The Deleuzian Representation Hypothesis
德勒兹的表示假说
机构 * Université Paris-Saclay, CEA, List（巴黎-萨克雷大学，CEA，List）
AI总结 本文提出了一种基于激活差异聚类的方法，用于从神经网络中提取可解释的概念，该方法受德勒兹对概念作为差异的现代观点启发，并在多个模型和模态上验证了其有效性。
Journal ref ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation
GeoPurify: 一种数据高效的几何蒸馏框架用于开放词汇3D分割
机构 * Tongji University（同济大学） ； Tianjin University（天津大学） ； University of Electronic Science and Technology of China（电子科学与技术大学）
AI总结 GeoPurify通过几何蒸馏和亲和网络提升3D分割的数据效率，实现高效且准确的开放词汇3D分割
Comments Accepted at ICLR 2026. Code available at: https://github.com/tj12323/GeoPurify
Bridging Fairness and Explainability: Can Input-Based Explanations Promote Fairness in Hate Speech Detection?
弥合公平性与可解释性：基于输入的解释能否促进仇恨言论检测中的公平性？
机构 * Saarland University（萨尔兰州大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本研究探讨了基于输入的解释在仇恨言论检测中促进公平性的有效性，发现其在检测偏见和训练中减少偏见方面有效，但在选择公平模型方面不可靠。
Comments ICLR 2026
Is In-Context Learning Learning?
上下文学习是否是学习？
AI总结 本文探讨了上下文学习是否真正构成学习，通过实证分析发现其在泛化能力上存在局限性，且依赖于提示中的规律性而非真正的学习过程。
Comments Accepted to ICLR 2026 -- CR version
Unveiling Super Experts in Mixture-of-Experts Large Language Models
揭示混合专家大语言模型中的超级专家
机构 * Tsinghua University（清华大学） ； Meituan（美团） ； Xiamen University（厦门大学） ； Nanjing University（南京大学） ； The University of Hong Kong（香港大学）
AI总结 研究揭示了混合专家大语言模型中起关键作用的超级专家，通过分析其影响发现其在数学推理中的重要性，并探讨了压缩这些专家对模型性能的显著影响。
Comments Published as a conference paper at ICLR 2026
Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation
基于Jensen-Shannon散度的响应归因研究：一种驱动上下文归因的机理研究
机构 * University of Aberdeen（阿伯丁大学） ； Nanyang Technological University（南洋理工大学） ； University College London（伦敦大学学院） ； University of Colorado Anschutz Medical Campus（科罗拉多大学安舒兹医学校区） ； University of Sheffield（谢菲尔德大学）
AI总结 本文提出基于Jensen-Shannon散度的ARC-JSD方法，实现高效准确的上下文归因，提升RAG模型的性能和效率。
Comments Accepted at ICLR 2026; Best Paper Award at COLM 2025 XLLM-Reason-Plan Workshop; Accepted at NeurIPS 2025 Mechanistic Interpretability Workshop
Fixing the Broken Compass: Diagnosing and Improving Inference-Time Reward Modeling
修复破碎的指南针：诊断并改进推理时间奖励建模
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） ； 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认知与决策智能复杂系统重点实验室） ； China Merchants Bank（中国 Merchants 银行）
AI总结 本文提出CRISP算法，通过聚类和逐步前缀优化，提升LLM在推理任务中的性能，实现5%的准确率提升。
Comments 38 pages, 30 figures, Accpeted by ICLR 2026
Kernel-based Optimally Weighted Conformal Time-Series Prediction
基于核的最优加权符合预测区间
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
AI总结 本文提出了一种基于核的最优加权符合预测方法，通过学习最优数据自适应权重，在时间序列预测中实现了更窄的置信区间同时保持覆盖性。
Journal ref In Proceedings of the Thirteenth International Conference on Learning Representations (ICLR), 2025
Eliminating VAE for Fast and High-Resolution Generative Detail Restoration
消除VAE以实现快速且高分辨率的生成细节修复
机构 * MMLab, ByteDance（字节实验室，字节跳动）
AI总结 GenDR-Pix通过消除VAE并引入多阶段对抗蒸馏和傅里叶空间损失，实现了快速且高分辨率的生成细节修复，推理速度提升2.8倍，内存节省60%。
Comments Accepted by ICLR 2026
Flow of Spans: Generalizing Language Models to Dynamic Span-Vocabulary via GFlowNets
动态跨度的流动：通过GFlowNets泛化语言模型到动态跨度词典
机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文提出FOSS，一种基于GFlowNets的跨度生成框架，通过动态跨度词典和DAG结构状态空间提升语言模型的生成能力与泛化性能。
