ICLR

Few for Many: Tchebycheff Set Scalarization for Many-Objective Optimization

少而多：Tchebycheff集标量化方法用于多目标优化

Xi Lin, Yilu Liu, Xiaoyuan Zhang, Fei Liu, Zhenkun Wang, Qingfu Zhang

机构 * City University of Hong Kong（香港城市大学） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文提出了一种新的Tchebycheff集标量化方法，通过少量代表性解覆盖大量目标，以高效处理多目标优化问题。

Comments Accepted by the 13th International Conference on Learning Representations (ICLR 2025)

Multivariate LSTM-Based Forecasting for Renewable Energy: Enhancing Climate Change Mitigation

多变量LSTM基于预测可再生能源：增强气候变化缓解

Farshid Kamrani, Kristen Schell

AI总结 本文提出基于多变量LSTM的预测模型，用于提高可再生能源发电的预测精度，从而降低碳排放并提升电力供应的可靠性。

Comments ICLR 2025 Workshop on Tackling Climate Change with Machine Learning, paper #57 (https://www.climatechange.ai/papers/iclr2025/57)

Machine Unlearning Fails to Remove Data Poisoning Attacks

机器遗忘无法消除数据污染攻击

Martin Pawelczyk, Jimmy Z. Di, Yiwei Lu, Gautam Kamath, Ayush Sekhari, Seth Neel

AI总结 研究发现现有机器遗忘方法无法有效消除数据污染攻击，需更全面的评估以避免对深度学习无保证的遗忘技术产生错误信心。

Comments Published at ICLR 2025, Made author ordering consistent with ICLR'25 submission

Breaking the Limits of Open-Weight CLIP: An Optimization Framework for Self-supervised Fine-tuning of CLIP

突破开放权重CLIP的限制：一种用于CLIP自监督微调的优化框架

Anant Mehta, Xiyuan Wei, Xingyu Chen, Tianbao Yang

AI总结 TuneCLIP通过自监督微调框架提升开放权重CLIP模型在多种下游任务上的性能，实现显著的性能提升。

Comments Submitted to ICLR 2026

Soft Contrastive Learning for Time Series

时间序列的软对比学习

Seunghan Lee, Taeyoung Park, Kibok Lee

AI总结 SoftCLT通过引入实例级和时间级对比损失，提升时间序列表示学习的质量，适用于多种下游任务。

Comments ICLR 2024 Spotlight

Cross-Domain Imitation Learning via Optimal Transport

跨领域模仿学习 via 最优传输

Arnaud Fickinger, Samuel Cohen, Stuart Russell, Brandon Amos

机构 * Berkeley AI Research（伯克利人工智能研究） 纠错

AI总结 GWIL通过Gromov-Wasserstein距离实现跨领域模仿学习，有效对齐不同空间的状态，适用于连续控制领域。

Comments ICLR 2022

LaneSegNet: Map Learning with Lane Segment Perception for Autonomous Driving

LaneSegNet: 用于自动驾驶的基于车道段的地图学习

Tianyu Li, Peijin Jia, Bangjun Wang, Li Chen, Kun Jiang, Junchi Yan, Hongyang Li

机构 * Fudan University（复旦大学） ； OpenDriveLab（OpenDrive实验室） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 LaneSegNet通过引入车道段表示，实现了端到端的地图学习，提升车道线检测、中心线感知和车道段感知的性能，达到每秒14.7次的实时推理速度。

Comments Accepted in ICLR 2024

Journal ref ICLR 2024

Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning

张量-DTI：通过对比嵌入学习增强生物分子相互作用预测

Manel Gil-Sorribes, Júlia Vilalta-Mor, Isaac Filella-Mercè, Robert Soliva, Álvaro Ciudad, Víctor Guallar, Alexis Molina

机构 * Nostrum Biodiscovery ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Faculty of Pharmacy and Food Sciences, University of Barcelona（巴塞罗那大学药学与食品科学系） ； Catalan Institution for Research and Advanced Studies (ICREA)（加泰罗尼亚研究与高级研究机构） ； Data Science Dpt., Almirall S.A.（Almirall S.A.数据科学部门） 纠错

