ICLR

Mixed Precision Training of Convolutional Neural Networks using Integer Operations

使用整数运算进行卷积神经网络的混合精度训练

Dipankar Das, Naveen Mellempudi, Dheevatsa Mudigere, Dhiraj Kalamkar, Sasikanth Avancha, Kunal Banerjee, Srinivas Sridharan, Karthik Vaidyanathan, Bharat Kaul, Evangelos Georganas, Alexander Heinecke, Pradeep Dubey, Jesus Corbal, Nikita Shustrov, Roma Dubtsov, Evarist Fomenko, Vadim Pirogov

机构 * Parallel Computing Lab（并行计算实验室） ； Intel Labs, India（英特尔实验室，印度） ； Product Architecture Group（产品架构组） ； Intel Labs, SC Intel, OR（英特尔实验室，SC英特尔，美国） ； Software Services Group（软件服务组） ； Intel, OR（英特尔，美国） 纠错

AI总结 本文提出了一种基于整数运算的混合精度训练方法，在ImageNet-1K数据集上训练了ResNet-50、GoogLeNet-v1等SOTA网络，实现了比FP32更高的训练吞吐量和相同精度下的最高准确率。

Comments Published as a conference paper at ICLR 2018

Stabilizing Adversarial Nets With Prediction Methods

用预测方法稳定对抗网络

Abhay Yadav, Sohil Shah, Zheng Xu, David Jacobs, Tom Goldstein

机构 * University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

AI总结 本文提出一种改进的随机梯度下降方法，通过稳定对抗网络的训练过程，使其更可靠地收敛到鞍点，提高训练稳定性与效率。

Comments Accepted at ICLR 2018

Deep Variational Bayes Filters: Unsupervised Learning of State Space Models from Raw Data

深度变分贝叶斯滤波器：从原始数据中无监督学习状态空间模型

Maximilian Karl, Maximilian Soelch, Justin Bayer, Patrick van der Smagt

AI总结 本文提出深度变分贝叶斯滤波器，通过变分推断处理非解析性推理，实现从原始数据中无监督学习状态空间模型，提升长期预测能力。

Comments Published as a conference paper at ICLR 2017

Reasoning Structure of Large Language Models

大型语言模型的推理结构

Frédéric Berdoz, Luca A. Lanzendörfer, Fabian Farestam, Roger Wattenhofer

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 针对大型推理模型评估中隐藏不同推理结构的问题，提出基于逻辑谜题的基准测试和将非结构化轨迹转化为可验证推理图的方法，并定义推理效率指标，以量化分析推理拓扑结构。

Comments Accepted at ICML 2026 and presented at the ICLR 2026 workshop on LLM reasoning

Dynamic Objective Selection with Safeguards and LLM Oversight for Financial Decision-Making

动态目标选择与防护机制及大语言模型监督在金融决策中的应用

Keigo Sakurai, Takahiro Ogawa, Miki Haseyama, Anjyu Anan, Kei Nakagawa

机构 * Hokkaido University（北海道大学） ； Nomura Asset Management Co., Ltd.（日兴资产经营管理公司） ； Kobe University（Kobe大学） ； Osaka Metropolitan University（大阪市立大学） 纠错

AI总结 提出DOSS方法，通过将目标选择建模为分类问题并利用滚动窗口进行顺序更新，结合置信度感知门控和LLM监督，实现金融决策中动态目标选择，降低误选和过度切换风险。

Comments Accpeted to The 2nd Workskop on Advances in Financial AI Workshop: Towards Agentic and Responsible Systems at ICLR 2026

CP-Agent: Context-Aware Multimodal Reasoning for Cellular Morphological Profiling under Chemical Perturbations

CP-Agent: 化学扰动下细胞形态学轮廓的上下文感知多模态推理

Yuxin Zhang, Yiyao Li, Ping Shu Ho, Simon See, Zhenqin Wu, Kevin Tsia

机构 * Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电子与计算机工程系） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； School of Biomedical Engineering, The University of Hong Kong（香港大学生物医学工程学院） ； Nvidia AI Technology Center（NVIDIA人工智能技术中心） ； Advanced Biomedical Instrumentation Centre（先进生物医学仪器中心） 纠错