Comments Published as a conference paper at ICLR 2026
Learning Structure-Semantic Evolution Trajectories for Graph Domain Adaptation
学习结构-语义演进轨迹用于图域适应
机构 * School of Artificial Intelligence, Beihang University, Beijing, China（北京航空航天大学人工智能学院） ； School of Mathematical Sciences, Peking University, Beijing, China（北京大学数学科学学院） ； School of Computer Science and Engineering, Beihang University, Beijing, China（北京航空航天大学计算机科学与工程学院） ； Zhongguancun Laboratory, Beijng, China（中关村实验室） ； Independent Researcher, Beijing, China（独立研究者）
AI总结 DiffGDA通过建模连续时间生成过程，以结构和语义转换的联合建模方式解决图域适应中的连续非线性演进问题，实验表明其在多个数据集上优于现有方法。
Comments accepted by ICLR 2026, 21 pages
Characterizing and Optimizing the Spatial Kernel of Multi Resolution Hash Encodings
多分辨率哈希编码的空间核特性化与优化
AI总结 本文通过分析MHE的点扩散函数，揭示其空间分辨率与带宽的关系，并提出旋转MHE架构以优化性能。
Comments ICLR 2026 (Poster); LaTeX source; 11 figures; 7 tables
Journal ref International Conference on Learning Representations (ICLR), 2026 (Poster)
When LLMs get significantly worse: A statistical approach to detect model degradations
当大语言模型显著变差：一种检测模型退化的方法
机构 * Amazon（亚马逊）
AI总结 本文提出了一种基于McNemar检验的统计方法，用于检测大语言模型的退化，通过对比每个样本的模型评分，有效区分退化与噪声。
Comments https://openreview.net/forum?id=cM3gsqEI4K
Journal ref ICLR 2026
AntigenLM: Structure-Aware DNA Language Modeling for Influenza
AntigenLM: 用于流感的结构感知DNA语言模型
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； Beijing Institute of Genomics, Chinese Academy of Sciences（中国科学院北京基因组研究所） ； China National Center for Bioinformation（中国生物信息学国家中心） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 AntigenLM通过结构感知的DNA语言模型预测流感抗原变异，优于传统方法，同时在亚型分类中表现优异。
Comments Accepted by ICLR 2026
Toward Faithful Retrieval-Augmented Generation with Sparse Autoencoders
迈向基于稀疏自编码器的忠实检索增强生成
机构 * Department of Computer Science University of Virginia（计算机科学系弗吉尼亚大学）
AI总结 本研究提出RAGLens，通过稀疏自编码器解构LLM内部激活，有效检测RAG生成中的不忠实输出，并提供可解释的决策理由。
Comments ICLR 2026
Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics
通过哈密顿动力学改进图神经模拟器的长程相互作用
AI总结 IGNS通过哈密顿动力学原理改进图神经模拟器，有效捕捉长程相互作用并提升模拟精度与稳定性。
Comments Accepted at ICLR 2026
SeeDNorm: Self-Rescaled Dynamic Normalization
SeeDNorm: 自适应动态归一化
机构 * School of Computer Science and Engineering, Beihang University（计算机科学与工程学院，北航大学）
AI总结 SeeDNorm通过动态调整缩放系数提升模型表示能力，在保持输入范数信息的同时实现自适应动态归一化，有效提升大语言模型及计算机视觉任务的性能。
Comments Accepted to ICLR 2026, 32 pages, 14 figures, 18 tables
Lipschitz Bandits with Stochastic Delayed Feedback
具有随机延迟反馈的Lipschitz带币问题
AI总结 本文提出了解决具有随机延迟反馈的Lipschitz Bandit问题的新算法，通过延迟感知放大算法和分阶段学习策略，实现了次线性后悔保证，并在不同延迟场景下验证了算法效率。
Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)
Understanding Language Prior of LVLMs by Contrasting Chain-of-Embedding
通过对比嵌入链理解LVLMs的语言先验
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 通过对比嵌入链分析，揭示LVLMs中视觉信息整合的关键层及影响响应生成的强度量化方法。
Comments ICLR 2026
A Law of Data Reconstruction for Random Features (and Beyond)
随机特征（及更广泛领域）的数据重建定律
机构 * Politecnico di Torino（都灵理工大学） ； Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所）
AI总结 本研究从数据重建角度揭示了深度学习模型在参数数量超过阈值dn时能够恢复整个训练数据集的规律。
Comments Accepted ICLR 2026 - Code at https://github.com/iurada/data-reconstruction-law
TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding
