（LG电子人工智能实验室） ； KAIST（韩国科学技术院） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） 纠错

AI总结 EgoWorld通过重建丰富的外参照观测来实现外参照到自身参照视角的转换，展示了在增强现实、虚拟现实和机器人应用中的先进性能和鲁棒性。

Comments Accepted by ICLR 2026. Project Page: https://redorangeyellowy.github.io/EgoWorld/

Federated ADMM from Bayesian Duality

联邦ADMM的贝叶斯对偶性

Thomas Möllenhoff, Siddharth Swaroop, Finale Doshi-Velez, Mohammad Emtiyaz Khan

机构 * RIKEN Center for AI Project（RIKEN人工智能项目中心） ； University College London（大学学院伦敦） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出了一种基于贝叶斯对偶性的方法，用于推广联邦ADMM，通过变分贝叶斯目标实现ADMM-like更新和新的非平凡扩展，提升深度异质任务的准确性。

Comments First two authors contributed equally. Published at ICLR 2026. Code is at https://github.com/team-approx-bayes/bayes-admm

Query-Level Uncertainty in Large Language Models

查询级不确定性在大语言模型中

Lihu Chen, Gerard de Melo, Fabian M. Suchanek, Gaël Varoquaux

机构 * Imperial College London（伦敦帝国学院） ； Hasso Plattner Institute / University of Potsdam（霍普夫纳研究所/波茨坦大学） ； Telecom Paris, Institut Polytechnique de Paris（电信巴黎学院，巴黎理工学院） ； Soda, Inria Saclay（Soda，法国国家信息与自动化技术研究院萨克利实验室） 纠错

AI总结 本研究提出了一种无需训练的内部置信度方法，用于检测大语言模型的知识边界，通过查询级不确定性提高回答质量并降低计算成本。

Comments ICLR 2026

AutoQD: Automatic Discovery of Diverse Behaviors with Quality-Diversity Optimization

AutoQD: 利用质量-多样性优化自动发现多样化行为

Saeed Hedayatian, Stefanos Nikolaidis

机构 * University of Southern California（南加州大学） ； Archimedes AI 纠错

AI总结 AutoQD通过自动生成行为描述符，利用随机傅里叶特征近似MMD，实现无需预定义描述符的多样化策略发现。

Comments Accepted to ICLR 2026

SafeDPO: A Simple Approach to Direct Preference Optimization with Enhanced Safety

SafeDPO: 一种简单的方法用于直接偏好优化并增强安全性

Geon-Hyeong Kim, Yu Jin Kim, Byoungjip Kim, Honglak Lee, Kyunghoon Bae, Youngsoo Jang, Moontae Lee

机构 * LG AI Research（LG人工智能研究） 纠错

AI总结 SafeDPO通过简单理论驱动的目标，实现轻量级且有效的安全对齐，提升安全性的同时保持有用性。

Comments 40 pages

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

TSPulse: Tiny Pre-Trained Models with Disentangled Representations for Rapid Time-Series Analysis

TSPulse: 用于快速时间序列分析的轻量级预训练模型与解耦表示

Vijay Ekambaram, Subodh Kumar, Arindam Jati, Sumanta Mukherjee, Tomoya Sakai, Pankaj Dayama, Wesley M. Gifford, Jayant Kalagnanam

AI总结 TSPulse是一种轻量级预训练模型，通过解耦表示提升时间序列分析的零样本迁移能力和效率。

Comments Accepted in ICLR 2026

Human-Object Interaction via Automatically Designed VLM-Guided Motion Policy

通过自动设计的VLM引导运动策略实现人-物交互

Zekai Deng, Ye Shi, Kaiyang Ji, Lan Xu, Shaoli Huang, Jingya Wang

机构 * ShanghaiTech University（上海科技大学） ； AgiBot 纠错

AI总结 本文提出了一种基于VLMs的统一物理框架，通过自动设计的RMD方法实现人-物交互合成，提升了运动生成的自然性和通用性。

Comments iclr camera ready

Preference Leakage: A Contamination Problem in LLM-as-a-judge

偏好泄露：作为判断者的LLM中的污染问题

Dawei Li, Renliang Sun, Yue Huang, Ming Zhong, Bohan Jiang, Jiawei Han, Xiangliang Zhang, Wei Wang, Huan Liu

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Notre Dame（诺丁汉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出偏好泄露问题，揭示LLM作为判断者时因数据生成器与评估者相关性导致的偏见，并通过实验验证其普遍存在性和检测难度。

Comments Accepted by ICLR 2026

Difficult Examples Hurt Unsupervised Contrastive Learning: A Theoretical Perspective

困难示例损害无监督对比学习：一种理论视角

Yi-Ge Zhang, Jingyi Cui, Qiran Li, Yisen Wang

机构 * State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院人工智能国家重点实验室） ； School of Engineering, Hong Kong University of Science and Technology（香港科技大学工程学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

AI总结 本文从理论角度探讨了困难示例对无监督对比学习的影响，发现移除困难示例可提升下游分类性能，并通过理论分析和实验证明了其有效性。

Comments Accepted to ICLR 2026 as an Oral Presentation

RAEE: A Robust Retrieval-Augmented Early Exit Framework for Efficient Inference

RAEE: 一种鲁棒的检索增强型早退框架，用于高效的推理

Lianming Huang, Shangyu Wu, Yufei Cui, Ying Xiong, Haibo Hu, Xue Liu, Tei-Wei Kuo, Nan Guan, Chun Jason Xue