AI总结 Tensor-DTI通过整合多模态嵌入与对比学习，提升生物分子相互作用预测的准确性与可靠性。

Comments Accepted at the Generative and Experimental Perspectives for Biomolecular Design Workshop at ICLR 2025 and at the Learning Meaningful Representations of Life Workshop at ICLR 2025

DQ-LoRe: Dual Queries with Low Rank Approximation Re-ranking for In-Context Learning

DQ-LoRe：双查询与低秩近似重排序用于上下文学习

Jing Xiong, Zixuan Li, Chuanyang Zheng, Zhijiang Guo, Yichun Yin, Enze Xie, Zhicheng Yang, Qingxing Cao, Haiming Wang, Xiongwei Han, Jing Tang, Chengming Li, Xiaodan Liang

机构 * Sun Yat-Sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； MBZUAI ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； DarkMatter AI Research（DarkMatter AI研究） 纠错

AI总结 DQ-LoRe通过双查询与低秩近似重排序方法提升GPT-4上下文学习性能，实现94.2%的性能提升。

Comments Accepted in ICLR 2024

Context-Alignment: Activating and Enhancing LLM Capabilities in Time Series

上下文对齐：在时间序列中激活和增强大语言模型的能力

Yuxiao Hu, Qian Li, Dongxiao Zhang, Jinyue Yan, Yuntian Chen

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Ningbo Institute of Digital Twin（宁波数字孪生研究所） ； Eastern Institute of Technology（东部技术研究所） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出上下文对齐方法，通过多模态输入和图神经网络增强LLMs在时间序列任务中的能力，提升逻辑和结构理解，提高预测性能。

Comments This paper has been accepted by ICLR 2025

MAST: Model-Agnostic Sparsified Training

MAST：模型无关的稀疏训练

Yury Demidovich, Grigory Malinovsky, Egor Shulgin, Peter Richtárik

机构 * King Abdullah University of Science and Technology（卡布斯大学） 纠错

AI总结 MAST 提出了一种模型无关的稀疏训练方法，通过引入预训练模型和随机草图算子，实现模型和梯度的稀疏化，改进了收敛速率并拓展了应用范围。

Comments Published at ICLR 2025

Leveraging Flatness to Improve Information-Theoretic Generalization Bounds for SGD

利用平坦性改进SGD的信息论通用性界限

Ze Peng, Jian Zhang, Yisen Wang, Lei Qi, Yinghuan Shi, Yang Gao

AI总结 本文提出了一种更注重SGD平坦性偏置的信息论通用性界限，通过'omniscient trajectory'技术改进了现有界限的紧致性，并揭示了记忆与通用性的权衡问题。

Comments Published as a conference paper at ICLR 2025

Journal ref The Thirteenth International Conference on Learning Representations, ICLR 2025

LeanQuant: Accurate and Scalable Large Language Model Quantization with Loss-error-aware Grid

LeanQuant: 一种准确且可扩展的大型语言模型量化方法，具有损失误差感知的网格

Tianyi Zhang, Anshumali Shrivastava

机构 * Dept. of Computer Science, Rice University（计算机科学系， Rice大学） ； ThirdAI Corp.（ThirdAI公司） ； Ken Kennedy Institute（肯尼迪研究所） 纠错

AI总结 LeanQuant通过学习损失误差感知的网格，实现了准确且可扩展的大型语言模型量化，适用于多种量化类型并兼容更多框架。

Comments Published in ICLR 2025

AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection

AnomalyCLIP：面向零样本异常检测的对象无关提示学习

Qihang Zhou, Guansong Pang, Yu Tian, Shibo He, Jiming Chen

机构 * Zhejiang University（浙江大学） ； Singapore Management University（新加坡管理学院） ； Harvard University（哈佛大学） 纠错

AI总结 AnomalyCLIP通过学习对象无关的文本提示，实现跨不同领域的零样本异常检测，提升异常识别的泛化能力。

Comments Accepted by ICLR 2024

Generative Classifiers Avoid Shortcut Solutions

生成分类器避免捷径解法

Alexander C. Li, Ananya Kumar, Deepak Pathak

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） 纠错

AI总结 生成分类器通过建模所有特征避免捷径解法，提升在分布偏移下的性能。

Comments ICLR 2025. Code: https://github.com/alexlioralexli/generative-classifiers

