期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
从感知到思考：解耦感知与推理提升视觉语言模型的训练
机构 * Amazon（亚马逊） ； University of Waterloo（滑铁卢大学） ； Vector Institute, Canada CIFAR AI Chair（向量研究所，加拿大CIFAR人工智能主席）
AI总结 本研究通过解耦感知与推理，发现视觉任务性能受限于感知能力不足而非推理本身，通过分阶段训练提升模型的感知与推理能力，从而在多个视觉数学和感知任务中取得更优表现。
Comments 19 pages, 9 figures; Accepted to ICML 2026; Project Page: https://ucsc-vlaa.github.io/VLM-CapCurriculum/
面向目标的高斯过程低尾校准用于贝叶斯优化
机构 * Univ. Paris-Saclay, CNRS, CentraleSupélec, L2S, Gif-sur-Yvette, France（巴黎萨克雷大学，国家科学研究中心，中央超算实验室，L2S，法国吉夫-sur-伊夫特）
AI总结 本文研究了在无噪声情况下，针对低于低阈值t的标准高斯过程模型的预测分布进行面向目标的校准，提出了一种后处理方法tcGP，以校准预测分布低于t的部分，并展示了基于此的全局优化算法在设计空间中保持密集性，实验表明相较于标准高斯过程模型和全局校准高斯过程模型，改进了低尾校准和贝叶斯优化性能。
Journal ref ICML 2026
无需训练的贝叶斯过滤与生成模拟器
机构 * SAIL, Montefiore institute, University of Liège, Belgium（SAIL、蒙费伊尔研究所、利耶大学、比利时）
AI总结 本文提出一种无需额外训练的最优粒子滤波变种，利用基于扩散的动力学模拟器，解决了高维环境下粒子滤波的可扩展性问题，通过非线性混沌系统实验验证了其有效性。
Comments Accepted as a spotlight paper at the International Conference on Machine Learning 2026
LLM基准数据集应具备抗污染性
机构 * The Pennsylvania State University, University Park, PA, USA（宾夕法尼亚州立大学）
AI总结 本文探讨了LLM基准数据集应具备抗污染性，提出通过改进数据集设计和架构来提高其可靠性和通用性。
Comments Accepted to ICML 2026 Position Paper Track
SphericalDreamer: 通过全景融合生成可导航的沉浸式3D世界
机构 * Université Côte d'Azur, CNRS, I3S, France（法国蔚蓝海岸大学、国家科学研究中心、I3S研究所） ； Criteo AI Lab, Paris, France（法国Criteo人工智能实验室）
AI总结 本研究提出SphericalDreamer方法，通过生成多个全景图像并将其提升到3D空间中进行融合，从而生成高度细节且可导航的沉浸式3D户外环境，显著提升了尺度和可导航性。
Comments Accepted at ICML 2026. Project page available at https://sphericaldreamer.github.io
通过顺序熵变化检测基于优化的对抗性提示
机构 * Department of Electronic and Electrical Engineering, University College London, London, United Kingdom（电子与电气工程系，伦敦大学学院，伦敦，英国）
AI总结 本文提出了一种基于在线变化点检测的对抗性后缀检测方法CPD，通过标准化用户令牌熵并应用单侧CUSUM统计量，提高了对优化基于对抗性提示的检测性能，同时在多个大型语言模型上实现了更高的F1分数和AUC性能。
Comments Accepted at ICML 2026; 20 pages, including 9 pages main text, references, and appendix
迈向细粒度鲁棒性：面向视觉-语言模型的注意力引导测试时提示调优
机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications（新一代人工智能技术及其交叉应用重点实验室） ； Southeast University（东南大学） ； School of Intelligence Science and Engineering（智能科学与工程学院）
AI总结 本文提出了一种注意力引导的测试时提示调优方法（A-TPT），旨在解决视觉-语言模型在对抗攻击下的鲁棒性问题，通过改进的梯度注意力机制和空间变化的增强强度来提升模型在细粒度场景下的表现。
Comments Accepted by ICML 2026, Project Page: this https, URL Code URL: this https URL
无分布不确定性量化用于连续AI代理评估
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学）
AI总结 本文提出了一种无分布的不确定性量化方法，用于连续AI代理评估，通过适应性符合推断（ACI）提供预测质量分数的覆盖保证，并开发了多代理管道的组合不确定性界限、成对排名的符合回避规则以及领奖台规模多重检验的FDR校正回避方法。
