ICML

Limits of Convergence-Rate Control for Open-Weight Safety

开放权重安全性的收敛速率控制极限

Domenic Rosati, Xijie Zeng, Hong Huang, Sebastian Dionicio, Subhabrata Majumdar, Frank Rudzicz, Hassan Sajjad

机构 * Dalhousie University（达尔豪斯大学） ； Vector Institute（向量研究所） ； Indian Institute of Management Bangalore（班加罗尔印度管理学院） 纠错

AI总结 本文提出SpecDef算法，通过谱重参数化在非对抗性设置中减缓优化收敛速度，并揭示了对抗性环境下收敛速率控制方法的理论极限。

Comments Submitted to ICML 2026. 13 figures, 30 tables

Test-Time Training Provably Improves Transformers as In-context Learners

测试时训练可证明地提高变换器作为上下文学习者

Halil Alperen Gozeten, M. Emrullah Ildiz, Xuechen Zhang, Mahdi Soltanolkotabi, Marco Mondelli, Samet Oymak

AI总结 测试时训练通过调整模型权重提升变换器在上下文学习中的性能，减少样本需求并提高推理效率。

Comments Accepted at ICML 2025

Stochastic Localization via Iterative Posterior Sampling

通过迭代后验采样实现随机定位

Louis Grenioux, Maxence Noble, Marylou Gabrié, Alain Oliviero Durmus

机构 * CMAP, CNRS, École polytechnique, Institut Polytechnique de Paris（CMAP、法国国家科学研究中心、巴黎高等学院、巴黎理工学院） 纠错

AI总结 本文提出SLIPS方法，通过迭代后验采样实现随机定位，用于从无规范目标密度中采样，适用于多模分布的基准测试。

Comments Accepted at ICML 2024, improved assumption A0 (and consequences), fixed corollary 11