Mesh Based Simulations with Spatial and Temporal awareness
基于网格的模拟与空间时间意识
机构 * CEMEF - Mines Paris PSL（CEMEF - 巴黎 Mines 工程学院）
AI总结 本文提出统一框架，结合几何深度学习与严谨数值分析，通过多节点预测、时间校正和几何归纳偏差提升物理模拟的准确性和稳定性。
Journal ref ICML 2026
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
VAnim: Rendering-Aware Sparse State Modeling for Structure-Preserving Vector Animation
VAnim：基于渲染的稀疏状态建模用于结构保持的向量动画
机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Department of Computer Science, The University of Hong Kong, Hong Kong, China（香港大学计算机科学系） ； College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院）
AI总结 VAnim提出了一种基于LLM的框架，通过稀疏状态更新和渲染感知强化学习，实现结构保持的向量动画生成，优于现有方法。
Comments Accepted to ICML 2026. Project page: https://yukinonooo.github.io/VAnimProject
Decompose and Recompose: Reasoning New Skills from Existing Abilities for Cross-Task Robotic Manipulation
分解与重组：从已有能力中推导新技能以实现跨任务机械操作
机构 * School of Artificial Intelligence, College of Intelligence and Computing, Tianjin University, China（人工智能学院，智能与计算学院，天津大学，中国） ； School of Computer Science and Information Engineering, Hefei University of Technology, China（计算机科学与信息工程学院，合肥工业大学，中国）
AI总结 本文提出Decompose and Recompose框架，通过分解现有任务演示为可解释的技能-动作对，实现跨任务机械操作的零样本泛化。
Comments Accepted by ICML 2026
Hallucinations Undermine Trust; Metacognition is a Way Forward
幻觉削弱信任；元认知是前进的方向
机构 * Tel Aviv University（特拉维夫大学）
AI总结 研究指出，生成AI的幻觉问题源于知识边界扩展而非意识提升，提出通过元认知表达不确定性以提升可信度和能力。
Comments To appear in ICML 2026 (Position Track)
Barriers to Counterfactual Credit Attribution for Autoregressive Models
自回归模型中反事实信用归因的障碍
AI总结 研究自回归模型中反事实信用归因的挑战，发现信用归因不具有自回归性，且基于弱最优性要求的反事实归因需指数级查询复杂度。
Comments ICML 2026
Lifting Traces to Logic: Programmatic Skill Induction with Neuro-Symbolic Learning for Long-Horizon Agentic Tasks
将轨迹提升到逻辑：基于神经符号学习的程序化技能诱导用于长视界代理任务
机构 * State Key Laboratory of Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学） ； School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学） ； School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学） ； Centre for Frontier AI Research（前沿人工智能研究中心） ； Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，新加坡科技研究局） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology, China（香港科学与技术大学计算机科学与工程系）
AI总结 本文提出NSI框架，通过将交互轨迹提升为模块化逻辑 grounded 程序，使代理能从少量示例中归纳技能并适应新目标，优于现有方法。
Comments ICML 2026
New Bounds for Kernel Sums via Fast Spherical Embeddings
通过快速球面嵌入获得核和的新界
机构 * Tel Aviv University（特拉维夫大学）
AI总结 研究在有限数据集上估计查询y的核均值的查询时间界，提出改进的边界并展示其在小误差和中间直径下的优势。
Comments ICML 2026
CombinationTS: A Modular Framework for Understanding Time-Series Forecasting Models
CombinationTS：一个用于理解时间序列预测模型的模块化框架
机构 * Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； Northeastern University, Shenyang, China（东北大学） ； Beijing Normal University - Hong Kong Baptist University United International College, Zhuhai, China（北京师范大学-香港 Baptist大学联合国际学院）
AI总结 本文提出CombinationTS框架，通过分解模型为输入变换、嵌入、编码器、解码器和输出变换模块，量化各部分性能和稳定性，揭示模型改进的核心驱动因素，发现嵌入设计良好时，无参数的Identity编码器可超越复杂结构。
Comments Accepted by ICML 2026 main track. Code available at https://github.com/BenchCouncil/CombinationTS
Focus and Dilution: The Multi-stage Learning Process of Attention
聚焦与稀释：注意力的多阶段学习过程
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University.（上海交通大学数学科学学院） ； Institute of Natural Sciences, Shanghai Jiao Tong University.（上海交通大学自然科学研究院） ； MOE-LSC, Shanghai Jiao Tong University.（教育部-上海交大语言研究所） ； CMA-Shanghai, Shanghai Jiao Tong University（上海交大CMA中心） ； Shanghai Seres Information Technology Co., Ltd, Shanghai 200040, China.（上海塞瑞斯信息技术有限公司）
AI总结 本文研究了Transformer模型注意力机制的多阶段学习过程，揭示了聚焦与稀释的循环机制，并通过实验验证了其动态特性。
Comments ICML 2026 spotlight
Networked Information Aggregation for Binary Classification
基于网络的信息聚合用于二分类
机构 * University of Maryland, College Park, MD, USA（马里兰大学学院市分校） ； Google Research, New York City, NY, USA（谷歌研究纽约市分校） ； University of California, Irvine, CA, USA（加州大学尔湾分校）
AI总结 研究网络二分类中信息聚合问题，通过序列分布式训练流程分析信息聚合效果，证明深度对信息聚合的限制。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning
