ICML

MotiMotion: Motion-Controlled Video Generation with Visual Reasoning

MotiMotion: 基于视觉推理的运动控制视频生成

Lee Hsin-Ying, Hanwen Jiang, Yiqun Mei, Jing Shi, Ming-Hsuan Yang, Zhixin Shu

机构 * University of California, Merced（加州大学梅尔茨分校） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出MotiMotion框架，通过将运动控制转化为推理生成问题，改进视频生成中因果关系和常识一致性，引入免训练视觉语言推理器和置信度感知控制方案，通过MotiBench基准测试验证其生成视频的合理性与交互性。

Comments ICML 2026. Project page: https://motimotion.github.io/

AtelierEval: Agentic Evaluation of Humans & LLMs as Text-to-Image Prompters

AtelierEval: 人类与LLM作为文本到图像提示器的代理评估

Hanjun Luo, Zhimu Huang, Sylvia Chung, Yiran Wang, Yingbin Jin, Jialin Li, Jiang Li, Xinfeng Li, Hanan Salam

机构 * New York University Abu Dhabi（纽约大学阿布扎克校区） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出AtelierEval，首个统一基准，通过360个专家设计的任务量化提示能力，引入技能基于的记忆增强代理评估器，实现与人类专家的高相关性，验证了提示器在图像增强方向的优越性。

Comments Accepted by ICML 2026

MoSA: Motion-constrained Stress Adaptation for Mitigating Real-to-Sim Gap in Continuum Dynamics via Learning Residual Anisotropy

MoSA: 通过学习残余各向异性来缓解连续动力学中现实到模拟差距的运动约束应力适应

Jiaxu Wang, Junhao He, Jingkai Sun, Yi Gu, Yunyang Mo, Jiahang Cao, Qiang Zhang, Renjing Xu

机构 * Hong Kong University of Science（香港科学大学） ； MMLab, Chinese University of Hong Kong, Hong Kong SAR（香港中文大学MMLab, 香港特别行政区） ； The University of Hong Kong, Hong Kong SAR（香港大学, 香港特别行政区） 纠错

AI总结 本文提出MoSA框架，通过运动约束应力适应来缓解连续动力学中现实到模拟差距，利用各向同性模型作为物理先验，并学习残余应力算子以捕捉轻微各向异性和非均匀性，最终在机器人操作中验证了其有效性。

Journal ref International Conference on Machine Learning 2026

Beyond Temperature: Hyperfitting as a Late-Stage Geometric Expansion

超越温度：超拟合作为晚期几何扩展

Meimingwei Li, Yuanhao Ding, Esteban Garces Arias, Christian Heumann

机构 * Department of Statistics, LMU Munich（慕尼黑大学统计系） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； School of Computer and Information Engineering, Henan University（河南大学计算机与信息工程学院） 纠错

AI总结 本文研究了超拟合现象，发现其与分布锐化不同，通过实验表明超拟合依赖于动态的上下文相关排名重排机制，并在Transformer最后一层的终端扩展中实现了特征空间的几何扩展，提出了Late-Stage LoRA方法以提升生成质量。

Comments Accepted at ICML 2026

GraphFlow: A Graph-Based Workflow Management for Efficient LLM-Agent Serving

GraphFlow: 一种基于图的流程管理用于高效的LLM代理服务

Ao Li, Shangpeng Yang, Fahao Chen, Tianheng Xu, Peng Li, Zhou Su

机构 * School of Cyber Science and Engineering, Xi'an Jiaotong University, Xi'an, China（西安交通大学计算机科学与工程学院） ； School of Artificial Intelligence, Shandong University, Jinan, China（山东大学人工智能学院） ； Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai, China（中国科学院上海先进研究院） 纠错

AI总结 本文提出了一种基于图的流程管理方法GraphFlow，通过统一图结构wGraph动态生成任务特定流程，提高LLM代理服务的效率和性能，实验表明其在多个基准数据集上表现优异，性能提升显著且内存占用减少。

Comments Accepted to ICML 2026

F-TIS: Harnessing Diverse Models in Collaborative GRPO

F-TIS: 利用多样化模型进行协作GRPO

Nikolay Blagoev, Oğuzhan Ersoy, Wendelin Boehmer, Lydia Yiyu Chen

机构 * Gensyn University of Neuchatel（日内瓦大学内沙特尔分校） ； Gensyn（盖森） ； TU Delft（代尔夫特理工大学） ； University of Neuchatel（日内瓦大学内沙特尔分校） 纠错

AI总结 本文提出F-TIS方法，通过利用异构模型在协同GRPO训练中提高本地模型的学习效果，实现了高效的通信和一致的最终模型收敛，同时在某些情况下提升了模型在分布外任务上的泛化能力。

Comments Accepted to ICML 2026 Workshop Scalable Learning and Optimization for Efficient Multimodal AI Agents (SCALE)

Efficient Higher-order Subgraph Attribution via Message Passing

通过消息传递实现高效的高阶子图归因

Ping Xiong, Thomas Schnake, Grégoire Montavon, Klaus-Robert Müller, Shinichi Nakajima

机构 * BIFOLD -- Berlin Institute for the Foundations of Learning（柏林学习与数据基础研究院） ； Department of Artificial Intelligence, Korea University, Seoul 136-713, Korea（韩国大学人工智能系） ； RIKEN Center for AIP, Japan（日本AIP研究中心） 纠错