机构 * City University of Hong Kong（香港城市大学） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； MILA, McGill University（麦吉尔大学机器学习研究院） ； National Taiwan University（台湾国立大学） 纠错

AI总结 RAEE通过检索增强型早退框架，结合中间层纠正信息提升模型性能，实现高效推理和鲁棒零样本表现。

Comments Accepted at ICLR 2026

ByteFlow: Language Modeling through Adaptive Byte Compression without a Tokenizer

ByteFlow：通过自适应字节压缩实现语言建模而不使用分词器

Chunyuan Deng, Sanket Lokegaonkar, Colin Lockard, Besnik Fetahu, Nasser Zalmout, Xian Li

机构 * Rice University（里士德大学） ； Amazon Science（亚马逊科学） 纠错

AI总结 ByteFlow通过自适应字节压缩实现无分词器的语言建模，提升模型性能与适应性。

Comments ICLR 2026

The Controllability Trap: A Governance Framework for Military AI Agents

可控性陷阱：军事AI代理的治理框架

Subramanyam Sahoo

机构 * MARS (Mentorship for Alignment Researchers) 4.0 Fellow（MARS（对齐研究导师计划）4.0 Fellow） ； Cambridge AI Safety Hub (CAISH) University of Cambridge（剑桥AI安全中心（CAISH）剑桥大学） 纠错

AI总结 本文提出AMAGF框架，通过预防、检测和纠正三个支柱，解决军事AI代理中的控制失效问题，通过控制质量评分实现持续控制管理。

Comments Accepted at ICLR 2026 Workshop on Agents in the Wild. 20 Pages and 3 Figures

When Shallow Wins: Silent Failures and the Depth-Accuracy Paradox in Latent Reasoning

浅层胜出：潜在推理中的沉默失败与深度-准确性悖论

Subramanyam Sahoo, Aman Chadha, Vinija Jain, Divya Chaudhary

机构 * Independent（独立研究者） ； AWS Generative AI Innovation Center, Amazon Web Services（亚马逊生成AI创新中心，亚马逊网络服务） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University, Seattle, WA, USA（东北ern大学，西雅图，华盛顿州，美国） 纠错

AI总结 研究揭示数学推理模型在深度增加时准确率无提升，且存在大量不可靠推理路径，需改革评估方法以衡量稳定性。

Comments Accepted at ICLR 2026 Workshop on Latent & Implicit Thinking - Going Beyond CoT Reasoning. 19 Pages and 5 Figures

Graph Hopfield Networks: Energy-Based Node Classification with Associative Memory

图Hopfield网络：基于能量的节点分类与联想记忆

Abinav Rao, Alex Wa, Rishi Athavale

机构 * Equal contribution（共同贡献） 纠错

AI总结 图Hopfield网络结合联想记忆与图拉普拉斯平滑，通过能量下降实现节点分类，提升稀疏网络和特征遮蔽下的性能，并在异质性基准测试中表现优异。

Comments 10 Pages, 4 Figures, Acceptted at ICLR NFAM Workshop 2026

Tracing Pharmacological Knowledge In Large Language Models

追踪大语言模型中的药理学知识

Basil Hasan Khwaja, Dylan Chen, Guntas Toor, Anastasiya Kuznetsova

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Viterbi School of Engineering（维特比工程学院） ； University of Southern California（南加州大学） ； Stephen J. R. Smith Faculty of Engineering and Applied Science（工程与应用科学学院） ； Queen’s University（皇后大学） ； Department of Molecular and Cellular Biology（分子与细胞生物学系） ； Scripps Research（斯克里普斯研究学院） 纠错

AI总结 本研究通过因果性和探测性方法揭示大语言模型中药物组语义的分布式表示机制，发现早期层和中间token对编码药理学知识起关键作用。

Comments Accepted, Learning Meaningful Representations of Life (LMRL) Workshop @ ICLR 2026

Towards Improved Sentence Representations using Token Graphs

基于令牌图的改进句子表示

Krishna Sri Ipsit Mantri, Carola-Bibiane Schönlieb, Zorah Lähner, Moshe Eliasof

机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） ； University of Cambridge（剑桥大学） ； Ben-Gurion University of the Negev（贝内-约尔大学） 纠错

AI总结 GLOT通过构建令牌图并利用图神经网络提升句子表示的鲁棒性和效率，适用于冻结LLM的高效适应。

Comments ICLR 2026, 29 Pages, 17 Tables, 5 Figures

Neuro-Symbolic Decoding of Neural Activity

神经符号解码神经活动

Yanchen Wang, Joy Hsu, Ehsan Adeli, Jiajun Wu

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） 纠错

AI总结 NEURONA通过结合符号推理与fMRI基础，提升神经活动解码的准确性和泛化能力。

Comments ICLR 2026. First two authors contributed equally

An Information-Theoretic Framework For Optimizing Experimental Design To Distinguish Probabilistic Neural Codes

一种信息论框架用于优化实验设计以区分概率神经编码

Po-Chen Kuo, Edgar Y. Walker

AI总结 本文提出信息论框架优化实验设计，以区分概率神经编码中的似然与后验假说。

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