生理感知的跨模态掩码重建用于生物信号表示学习
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Samsung Research America（三星美国研究院）
AI总结 本文提出xMAE框架，通过跨模态掩码重建捕捉生物信号的时序关系，提升表示学习效果，在15/19下游任务中优于基线模型。
Comments Proceedings of the 43rd International Conference on Machine Learning
Watch Your Step: Information Injection in Diffusion Models via Shadow Timestep Embedding
小心脚下：通过影子时间步嵌入在扩散模型中注入信息
机构 * Department of Computer Science, University of Nevada Las Vegas（内华达大学拉斯维加斯分校计算机科学系）
AI总结 研究探讨了扩散模型中时间步嵌入的潜在信息注入风险，提出影子时间步嵌入机制，揭示时间步嵌入作为侧信道的潜力，推动对抗生成建模的新方向。
Comments 14 pages, accepted to ICML 2026
How Reasoning Evolves from Post-Training Data: An Empirical Study Using Chess
推理如何从训练数据中演变：使用国际象棋的实证研究
机构 * Department of Computer Science and Engineering, University of California San Diego, San Diego, United States（计算机科学与工程系，加州大学圣地亚哥分校，圣地亚哥，美国）
AI总结 研究语言模型推理从监督微调到强化学习的演变，发现直接预测最佳走法的微调能提升性能，但强化学习阶段导致不一致推理，而多步轨迹训练则能获得更稳定的推理。
Comments Accepted at ICML 2026. An earlier version appeared at the NeurIPS 2025 Foundations of Reasoning in Language Models (FoRLM) Workshop (Oral)
CrispEdit: Low-Curvature Projections for Scalable Non-Destructive LLM Editing
CrispEdit：可扩展的非破坏性LLM编辑中的低曲率投影
机构 * University of Southern California（南加州大学）
AI总结 CrispEdit通过低曲率子空间约束优化，实现LLM编辑中的能力保持，有效降低能力退化，提升编辑效果。
Comments ICML 2026
STEP: Warm-Started Visuomotor Policies with Spatiotemporal Consistency Prediction
STEP: 带时空一致性的预热视觉运动策略
机构 * Shanghai Jiao Tong University, Shanghai, China.（上海交通大学，上海，中国。） ； Shanghai Innovation Institute, Shanghai, China.（上海创新研究院，上海，中国。）
AI总结 本文提出STEP策略，通过轻量级时空一致性预测机制生成高质量预热动作，同时保持生成能力。引入速度感知扰动注入机制，防止执行停滞，提升实时任务性能。
Comments Accept by ICML 2026
Quant VideoGen: Auto-Regressive Long Video Generation via 2-Bit KV-Cache Quantization
Quant VideoGen：通过2位KV缓存量化实现自回归长视频生成
机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出Quant VideoGen，通过语义感知平滑和渐进残差量化技术，有效降低KV缓存内存消耗，提升长视频生成质量与效率。
Comments Accepted by ICML 2026. 11 pages, 7 figures
Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training
Transformer树推理后训练中课程的可证明益处
机构 * cuhk（城市大学） ； riken（理化学研究所先进智能项目中心） ； ism（统计数学研究所） ； usyd（悉尼大学） ； astar（科技研究局） ； ntu（南洋理工大学） ； utokyo（东京大学）
AI总结 本文提出一个理论框架，证明课程后训练在提升推理性能方面具有指数级改进，通过分析发现课程策略能显著降低样本复杂度。
Comments Accepted as a conference paper at 43rd International Conference on Machine Learning (ICML 2026)
ACTG-ARL: Differentially Private Conditional Text Generation with RL-Boosted Control
ACTG-ARL: 差分隐私条件下通过RL增强的条件文本生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google Research（谷歌研究院） ； Meta
AI总结 本文提出ACTG-ARL框架，通过分层结构和Anchored RL方法，在差分隐私下提升生成文本质量与条件生成控制，实现MAUVE指标提升20%。
Comments Accepted at ICML 2026
Unfolded Laplacian Spectral Embedding: A Theoretically Grounded Approach to Dynamic Network Representation
展开拉普拉斯谱嵌入：一种理论基础的动态网络表示方法
机构 * Department of Mathematical Informatics, Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院数学与信息学系） ； Mathematics and Informatics Center, Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院数学与信息学中心） ； The Canon Institute for Global Studies（Canon全球研究机构）
AI总结 本文提出ULSE方法，通过扩展展开邻接谱嵌入到归一化拉普拉斯算子，解决动态网络表示的稳定性问题，并提供动态Cheeger不等式理论支持。
Journal ref 43rd International Conference on Machine Learning (ICML 2026)
Meta-learning Structure-Preserving Dynamics
元学习保持结构的动力学
机构 * School of Computing and Augmented Intelligence, Arizona State University, USA（计算与增强智能学院，亚利桑那州立大学） ； TelePIX Co., Ltd., South Korea（TelePIX公司，韩国） ； LG CNS Co., Ltd, South Korea（LG CNS公司，韩国） ； Center for Computing Research, Sandia National Laboratories, USA（计算研究中心，桑迪亚国家实验室）
AI总结 本文提出通过调制技术进行元学习，用于学习保守动力系统，实现少样本适应和参数空间内的鲁棒泛化，同时保持关键不变量的守恒。
Comments Accepted to ICML 2026; full camera-ready version will be updated later
Ellipsoidal Time Series Forecasting
椭圆时间序列预测
机构 * Independent Researcher（独立研究者）
AI总结 本文提出Fern方法，通过显式谱结构学习局部雅可比矩阵，将预测视为概率质量从固定高斯源到数据依赖椭球的最优传输，提升非平稳场景下的鲁棒性。
Comments Accepted by ICML 2026. Public code at https://anonymous.4open.science/r/ FernPaper-58B4
