ICLR

Revisiting Weight Regularization for Low-Rank Continual Learning

重新审视低秩持续学习中的权重正则化

Yaoyue Zheng, Yin Zhang, Joost van de Weijer, Gido M van de Ven, Shaoyi Du, Xuetao Zhang, Zhiqiang Tian

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence（人机混合增强智能国家重点实验室） ； Institute of Artificial Intelligence and Robotics（人工智能与机器人研究院） ； Computer Vision Center（计算机视觉中心） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） ； School of Instrument Science and Engineering（仪器科学与工程学院） ； Bernoulli Institute（伯努利学院） ； University of Groningen（格罗宁根大学） ； School of Software Engineering（软件工程学院） 纠错

AI总结 本文提出EWC-LoRA方法，通过EWC正则化共享低秩更新来减轻PECL中的任务干扰，提供高效且稳定的持续学习解决方案。

Comments Accepted by ICLR 2026

Provably Explaining Neural Additive Models

可证明地解释神经加法模型

Shahaf Bassan, Yizhak Yisrael Elboher, Tobias Ladner, Volkan Şahin, Jan Kretinsky, Matthias Althoff, Guy Katz

AI总结 本文提出了一种高效算法，为神经加法模型生成具有可证明保证的最小解释，显著提升了计算效率并优于现有方法。

Comments To appear in ICLR 2026

Improved Object-Centric Diffusion Learning with Registers and Contrastive Alignment

改进的基于注册和对比对齐的对象中心扩散学习

Bac Nguyen, Yuhta Takida, Naoki Murata, Chieh-Hsin Lai, Toshimitsu Uesaka, Stefano Ermon, Yuki Mitsufuji

机构 * Sony AI（索尼人工智能） ； Stanford University（斯坦福大学） ； Sony Group Corporation（索尼集团） 纠错

AI总结 CODA通过注册槽位和对比对齐损失改进物体中心学习，提升物体发现、属性预测和图像生成性能。

Comments Accepted at ICLR 2026

Boosting Medical Visual Understanding From Multi-Granular Language Learning

通过多粒度语言学习提升医学视觉理解

Zihan Li, Yiqing Wang, Sina Farsiu, Paul Kinahan

机构 * University of Washington（华盛顿大学） ； Duke University（杜克大学） 纠错

AI总结 本文提出MGLL框架，通过多粒度语言学习提升医学影像的视觉理解能力，改进多标签和跨粒度对齐，提升下游任务性能。

Comments Accepted by ICLR 2026. 40 pages

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

pi-Flow: Policy-Based Few-Step Generation via Imitation Distillation

pi-Flow：基于策略的少步生成通过模仿蒸馏

Hansheng Chen, Kai Zhang, Hao Tan, Leonidas Guibas, Gordon Wetzstein, Sai Bi

AI总结 pi-Flow通过模仿蒸馏策略，实现少步生成模型的稳定训练和高质量输出。

Comments ICLR 2026. Code: https://github.com/Lakonik/piFlow Demos: https://huggingface.co/spaces/Lakonik/pi-Qwen | https://huggingface.co/spaces/Lakonik/pi-FLUX.1 | https://huggingface.co/spaces/Lakonik/pi-FLUX.2

Generating Directed Graphs with Dual Attention and Asymmetric Encoding

生成具有双注意力和非对称编码的有向图

Alba Carballo-Castro, Manuel Madeira, Yiming Qin, Dorina Thanou, Pascal Frossard

机构 * LTS4, EPFL, Lausanne, Switzerland（EPFL） 纠错

AI总结 本文提出Directo模型，通过双注意力和非对称编码生成有向图，解决了方向性依赖和标准化基准问题，展示了方法在多种设置中的有效性。

Comments Accepted as a conference paper at ICLR 2026

Journal ref International Conference on Learning Representations (ICLR) 2026

Oversmoothing, Oversquashing, Heterophily, Long-Range, and more: Demystifying Common Beliefs in Graph Machine Learning

过平滑、过挤压、异质性、远距离以及更多：解密图机器学习中的常见信念

Adrian Arnaiz-Rodriguez, Federico Errica

机构 * ELLIS Alicante（阿利坎特埃利斯研究所） ； NEC Laboratories Europe（日本 NEC 欧洲实验室） 纠错

AI总结 本文旨在解密图机器学习中常见的误解，通过明确常见信念并提供反例，澄清概念差异，帮助研究人员更精准地解决具体问题。

Comments International Conference on Learning Representations (ICLR 2026)