HiGen: Hierarchical Graph Generative Networks

HiGen：分层图生成网络

Mahdi Karami

AI总结 HiGen提出了一种分层图生成网络，通过模块化方法生成大规模复杂图，并在多个基准数据集上实现了图质量的最先进性能。

Comments 9 pages. In The Twelfth International Conference on Learning Representations (ICLR) (2024)

Feature Responsiveness Scores: Model-Agnostic Explanations for Recourse

特征响应分数：用于 recourse 的模型无关解释

Harry Cheon, Anneke Wernerfelt, Sorelle A. Friedler, Berk Ustun

AI总结 本文提出基于特征响应性的模型无关解释方法，用于提升高风险决策场景中预测结果的可救济性。

Comments 11 pages, 2 figures in body, ICLR 2025, Extended Version

CAKE: Cascading and Adaptive KV Cache Eviction with Layer Preferences

CAKE：基于层优先级的级联和自适应KV缓存淘汰

Ziran Qin, Yuchen Cao, Mingbao Lin, Wen Hu, Shixuan Fan, Ke Cheng, Weiyao Lin, Jianguo Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 CAKE通过级联和自适应机制优化KV缓存淘汰，提升低内存下的模型性能和解码效率。

Comments Accepted by ICLR 2025

ADePT: Adaptive Decomposed Prompt Tuning for Parameter-Efficient Fine-tuning

ADePT: 适应性分解提示微调用于参数高效微调

Pengwei Tang, Xiaolin Hu, Yong Liu

机构 * Renmin University of China（中国人民大学） 纠错

AI总结 ADePT通过引入适应性分解提示微调方法，改进了参数高效微调的性能，实现了更优的适应能力和更高效的推理速度。

Comments Published at ICLR 2025

Pairwise Elimination with Instance-Dependent Guarantees for Bandits with Cost Subsidy

基于实例依赖保证的带成本补贴的多臂老虎机中的配对消除

Ishank Juneja, Carlee Joe-Wong, Osman Yağan

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出PE和PE-CS算法，通过实例依赖分析，在带成本补贴的多臂老虎机问题中实现了成本和质量遗憾的对数上界保证。

Comments ICLR 2025 Conference Paper

Learning to Contextualize Web Pages for Enhanced Decision Making by LLM Agents

通过LLM代理增强决策的网页上下文化学习

Dongjun Lee, Juyong Lee, Kyuyoung Kim, Jihoon Tack, Jinwoo Shin, Yee Whye Teh, Kimin Lee

机构 * KAIST AI（韩国科学技术院人工智能实验室） ； University of Oxford（牛津大学） 纠错

AI总结 LCoW通过上下文化学习提升LLM代理在网页自动化任务中的决策能力，显著提高闭源和开源模型的成功率。

Comments Accepted to ICLR 2025

Matérn Kernels for Tunable Implicit Surface Reconstruction

Matérn核用于可调隐式表面重建

Maximilian Weiherer, Bernhard Egger

机构 * Department of Computer Science（计算机科学系） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡弗里德里希-亚历山大大学） 纠错

AI总结 本文提出使用Matérn核进行隐式表面重建，展示了其在性能和效率上的优势，特别是在无噪声情况下表现优异。

Comments ICLR'25

Diff-2-in-1: Bridging Generation and Dense Perception with Diffusion Models

Diff-2-in-1：通过扩散模型弥合生成与密集感知的鸿沟

Shuhong Zheng, Zhipeng Bao, Ruoyu Zhao, Martial Hebert, Yu-Xiong Wang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Tsinghua University（清华大学） 纠错

AI总结 Diff-2-in-1通过结合扩散模型的生成与感知能力，实现多模态数据生成与密集视觉感知的统一框架，提升视觉感知的判别能力。

Comments 26 pages, 14 figures

Journal ref ICLR 2025

WebOperator: Action-Aware Tree Search for Autonomous Agents in Web Environment

WebOperator: 基于动作意识的树搜索用于网络环境中的自主代理

Mahir Labib Dihan, Tanzima Hashem, Mohammed Eunus Ali, Md Rizwan Parvez

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Bangladesh University of Engineering and Technology (BUET)（孟加拉工程与技术大学） ； Faculty of Information Technology（信息技术学院） ； Monash University（莫纳什大学） ； Qatar Computing Research Institute (QCRI)（卡塔尔计算研究所） 纠错