Comments 6 pages, 7 figures, 2 tables. Accepted at the ICML 2026 Workshop on Agentic Uncertainty Quantification (AgenticUQ) - Poster
WinQ: 加速围绕鞍点的语言模型量化感知训练
机构 * Northeastern University, MA（东北大学） ； Meta AI, CA（Meta AI）
AI总结 本文研究了量化感知训练（QAT）在低比特宽度下的收敛问题，提出WinQ算法通过重置权重和噪声注入梯度来加速训练并提升性能。
Comments 23 pages; To appear in ICML 2026
嵌套时空时间序列预测
机构 * Fudan University, Shanghai（复旦大学） ； Department of Computer Science and Technology, Nanjing University（南京大学计算机科学与技术系） ； ByteDance（字节跳动）
AI总结 本文提出了一种嵌套预测框架，通过结合未来宏观区域趋势与微观历史观测，实现了精细化预测，并通过谱聚类方法构建语义连贯的区域，有效过滤系统性噪声并保留关键趋势，实验表明该方法在多个高维数据集上优于现有最先进基线。
Comments Accept by ICML 2026
STABLE: 通过语义-物理双系统生成仿真准备的桌面布局
机构 * Shanghai AI Laboratory（上海人工智能实验室）
AI总结 本文提出STABLE，一种通过语义-物理双系统生成仿真准备的桌面布局的方法，通过语义推理模块生成粗略布局，物理校正模块校正布局以确保物理合理性，从而提升场景的物理有效性。
Comments ICML 2026
对比推理对齐：从隐藏表示中学习强化学习
机构 * Northwestern University（西北大学） ； University of Michigan（密歇根大学） ； Illinois Institute of Technology（伊利诺伊理工学院）
AI总结 本文提出了一种基于对比学习和强化学习的框架CRAFT，通过优化隐藏状态空间中的目标来提升对抗攻击的鲁棒性，核心贡献是通过隐藏空间的几何结构实现推理层面的安全对齐。
Comments International Conference on Machine Learning (ICML) 2026
基于Bures-沃斯特斯坦空间到参数空间的随机梯度变分推断与Price梯度估计
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了在仅给定目标分布无规范化的对数密度时，利用随机梯度的变分推断方法。通过比较Wasserstein VI和Black-Box VI，发现WVI在使用Price梯度估计时具有更优的收敛性，本文进一步证明两者在迭代复杂度上可以达到一致的最优结果。
Comments Accepted to ICML'26
小尺寸语言模型幻觉的几何分析
机构 * Engineering (CEMSE) division, King Abdullah University of Science and Technology (KAUST)（卡塔尔科技大学工程学院（CEMSE）） ； Istituto di Informatica e Telematica (IIT), National Research Council of Italy (CNR)（意大利国家研究理事会信息与电信研究所（IIT）） ； Department of Information Engineering, University of Pisa（比萨大学信息工程系）
AI总结 本文从几何角度分析小尺寸语言模型幻觉问题，提出APORIA框架，通过句子嵌入空间研究重复提示下的响应，发现真实响应比幻觉响应更紧密聚类，并通过APORIA-LP方法实现高效分类，同时发布SOCRATES-300K数据集以支持进一步研究。
Comments 30 pages, 12 figures, 14 tables, accepted as regular paper at ICML'26
WIND：用于零样本大气建模的天气反向扩散
机构 * Munich Climate Center（慕尼黑气候中心） ； Earth System Modelling Group, TUM School of Engineering（地球系统建模组，技术大学工程学院） ； Design, Technical University of Munich, Germany（设计，慕尼黑技术大学，德国） ； ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz, Austria（ELLIS单元，LIT人工智能实验室，机器学习研究所，JKU林茨，奥地利） ； Emmi AI GmbH, Linz, Austria（Emmi AI GmbH，林茨，奥地利） ； Potsdam Institute for Climate Impact Research, Potsdam, Germany（波茨坦气候影响研究所，波茨坦，德国） ； Department of Mathematics, University of Exeter, Exeter, United Kingdom（数学系，埃克塞特大学，埃克塞特，英国）
AI总结 本文提出WIND，一种统一的预训练基础模型，能够无需任务特定微调即可替代各种任务的专用基线，通过自监督视频重建目标预训练，实现了对大气的鲁棒、任务无关的先验学习，从而解决天气和气候问题，如概率预报、空间时间降尺度、从稀疏观测重建空间场以及强制全球干空气质量守恒。