Safe Continuous-time Multi-Agent Reinforcement Learning via Epigraph Form

通过epigraph形式实现安全的连续时间多智能体强化学习

Xuefeng Wang, Lei Zhang, Henglin Pu, Husheng Li, Ahmed H. Qureshi

AI总结 本文提出了一种基于epigraph形式的连续时间约束MDP框架，通过物理信息神经网络实现稳定高效的连续时间多智能体强化学习，验证了方法在安全环境中的有效性。

Comments Accepted by ICLR 2026. 27 pages, 15 figures

ReIn: Conversational Error Recovery with Reasoning Inception

ReIn：基于推理 inception 的对话错误恢复

Takyoung Kim, Jinseok Nam, Chandrayee Basu, Xing Fan, Chengyuan Ma, Heng Ji, Gokhan Tur, Dilek Hakkani-Tür

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司） 纠错

AI总结 ReIn通过推理inception方法实现对话错误恢复，无需修改模型参数或提示，提升任务成功率并泛化到未见错误类型。

Comments ICLR 2026

Heterogeneous Federated Fine-Tuning with Parallel One-Rank Adaptation

异构联邦微调与并行一秩适应

Zikai Zhang, Rui Hu, Jiahao Xu

AI总结 Fed-PLoRA通过并行一秩适应和Select-N-Fold策略，解决异构联邦微调中的初始化和聚合噪声问题，提升LLM微调的准确性和效率。

Comments To appear in ICLR 2026

Training Large Reasoning Models Efficiently via Progressive Thought Encoding

通过渐进性思维编码高效训练大型推理模型

Zeliang Zhang, Xiaodong Liu, Hao Cheng, Hao Sun, Chenliang Xu, Jianfeng Gao

机构 * University of Rochester（罗切斯特大学） ； Microsoft Research（微软研究院） 纠错

AI总结 通过渐进性思维编码方法，提升大型推理模型在有限内存下的推理效率和准确性。

Comments ICLR 2026, 15 pages

Formal Mechanistic Interpretability: Automated Circuit Discovery with Provable Guarantees

形式机制可解释性：具有可证明保证的自动电路发现

Itamar Hadad, Guy Katz, Shahaf Bassan

机构 * School of Computer Science and Engineering, The Hebrew University of Jerusalem（计算机科学与工程系，耶路撒冷希伯来大学） 纠错

AI总结 本文提出具有可证明保证的自动电路发现算法，通过三种保证类型提升电路的鲁棒性和最小性，为机制可解释性提供理论基础。

Comments To appear in ICLR 2026

References Improve LLM Alignment in Non-Verifiable Domains

参考文献提高非可验证领域的LLM对齐

Kejian Shi, Yixin Liu, Peifeng Wang, Alexander R. Fabbri, Shafiq Joty, Arman Cohan

机构 * Yale University（耶鲁大学） ； Meta ； Scale AI ； Salesforce Research（Salesforce 研究） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本研究提出参考引导的LLM评估器，通过增强LLM对齐的评估器和自我改进，显著提升了非可验证领域中LLM的性能。

Comments ICLR 2026 Camera Ready

Omni-iEEG: A Large-Scale, Comprehensive iEEG Dataset and Benchmark for Epilepsy Research

Omni-iEEG：一个大规模、全面的iEEG数据集和癫痫研究基准

Chenda Duan, Yipeng Zhang, Sotaro Kanai, Yuanyi Ding, Atsuro Daida, Pengyue Yu, Tiancheng Zheng, Naoto Kuroda, Shaun A. Hussain, Eishi Asano, Hiroki Nariai, Vwani Roychowdhury

机构 * UCLA Samueli School of Engineering（UCLA 工程学院） ； UCLA Mattel Children’s Hospital, David Geffen School of Medicine（UCLA 马特尔儿童医院，大卫·格芬医学院） ； Children’s Hospital of Michigan, Wayne State University School of Medicine（密歇根儿童医院，韦恩州立大学医学院） 纠错

AI总结 Omni-iEEG提供了一个大规模的iEEG数据集和基准，用于癫痫研究，包含302名患者178小时的高分辨率记录及36000个专家验证的病理事件注释，旨在提升癫痫研究的可重复性和临床相关性。