AI总结 WebOperator通过引入树搜索框架，实现可靠的回溯和战略探索，提升自主代理在网页环境中的任务成功率。

Comments Under review at ICLR 2026. Project page: https://kagnlp.github.io/WebOperator/

COSMO-INR: Complex Sinusoidal Modulation for Implicit Neural Representations

COSMO-INR：复数正弦调制用于隐式神经表示

Pandula Thennakoon, Avishka Ranasinghe, Mario De Silva, Buwaneka Epakanda, Roshan Godaliyadda, Parakrama Ekanayake, Vijitha Herath

机构 * Department of Electrical and Electronic Engineering（电气与电子工程系） 纠错

AI总结 COSMO-INR通过复数正弦调制激活函数提升隐式神经表示的性能，实现图像重建、去噪、超分辨率等任务的显著改进。

Comments Submitted as a conference paper to ICLR 2026

SEMDICE: Off-policy State Entropy Maximization via Stationary Distribution Correction Estimation

SEMDICE：通过平稳分布校正估计实现的非策略状态熵最大化

Jongmin Lee, Meiqi Sun, Pieter Abbeel

机构 * UC Berkeley（加州大学伯克利分校） ； Yonsei University（延世大学） 纠错

AI总结 SEMDICE通过平稳分布校正估计，从非策略数据集中学习状态熵最大化策略，实现更高效的无监督强化学习预训练。

Comments ICLR 2025

AdaRankGrad: Adaptive Gradient-Rank and Moments for Memory-Efficient LLMs Training and Fine-Tuning

AdaRankGrad: 适应性梯度-秩和矩用于内存高效的LLM训练和微调

Yehonathan Refael, Jonathan Svirsky, Boris Shustin, Wasim Huleihel, Ofir Lindenbaum

机构 * Department of Electrical Engineering-Systems at Tel Aviv University（特拉维夫大学电子工程系统系） ； Faculty of Engineering, Bar Ilan University（巴伊兰大学工程学院） ； Mathematical Institute, University of Oxford（牛津大学数学学院） 纠错

AI总结 AdaRankGrad通过自适应低秩梯度更新实现内存高效的大语言模型训练和微调，减少内存需求并提升模型性能。

Journal ref ICLR 2025

PhyloLM : Inferring the Phylogeny of Large Language Models and Predicting their Performances in Benchmarks

PhyloLM : 推断大语言模型的系统发育并预测其在基准测试中的性能

Nicolas Yax, Pierre-Yves Oudeyer, Stefano Palminteri

AI总结 PhyloLM通过系统发育算法推断大语言模型的系统发育关系并预测其在基准测试中的性能。

Comments The project code is available at https://github.com/Nicolas-Yax/PhyloLM . Published as https://iclr.cc/virtual/2025/poster/28195 at ICLR 2025. A code demo is available at https://colab.research.google.com/drive/1agNE52eUevgdJ3KL3ytv5Y9JBbfJRYqd

Journal ref ICLR 2025

ADAM Optimization with Adaptive Batch Selection

具有自适应批处理选择的ADAM优化

Gyu Yeol Kim, Min-hwan Oh

机构 * Seoul National University（首尔国立大学） 纠错

AI总结 本文提出AdamCB，结合组合老虎机技术改进ADAM优化器，提升收敛速度和理论保证，实验证明其优于现有方法。

Comments Published at ICLR 2025

Journal ref Proc. The Thirteenth International Conference on Learning Representations (ICLR), 2025

Data Taggants: Dataset Ownership Verification via Harmless Targeted Data Poisoning

数据标记物：通过无害的针对性数据污染实现数据集所有权验证

Wassim Bouaziz, Nicolas Usunier, El-Mahdi El-Mhamdi

机构 * Meta AI, FAIR & CMAP, École polytechnique Paris, France（Meta AI、FAIR 及 CMAP、巴黎高等理工学院） ； Work done while at Meta AI, FAIR（在 Meta AI、FAIR 期间） ； CMAP, École polytechnique Palaiseau, France（CMAP、巴黎高等理工学院 Palaiseau 分校） 纠错

AI总结 本文提出数据标记物，一种通过无害针对性数据污染实现数据集所有权验证的新技术，能够可靠检测训练数据集的模型，不损害验证准确率。

Comments Published at ICLR 2025. 19 pages, 9 figures