AI总结 提出CP-Agent，一种基于上下文感知对齐模块CP-CLIP的多模态大语言模型，用于生成药物扰动下细胞形态变化的可解释机制性解释，实现高精度处理与机制区分（最大F1分数0.896），并整合工具使用与推理生成结构化报告以加速药物发现。

Comments ICLR 2026

Deft Scheduling of Dynamic Cloud Workflows with Varying Deadlines via Mixture-of-Experts

基于混合专家模型的动态云工作流截止时间感知调度

Ya Shen, Gang Chen, Hui Ma, Mengjie Zhang

机构 * School of Engineering and Computer Science, Victoria University of Wellington（维多利亚大学工程与计算机科学学院） 纠错

AI总结 提出一种基于混合专家模型的深度强化学习调度策略DEFT，通过图自适应门控机制动态路由决策，有效降低执行成本和截止时间违反率。

Comments This paper has been accepted by the Fourteenth International Conference on Learning Representations (ICLR 2026)

Journal ref International Conference on Learning Representations (ICLR 2026)

Testing Most Influential Sets

最具影响力集合的检验

Lucas D. Konrad, Nikolas Kuschnig

机构 * Vienna University of Economics and Business（维也纳经济与商业大学） ； Monash University（墨尔本大学） 纠错

AI总结 针对小部分数据点可能过度影响模型结论的问题，基于线性最小二乘法推导精确影响公式并识别最大影响的极值分布，提出一个用于检验过度影响的假设检验框架。

Comments Published as a conference paper at ICLR 2026

The Diagonalized Newton Algorithm for Nonnegative Matrix Factorization

非负矩阵分解的对角化牛顿算法

Hugo Van hamme

AI总结 针对非负矩阵分解问题，提出一种对角化牛顿算法（DNA），在保持实现简单性的同时加速收敛，适用于高秩问题。

Comments 8 pages + references; International Conference on Learning Representations, 2013

Mapping Whisper Representations to Human ECoG Responses with Interpretable Time-Resolved Neural Encoding

将Whisper表示映射到人类ECoG响应：可解释的时间分辨神经编码

Matteo Ciferri, Tommaso Boccato, Michal Olak, Matteo Ferrante, Nicola Toschi

AI总结 通过时间分辨神经编码器结合语音嵌入与循环时间模型及软注意力，研究Whisper内部表示如何预测颅内ECoG响应，发现中间层与神经活动对应最强，且高分辨率ECoG受益于时间结构化建模。

Comments Presented at ICLR 2026 Workshop on Representational Alignment (Re-Align)

Low-Pass Flow Matching

低通流匹配

Francesco M. Ruscio, T. Konstantin Rusch

机构 * ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Liquid AI（液体AI） 纠错

AI总结 针对流匹配中白噪声源与自然数据频谱不匹配的问题，提出基于算子调制插值的低通流匹配方法，引入时变频谱偏差，在保持或提升样本质量的同时显著降低采样成本。

Comments ICLR 2026 Delta Workshop

CA-BED: Conversation-Aware Bayesian Experimental Design

CA-BED：对话感知的贝叶斯实验设计

Daniel Arnould, Rashad Aziz, Zixuan Kang, Tanav Changal, Kevin Zhu, Sunishchal Dev, Gabriel Grand, Shreyas Sunil Kulkarni

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） 纠错

AI总结 提出对话感知的贝叶斯实验设计（CA-BED），一种推理时概率对话规划框架，通过结合贝叶斯实验设计与LLM似然估计，在多个对话轮次中优化问题选择，在结构化实体推断基准上平均成功率提升21.8%，仅增加1.8轮对话。

Comments Reliable Autonomy Workshop at ICLR 2026

Quality-Diversity Evolution for Discovering Diverse Vulnerabilities in LLM Safety

用于发现LLM安全中多样漏洞的质量-多样性进化

Subhadip Mitra

机构 * Rota Labs（Rota实验室） 纠错

AI总结 提出基于质量-多样性进化框架（MAP-Elites）在语义层面生成可解释攻击策略，发现不同LLM的特定漏洞模式。

Comments 9 pages, 6 figures. Accepted at the ICLR 2026 Workshop on Agents in the Wild (AIWILD)