Comments Published as a conference paper at ICLR 2026

Motion Prior Distillation in Time Reversal Sampling for Generative Inbetweening

时间反演采样中用于生成中间帧的运动先验蒸馏

Wooseok Jeon, Seunghyun Shin, Dongmin Shin, Hae-Gon Jeon

机构 * Department of Artificial Intelligence, Yonsei University（延世大学人工智能系） ； AI Graduate School, GIST（韩国国立信息科学院人工智能研究生院） 纠错

AI总结 本文提出运动先验蒸馏技术，通过蒸馏正向路径的运动残差到反向路径，以减少时间反演采样中的不连续性和伪影，提升生成中间帧的连贯性。

Comments Accepted at ICLR 2026. Project page: https://vvsjeon.github.io/MPD/

Active Learning for Decision Trees with Provable Guarantees

决策树的主动学习与可证明保证

Arshia Soltani Moakhar, Tanapoom Laoaron, Faraz Ghahremani, Kiarash Banihashem, MohammadTaghi Hajiaghayi

AI总结 本文提出了一种基于决策树的主动学习算法，通过可证明的保证实现多项对数级别的标签查询效率，并建立了标签复杂度的下界。

Comments 10 pages, 43 pages with appendix, ICLR 2026, Conference URL: https://openreview.net/forum?id=NOkjJPJIit

Multimodal Prompt Optimization: Why Not Leverage Multiple Modalities for MLLMs

多模态提示优化：为何不利用多种模态为大语言模型服务

Yumin Choi, Dongki Kim, Jinheon Baek, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出多模态提示优化问题，提出MPO框架，通过联合优化和贝叶斯策略提升多模态提示效果，验证其在图像、视频等多模态任务中的优越性。

Comments ICLR 2026

Ringleader ASGD: The First Asynchronous SGD with Optimal Time Complexity under Data Heterogeneity

Ringleader ASGD: 首个在数据异质性下具有最优时间复杂度的异步SGD

Artavazd Maranjyan, Peter Richtárik

机构 * King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学科学与技术学院） 纠错

AI总结 Ringleader ASGD是首个在数据异质性下具有最优时间复杂度的异步SGD算法，克服了传统方法在异构计算和数据分布差异下的性能瓶颈。

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

Continuous-Time Value Iteration for Multi-Agent Reinforcement Learning

多智能体强化学习中的连续时间价值迭代

Xuefeng Wang, Lei Zhang, Henglin Pu, Ahmed H. Qureshi, Husheng Li

机构 * Purdue University（普渡大学） 纠错

AI总结 本文提出CT-MARL框架，利用物理指导神经网络和价值梯度迭代模块，解决多智能体强化学习中高维动态系统和价值函数近似难题，实现更准确的价值估计和策略学习。

Comments Accepted at ICLR 2026. 21 pages, 13 figures

Bongard-RWR+: Real-World Representations of Fine-Grained Concepts in Bongard Problems

Bongard-RWR+: Bongard问题中细粒度概念的现实世界表示

Szymon Pawlonka, Mikołaj Małkiński, Jacek Mańdziuk

机构 * Warsaw University of Technology（华沙技术大学） ； AGH University of Krakow（克拉科夫AGH大学） 纠错

AI总结 本文提出Bongard-RWR+数据集，通过视觉语言模型生成现实世界图像，评估VLMs在细粒度概念识别中的局限性。

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

GGBall: Graph Generative Model on Poincaré Ball

GGBall: 基于庞加莱球的图生成模型

Tianci Bu, Chuanrui Wang, Hao Ma, Haoren Zheng, Xin Lu, Tailin Wu

机构 * Westlake University（西湖大学） ； National University of Defense Technology（国防科技大学） 纠错

AI总结 GGBall提出了一种基于双曲几何的图生成模型，结合了超几何向量量化自编码器和黎曼流匹配先验，有效提升了复杂拓扑层次结构的生成能力。

Comments ICLR 2026, 37 pages, 4 figures

On the Design of KL-Regularized Policy Gradient Algorithms for LLM Reasoning

关于为LLM推理设计KL正则化策略梯度算法的设计

Yifan Zhang, Yifeng Liu, Huizhuo Yuan, Yang Yuan, Quanquan Gu, Andrew Chi-Chih Yao