Comments Published at the 43rd International Conference on Machine Learning (ICML 2026)
Colorful Pinball：基于密度加权分位数回归的条件保证置信预测
机构 * School of Economics and Management, Tsinghua University, China（清华大学经济管理学院）
AI总结 本文提出了一种基于密度加权分位数回归的条件保证置信预测方法，通过改进标准置信预测的条件覆盖性能，提供更精确的非渐近保证。
Comments ICML 2026
MIRO：多奖励条件预训练提升T2I质量和效率
机构 * LIGM, ENPC, IP Paris, CNRS, UGE, France ； LIX, CNRS, \'Ecole Polytechnique, IP Paris, France
AI总结 MIRO通过在训练过程中对模型施加多个奖励，直接学习用户偏好，从而提升文本到图像生成的质量和效率，同时在GenEval组合基准和用户偏好评分上取得最佳成绩。
Comments Accepted at ICML 2026. Project page: https://nicolas-dufour.github.io/miro
HOI-PAGE：基于部分可及性的零样本人类-物体交互生成
机构 * University of Virginia（弗吉尼亚大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文提出HOI-PAGE，一种通过部分可及性推理生成高保真4D人类-物体交互的零样本方法，利用大语言模型进行部分级机械推理，并通过结构化部分可及性图（PAG）引导三阶段合成，生成复杂多物体或多人物交互序列。
Comments ICML 2026. Project page: https://craigleili.github.io/projects/hoipage/ Video: https://www.youtube.com/watch?v=gwXjOffCFyk
基于批评的蒸馏用于通过细化实现稳健推理
机构 * University of Chicago, Department of Computer Science（芝加哥大学计算机科学系）
AI总结 该研究提出了一种基于批评的蒸馏方法，通过分离批评消费与批评生成，使模型在细调过程中根据教师的批评来细化错误响应，从而提升推理能力，相比传统蒸馏和Critique Fine-Tuning方法在数学推理基准上表现更优。
Comments Accepted to ICML 2026
什么真正提升了数学推理：超越纯代码的结构化推理信号
机构 * State Key Laboratory of Cognitive Intelligence, University of Science（认知智能国家重点实验室，科学大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Centerce（人工智能研究院，合肥综合性国家科学中心） ； Individual Researcher（个人研究员） ； Zhejiang University, Hangzhou, China（浙江大学，杭州，中国）
AI总结 本文通过控制预训练实验研究代码对推理能力的影响，发现代码主要提升编程能力而非通用推理，且在复杂数学推理中与知识密集型任务竞争，同时结构化推理轨迹（如代码-文本和数学-文本混合）比纯可执行代码更能提升推理能力。
Comments Accepted by ICML 2026, 22 pages, 10 figures
信任它还是不信任它：基于信任3R的证据不确定性用于前馈3D重建
机构 * Department of Electrical and Computer Engineering, Texas A\&M University, College Station, TX, USA（电子与计算机工程系，德克萨斯农工大学，学院站，德克萨斯州，美国）
AI总结 本文提出Trust3R，一种轻量级的证据不确定性框架，用于前馈3D重建，通过结合门控残差均值细化和正态-逆 Wishart 证据头，生成点云不确定性估计，提升几何重建的准确性和可靠性。
Comments Accepted at ICML 2026. 10 pages main paper, with appendix
令人沮丧的简单无监督视频域适应重现
机构 * Magellan Technology Research Institute (MTRI)（马格纳技术研究所（MTRI）） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出了一种名为MetaTrans的简单无监督视频域适应方法，通过巧妙的模型架构设计，分别处理跨域视频的空间和时间分歧，从而在多个跨域动作识别任务中实现了显著的性能提升。
Comments To appear in ICML 2026
什么使一个表示对单细胞扰动预测有效？
机构 * Australian Institute for Machine Learning（澳大利亚机器学习研究院） ； Responsible AI Research Centre（负责任人工智能研究中心） ； College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Department of Data Science and AI（数据科学与人工智能部门） ； School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 本文提出PerturbedVAE框架，通过分离扰动特定信息和主导不变结构，恢复因果表示以有效利用此类信息进行预测，并通过可识别性分析明确在特定条件下如何具体指定框架。