Limits of Resolution Equivariance in Fourier Neural Operators

傅里叶神经算子中的分辨率等变性极限

Alex Colagrande, Paul Caillon, Eva Feillet, Alexandre Allauzen

机构 * Miles Team, LAMSADE, Université Paris Dauphine-PSL（巴黎萨克雷大学巴黎-达菲学院LAMSADE团队） ； Université Paris-Saclay, CNRS, LISN（巴黎-萨克雷大学CNRS LISN） ； ESPCI PSL, Paris（巴黎ESPCI PSL） 纠错

AI总结 本文通过对比直接细网格推理与低网格加傅里叶零填充上采样两种策略，发现傅里叶神经算子并不总是能泛化到不同分辨率，并分析了其层间频谱特性，指出非线性混叠是零样本分辨率等变性的主要障碍。

Comments Published as a paper at AI&PDE: ICLR 2026 Workshop on AI and Partial Differential Equations. 6 pages, 2 figures

Special Unitary Parameterized Estimators of Rotation

旋转的特殊酉参数化估计器

Akshay Chandrasekhar

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文通过特殊酉矩阵重新审视旋转估计问题，提出两种新的连续表示用于神经网络中的旋转学习，并通过实验验证其有效性。

Comments Published at ICLR 2026; clarified paper contribution and theoretical narrative; 33 pages

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

Safety Mirage: How Spurious Correlations Undermine VLM Safety Fine-Tuning and Can Be Mitigated by Machine Unlearning

安全幻象：虚假相关性如何破坏VLM安全微调及通过机器遗忘缓解

Yiwei Chen, Yuguang Yao, Yihua Zhang, Bingquan Shen, Gaowen Liu, Sijia Liu

机构 * Michigan State University（密歇根州立大学） ； National University of Singapore（新加坡国立大学） ； Cisco Research（思科研究） 纠错

AI总结 本文发现视觉语言模型（VLM）的安全微调存在“安全幻象”，即虚假相关性导致脆弱性，并提出机器遗忘作为替代方案，显著降低攻击成功率和不必要拒绝。

Comments Accepted to ICLR 2026

Value Flows

Value Flows

Perry Dong, Chongyi Zheng, Chelsea Finn, Dorsa Sadigh, Benjamin Eysenbach

机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文利用基于流的生成模型估计完整未来回报分布，通过新的流匹配目标满足分布贝尔曼方程，并利用流导数ODE估计回报不确定性以优先学习，在离线与在线设置中平均成功率提升1.3倍。

Comments ICLR 2026

Unlearning Isn't Invisible: Detecting Unlearning Traces in LLMs from Model Outputs

遗忘并非不可见：从模型输出中检测LLMs的遗忘痕迹

Yiwei Chen, Soumyadeep Pal, Yimeng Zhang, Qing Qu, Sijia Liu

机构 * Michigan State University（密歇根州立大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； IBM Research（IBM研究院） 纠错

AI总结 本文发现大型语言模型在经历机器遗忘后会在行为和内部表征中留下可检测的“指纹”，并通过分类器利用预测logits或文本输出以超过90%的准确率识别遗忘模型。

Comments Accepted to ICLR 2026

Distillation of Large Language Models via Concrete Score Matching

通过具体分数匹配进行大型语言模型的蒸馏

Yeongmin Kim, Donghyeok Shin, Mina Kang, Byeonghu Na, Il-Chul Moon

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 提出具体分数蒸馏（CSD）目标，通过离散分数匹配克服softmax平滑和logit平移不变性限制，实现学生与教师模型间所有词汇对相对logit差异的灵活加权，在GPT-2、OpenLLaMA和GEMMA上优于现有蒸馏方法。

Comments ICLR 2026

StreamingVLM: Real-Time Understanding for Infinite Video Streams

StreamingVLM：无限视频流的实时理解

Ruyi Xu, Guangxuan Xiao, Yukang Chen, Liuning He, Yao Lu, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） 纠错