AI总结 RPG通过统一KL正则化方法和改进的梯度估计，提升LLM推理准确率，实现稳定且可扩展的强化学习算法。

Comments Published in ICLR 2026; Project Page: https://github.com/complex-reasoning/RPG

Efficient Orthogonal Fine-Tuning with Principal Subspace Adaptation

高效正交微调与主子空间适应

Fei Wu, Jia Hu, Geyong Min, Shiqiang Wang

机构 * Department of Computer Science, University of Exeter（计算机科学系，埃克塞特大学） 纠错

AI总结 PSOFT通过主子空间适应提升正交微调的效率与效率，实现语义保留和多维效率的平衡。

Journal ref In Proceedings of the 14th International Conference on Learning Representations (ICLR), April 2026

Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment

一次对齐，多语言受益：为LLM安全对齐强制多语言一致性

Yuyan Bu, Xiaohao Liu, ZhaoXing Ren, Yaodong Yang, Juntao Dai

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； National University of Singapore（新加坡国立大学） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

AI总结 本文提出一种资源高效的多语言一致性对齐方法，通过多语言一致性损失实现多语言同时对齐，提升跨语言安全性和泛化能力。

Comments Accepted by ICLR 2026

Let's Split Up: Zero-Shot Classifier Edits for Fine-Grained Video Understanding

让我们拆分：用于细粒度视频理解的零样本分类器编辑

Kaiting Liu, Hazel Doughty

机构 * Leiden University（莱顿大学） 纠错

AI总结 本文提出零样本分类器编辑方法，通过细粒度视频理解提升分类精度，优于视觉-语言基线。

Comments ICLR 2026

Lossless Vocabulary Reduction for Auto-Regressive Language Models

无损词汇缩减用于自回归语言模型

Daiki Chijiwa, Taku Hasegawa, Kyosuke Nishida, Shin'ya Yamaguchi, Tomoya Ohba, Tamao Sakao, Susumu Takeuchi

AI总结 本文提出了一种无损词汇缩减框架，使不同分词方式的语言模型能通过最大公共词汇高效合作，提升模型集成效率。

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

Language and Experience: A Computational Model of Social Learning in Complex Tasks

语言与经验：复杂任务中的社会学习计算模型

Cédric Colas, Tracey Mills, Ben Prystawski, Michael Henry Tessler, Noah Goodman, Jacob Andreas, Joshua Tenenbaum

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出了一种计算模型，通过结合语言指导与直接经验，模拟复杂任务中的社会学习过程，并展示了人类与模型之间的知识传递机制。

Comments Code: github.com/ccolas/language_and_experience Demo: cedriccolas.com/demos/language_and_experience

Journal ref ICLR 2026; CogSci 2025

SNAP-UQ: Self-supervised Next-Activation Prediction for Single-Pass Uncertainty in TinyML

SNAP-UQ：单次传递的不确定性估计用于TinyML中的自监督下一次激活预测

Ismail Lamaakal, Chaymae Yahyati, Khalid El Makkaoui, Ibrahim Ouahbi, Yassine Maleh

AI总结 SNAP-UQ通过单次传递的自监督下一次激活预测，为TinyML提供了一种高效且无需额外状态的不确定性估计方法。

Comments Published as a conference paper at ICLR 2026

Pinet: Optimizing hard-constrained neural networks with orthogonal projection layers

Pinet：通过正交投影层优化具有硬约束的神经网络

Panagiotis D. Grontas, Antonio Terpin, Efe C. Balta, Raffaello D'Andrea, John Lygeros

AI总结 Pinet通过正交投影层优化具有硬约束的神经网络，实现快速求解参数约束优化问题，提升训练效率和解的质量。

Comments Accepted for presentation at, and publication in the proceedings of, the Fourteenth International Conference on Learning Representations (ICLR 2026, oral)

Benchmarking Stochastic Approximation Algorithms for Fairness-Constrained Training of Deep Neural Networks

对用于在公平性约束下训练深度神经网络的随机逼近算法进行基准测试

Andrii Kliachkin, Jana Lepšová, Gilles Bareilles, Jakub Mareček

机构 * Artificial Intelligence Center, Czech Technical University in Prague（捷克技术大学布拉格分校人工智能中心） 纠错

AI总结 本文提出了一种用于评估在公平性约束下训练深度神经网络的随机逼近算法的基准测试方法，并展示了三种新算法的实现与比较。

Journal ref 14th International Conference on Learning Representations, 2026