TableDART: 表格理解的动态自适应多模态路由
机构 * The University of Queensland, Australia（昆士兰大学） ； Griffith University, Australia（格里菲斯大学） ； University of Notre Dame, USA（诺丁汉大学）
AI总结 TableDART通过动态选择文本、图像或融合视角，提升表格理解的准确性和效率，避免昂贵的多模态模型微调。
Comments Accepted to ICLR 2026. 26 pages, 11 figures
Directional Convergence, Benign Overfitting of Gradient Descent in leaky ReLU two-layer Neural Networks
方向收敛，梯度下降在漏损ReLU两层神经网络中的良性过拟合
机构 * Department of Statistical Sciences University of Toronto（统计科学系多伦多大学）
AI总结 本文研究了漏损ReLU两层神经网络中梯度下降在混合数据下的良性过拟合条件，并揭示了新的相变现象。
Comments 41 pages, Accepted at International Conference on Learning Representations 2026 (ICLR 2026)
ZeroTuning: Unlocking the Initial Token's Power to Enhance Large Language Models Without Training
ZeroTuning: 解锁初始标记的潜力以无需训练的方式提升大语言模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； AMD（AMD公司） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ZeroTuning通过仅调整初始标记的注意力实现无需训练的大语言模型性能提升，适用于多种任务和场景。
Comments ICLR 2026 Accepted Version: proofread, introduction rewritten, additional experiments and appendix material added
GenDR: Lighten Generative Detail Restoration
GenDR：轻量级生成细节修复
机构 * MMLab, ByteDance（字节dance实验室）
AI总结 GenDR通过单步扩散模型和改进的蒸馏技术，实现高效且高质量的生成细节修复。
Comments Accepted by ICLR 2026
Revisit Visual Prompt Tuning: The Expressiveness of Prompt Experts
重新审视视觉提示调优：提示专家的表达性
机构 * Qualcomm AI Research（高通人工智能研究）
AI总结 本文提出VAPT，通过增强提示专家的表达性，在保持参数效率的同时，提升了视觉任务的性能表现。
Comments Accepted to ICLR 2026
Bridging Explainability and Embeddings: BEE Aware of Spuriousness
弥合可解释性与嵌入：BEE 意识到虚假相关性
机构 * Bitdefender ； University of Bucharest（布加勒斯特大学） ； Mila ； University of Montreal（蒙特利尔大学）
AI总结 BEE通过分析权重空间和嵌入几何揭示隐藏的虚假相关性，适用于多种数据集和模型，提升基础模型的可信度。
Comments ICLR 2026
Tensor learning with orthogonal, Lorentz, and symplectic symmetries
张量学习与正交、洛伦兹和辛对称性
AI总结 本文提出了一种基于正交、洛伦兹和辛对称性的张量学习方法，通过等变架构提升时间序列、材料科学和理论计算机科学中的模型性能。
Comments 40 pages, 1 figure. To appear at ICLR 2026
Multi-modal Gaussian Process Variational Autoencoders for Neural and Behavioral Data
多模态高斯过程变分自编码器用于神经和行为数据
机构 * Fordham University（福特汉姆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Icahn School of Medicine at Mount Sinai（Mount Sinai医学院） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出多模态高斯过程变分自编码器，用于分析神经和行为数据的共享与独立潜在结构，提升数据重建和解释性。
Comments Updated version published in ICLR 2024
Journal ref In The Twelfth International Conference on Learning Representations. (2024)
ST4VLA: Spatially Guided Training for Vision-Language-Action Models
ST4VLA：基于空间引导的视觉-语言-动作模型训练
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； Southern University of Science and Technology（南方科技大学） ； Fudan University（复旦大学）
AI总结 ST4VLA通过空间引导训练提升视觉-语言-动作模型的性能，实现对机器人任务的更稳健和可泛化的学习。
Comments Spatially Training for VLA, Accepted by ICLR 2026
RoboInter: A Holistic Intermediate Representation Suite Towards Robotic Manipulation
RoboInter: 一种面向机器人操控的综合中间表示套件
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Beihang University（北航） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 RoboInter通过统一的中间表示套件，提升机器人操控中视觉-语言-动作系统的泛化能力和推理能力。
Comments Published to ICLR 2026, 69 pages, 40 figures