AI总结 提出StreamingVLM，通过统一训练与流推理的框架，利用注意力汇点状态复用和滑动窗口机制实现无限视频流的实时稳定理解，在Inf-Streams-Eval基准上以8 FPS速度达到66.18%胜率，并提升通用VQA能力。

Comments Published as a conference paper at ICLR 2026. The first two authors contributed equally to this work

Chunked TabPFN: Exact Training-Free In-Context Learning for Long-Context Tabular Data

分块TabPFN：面向长上下文表格数据的精确免训练上下文学习

Renat Sergazinov, Shao-An Yin

机构 * Department of Statistics, Texas A\&M University, College Station, TX（德克萨斯A&M大学统计学系） ； Department of Electrical and Computer Engineering, University of Minnesota, Twin City, MN（明尼苏达大学电气与计算机工程系） 纠错

AI总结 提出分块注意力策略，使TabPFN无需预处理即可处理超过10K上下文令牌的长表格数据，并在TabArena基准上验证有效性。

Comments 14 pages, 6 figures

Journal ref ICLR Blogposts 2026

T1: Tool-integrated Verification for Test-time Compute Scaling in Small Language Models

T1：小语言模型测试时计算扩展的工具集成验证

Minki Kang, Jongwon Jeong, Jaewoong Cho

机构 * KAIST（韩国科学技术院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； KRAFTON 纠错

AI总结 针对小语言模型在测试时扩展中验证能力不足的问题，提出T1框架，通过外部工具过滤候选输出后由小语言模型进行最终验证，显著提升验证准确率和测试时扩展性能。

Comments ICLR 2026

Effective Biological Representation Learning by Masking Gene Expression

通过掩码基因表达实现有效的生物表示学习

Kian Kenyon-Dean, Alina Selega, Ihab Bendidi, Jordan M. Sorokin, Luca Bertinetto, David Errington, Hayley Donnella, Oren Kraus

机构 * Recursion ； Valence Labs ； École Normale Supérieure PSL 纠错

AI总结 提出自监督模型TxFM，采用掩码自编码方法处理RNA-seq数据，通过消融研究确定关键架构，并在精心策划的DiverseRNA-1.4M数据集上训练，获得优于大规模基础模型的基因表示。

Comments 31 pages, 11 figures. Preprint; presented at ICLR 2026 2nd Workshop on Foundation Models for Science: Real-World Impact and Science-First Design

Destruction is a General Strategy to Learn Generation; Diffusion's Strength is to Take it Seriously; Exploration is the Future

破坏是学习生成的一般策略；扩散的优势在于认真对待它；探索是未来

Pierre-André Noël

机构 * ServiceNow AI Research（ServiceNow AI研究院） 纠错

AI总结 本文提出扩散模型作为信息隐藏与猜测框架的一部分，论证其破坏式信息隐藏比手工设计更灵活，尤其在数据稀缺场景有优势，并探讨强化学习技术移植到扩散上下文时的微妙问题及原生探索方向。

Comments Published April 27th, 2026 as an ICLR blogpost https://iclr-blogposts.github.io/2026/blog/2026/destruction/

Journal ref Noël, Piere-André. "Destruction is a General Strategy to Learn Generation; Diffusion's Strength is to Take it Seriously; Exploration is the Future", ICLR Blogposts, 2026

Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification

基于小波图像变换和频谱流匹配的功能磁共振时间序列生成用于脑疾病识别

Hwa Hui Tew, Junn Yong Loo, Fang Yu Leong, Julia K. Lau, Ding Fan, Hernando Ombao, Raphaël C. -W. Phan, Chee Pin Tan, Chee-Ming Ting

机构 * School of Information Technology, Monash University Malaysia（墨尔本大学马来西亚分校信息科技学院） ； School of Engineering, Monash University Malaysia（墨尔本大学马来西亚分校工程学院） ； Statistics Program, 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统计学项目） 纠错

AI总结 提出双频谱流匹配（DSFM）框架，通过离散小波变换和离散余弦变换对BOLD信号进行双频表示，结合频谱流匹配生成类条件余弦频率表示，再经逆变换重建生理上合理的时域BOLD信号，以改善下游脑网络分类。