Comments Accepted to ICML 2026
非负矩阵分解的外方法
机构 * ECE, UCLA（加州大学洛杉矶分校电子与计算机工程系） ； eBay Search Science Team（eBay搜索科学团队）
AI总结 本文提出了一种非负矩阵分解的外方法（eNMF），通过分离低秩近似和非负性约束，解决了传统内部方法在非凸优化中收敛慢或陷入次优解的问题，并在多个数据集上验证了其优越的性能。
Comments Accepted to ICML 2026
是什么使合成数据在图像分割中有效
机构 * State Key Laboratory of Complex and Critical Software Environment（复杂与关键软件环境国家重点实验室） ； Beihang University（北京航空航天大学） ； School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 本文研究了合成数据在图像分割中的有效性，通过分析最先进的扩散模型生成的合成图像，发现密集场景构成和精细实例保真度是关键因素，并提出了一种统一框架SENSE，以提升分割性能。
Comments Accepted to ICML 2026
超越外推：基于双向启发的知识利用范式用于时间序列预测
机构 * College of Computer Science, Sichuan University（四川大学计算机科学学院） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） ； School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院）
AI总结 本文提出了一种新的时间序列预测范式KUP-BI，通过从训练历史库中提炼出延续式知识，为双向预测提供结构化知识，从而提升预测性能。
Comments Accepted to ICML 2026. 18 pages, 6 figures
位置：在LLM中的不确定性量化仅仅是无监督聚类
机构 * School of Computing（计算学院） ； Augmented Intelligence, Arizona State University（智能增强与亚利桑那州立大学）
AI总结 本文指出，当前LLM的不确定性量化方法本质上是无监督聚类算法，无法有效评估模型的外部正确性，导致无法检测出自信但错误的回答。文章提出了改进的不确定性量化方法，以确保模型的自信度能可靠地反映现实。
Comments Accepted by ICML 2026 Position Paper Track
全秩相关矩阵上的Riemannian网络
机构 * Department of Information Engineering and Computer Science, University of Trento, Trento, Italy（特伦托大学信息工程与计算机科学系） ； School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, China（江南大学人工智能与计算机科学学院）
AI总结 本文提出了一种在全秩相关矩阵上进行Riemannian网络的研究，通过扩展基本层并引入准确的反向传播方法，展示了其在对比现有SPD和Grassmannian网络时的有效性。
Comments Accepted to ICML 2026
Olivia：通过功率谱密度和谐化时间序列基础模型
机构 * Beijing Institute of Technology（北京理工大学） ； North China Institute of Computing Technology（华北计算技术研究所） ； State Information Center（国家信息中心） ； University of Auckland（奥克兰大学） ； Northwest Polytechnical University（西北工业大学） ； Victoria University of Wellington（威灵顿维多利亚大学）
AI总结 本文提出Olivia，一种基于谐化机制的时间序列基础模型，通过在频域中使用功率谱密度来减少数据集间的不匹配并增强预训练效果，从而在零样本、少样本和全样本预测场景中取得最佳性能。
Comments Accepted by ICML 2026
ALSO: 用于社交代理的对抗在线策略优化
机构 * School of Artificial Intelligence, Tianjin University, Tianjin, China（天津大学人工智能学院，天津，中国） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； East China Normal University, Shanghai, China（华东师范大学，上海，中国）
AI总结 本文提出ALSO框架，通过将多轮交互建模为对抗性带薪问题，并引入轻量级神经代理来预测奖励，从而在动态环境中实现社交代理的鲁棒策略优化。
Comments Accepted at ICML 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