Comments Accepted at the Fourteenth International Conference on Learning Representations (ICLR 2026)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning

可扩展的机械神经网络用于微分方程和机器学习

Jiale Chen, Dingling Yao, Adeel Pervez, Dan Alistarh, Francesco Locatello

机构 * Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所） 纠错

AI总结 提出可扩展机械神经网络（S-MNN），通过线性化序列长度的计算和空间复杂度，实现高效建模长期动力学，保持精度和可解释性。

Comments Published as a conference paper at the Thirteenth International Conference on Learning Representations (ICLR 2025): https://openreview.net/forum?id=Oazgf8A24z

Journal ref International Conference on Learning Representations, 2025, pp. 10018-10039

Reliable Self-Improvement Training by Verifying Reasoning, Not Just Answers

可靠的自改进训练：验证推理过程，而不仅仅是答案

Xinyu Zhang

机构 * Anyscale 纠错

AI总结 针对自改进训练中因依赖最终答案正确性导致推理错误累积的问题，提出VSI框架，通过步骤级结构验证（如符号计算检查算术步骤）筛选训练数据，在GSM8K上实现持续准确率提升（80.5%→91.0%）。

Comments Accepted at ICLR 2026 Workshop LLM Reasoning. 10 pages, 3 figures, 5 tables

The Gaussian-Head OFL Family: One-Shot Federated Learning from Client Global Statistics

高斯头OFL系列：基于客户端全局统计的一次性联邦学习

Fabio Turazza, Marco Picone, Marco Mamei

机构 * Department of Sciences and Methods for Engineering（工程科学与方法系） ； Artificial Intelligence Research and Innovation Center（人工智能研究与创新中心） ； University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） 纠错

AI总结 提出高斯头OFL系列方法，通过客户端仅传输每类计数和一二阶矩，服务器利用闭式高斯头、FisherMix和Proto-Hyper三种组件构建模型，实现严格无数据的一次性联邦学习，在强非独立同分布下达到最先进鲁棒性和准确性。

Comments Accepted at the International Conference on Learning Representations (ICLR) 2026 - Final Version

Beyond Hearing: Learning Task-Agnostic ExG Representations from Earphones via Physiology-Informed Tokenization

超越听觉：通过生理学启发的标记化从耳机学习任务无关的ExG表示

Hyungjun Yoon, Seungjoo Lee, Yu Yvonne Wu, Xiaomeng Chen, Taiting Lu, Freddy Yifei Liu, Taeckyung Lee, Hyeongheon Cha, Haochen Zhao, Gaoteng Zhao, Dongyao Chen, Cecilia Mascolo, Sung-Ju Lee, Lili Qiu

机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； UCLA（加州大学洛杉矶分校） ； Northwest University（北华大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院） 纠错

AI总结 提出一种基于耳机的生理学启发的多频带标记化方法（PiMT），通过无干扰的日常ExG数据采集和重建任务学习鲁棒表示，实现跨多种任务（包括五种人类感官）的通用ExG监测。

Comments Accepted to ICLR 2026

Expert Merging in Sparse Mixture of Experts with Nash Bargaining

基于纳什谈判的稀疏混合专家模型专家合并

Dung V. Nguyen, Anh T. Nguyen, Minh H. Nguyen, Luc Q. Nguyen, Shiqi Jiang, Ethan Fetaya, Linh Duy Tran, Gal Chechik, Tan M. Nguyen

机构 * Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； Viettel AI, Viettel Group（越南电信AI部门） ； Faculty of Mathematics and Informatics, Hanoi University of Science and Technology（河内科学技术大学数学与信息学系） ； Bar Ilan University, Israel（以色列巴伊兰大学） ； AI Imaging Team, Data Solution Department, FPT Software Japan（日本FPT软件数据解决方案部门AI成像团队） 纠错

AI总结 针对稀疏混合专家模型缺乏原则性加权机制的专家合并问题，提出基于纳什谈判的NAMEx框架，实现专家间更平衡高效的协作，在多项任务中优于现有方法。

Comments 10 pages in the main text. ICLR 2026 Poster