AI总结 本文提出了一种基于消息传递的高效算法，能够在线性时间内通过GNN-LRP对子图进行归因，并扩展了子图归因方法以考虑邻接图特征，实验表明该方法具有显著加速和高实用性。

Comments Published in ICML 2022

Journal ref Proceedings of the 39th International Conference on Machine Learning, PMLR 162:24478-24495, 2022

Spatial Memory for Out-of-Vision Manipulation in Vision-Language-Action

视觉-语言-动作中视界外操作的空间记忆

Pengteng Li, Weiyu Guo, He Zhang, Tiefu Cai, Xiao He, Yandong Guo, Hui Xiong

机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science（人工智能推动部，香港科学大学） 纠错

AI总结 本文提出SOMA框架，用于解决视觉-语言-动作模型中视界外操作的问题，通过构建持久的空间记忆，使模型能够超越当前视觉范围进行推理，提升任务成功率和操作行为质量。

Comments Accepted by ICML 2026

AesFormer: Transform Everyday Photos into Beautiful Memories

AesFormer: 将日常照片转化为美丽的记忆

Tianxiang Du, Hulingxiao He, Yuxin Peng

机构 * Wangxuan Institute of Computer Technology, Peking University, Beijing, China（王轩计算机技术研究所，北京大学，北京，中国） 纠错

AI总结 本文提出AesFormer框架，通过将审美规划与图像编辑解耦，改进照片的审美质量，同时保持主体身份和场景语义，构建了包含9071对严格对齐图像对的AesRecon基准数据集。

Comments Accepted by ICML 2026

Support-Proximity Augmented Diffusion Estimation for Offline Black-Box Optimization

支持接近增强的扩散估计用于离线黑盒优化

Yonghan Yang, Ye Yuan, Zipeng Sun, Linfeng Du, Bowei He, Haolun Wu, Can Chen, Xue Liu

机构 * MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩擦 bin Zayed 大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（Mila - 加拿大AI研究所） ； Amazon AGI（亚马逊人工智能实验室） 纠错

AI总结 本文提出SPADE框架，通过条件生成建模重新想象前向替代建模，利用扩散模型建模前向似然p(y|x)，并引入校准扩散估计模块和支撑接近正则化机制，以提高优化性能。

Comments Accepted by ICML 2026. First two authors contributed equally

Universal Skeleton Understanding via Differentiable Rendering and MLLMs

通过可微渲染和大语言模型实现通用骨架理解

Ziyi Wang, Peiming Li, Xinshun Wang, Yang Tang, Kai-Kuang Ma, Mengyuan Liu

机构 * State Key Laboratory of General Artificial Intelligence, Peking University, Shenzhen Graduate School, China（人工智能通用基础理论国家重点实验室，北京大学深圳研究生院，中国） ； Tencent（腾讯） ； Nanjing University of Aeronautics（南京航空航天大学） 纠错

AI总结 本文提出SkeletonLLM，通过可微渲染将任意骨架序列转换为大语言模型的视觉模态，实现通用骨架理解，同时引入协同训练策略提升推理能力，展示了在开放词汇动作识别中的强泛化能力，并扩展到异构骨架格式的运动描述和问答任务。

Comments Accepted by ICML 2026

On Robustness and Chain-of-Thought Consistency of RL-Finetuned VLMs

关于RL微调VLMs的鲁棒性和链式思维一致性

Rosie Zhao, Anshul Shah, Xiaoyu Zhu, Xinke Deng, Zhongyu Jiang, Yang Yang, Joerg Liebelt, Arnab Mondal

机构 * Apple（苹果公司） ； OpenAI 纠错

AI总结 本文研究了RL微调VLMs在视觉推理任务中的鲁棒性和链式思维一致性，发现文本扰动和CoT不一致会显著降低模型的鲁棒性和信心，而闭源模型在保持鲁棒性和推理一致性方面表现更佳，指出这一差距源于当前开源RL微调的不足而非任务本身的限制。

Comments ICML 2026

Revisiting Regularized Policy Optimization for Stable and Efficient Reinforcement Learning in Two-Player Games

重新审视正则化策略优化以实现稳定且高效的双人博弈强化学习

Kazuki Ota, Takayuki Osa, Motoki Omura, Tatsuya Harada

机构 * The University of Tokyo, Japan（东京大学） ； RIKEN Center for Advanced Intelligence Project, Japan（日本RIKEN高级智能项目中心） 纠错

AI总结 本文重新审视了带有反向Kullback-Leibler正则化和熵正则化的策略优化方法，在双人零和设置中从理论和经验角度分析其组合，提供了新的收敛保证并通过合成游戏的数值实验验证了理论结果，并基于正则化策略优化推导出一种实用的模型无关强化学习算法，通过在五个棋盘游戏中进行的全面实验验证了算法的训练效率。

Comments Accepted at ICML 2026

SiameseNorm: Breaking the Barrier to Reconciling Pre/Post-Norm

SiameseNorm: 突破预规范与后规范之间的障碍

Tianyu Li, Dongchen Han, Zixuan Cao, Haofeng Huang, Mengyu Zhou, Ming Chen, Erchao Zhao, Xiaoxi Jiang, Guanjun Jiang, Gao Huang

机构 * Leap Lab, Tsinghua University（清华大学 Leap 实验室） ； Qwen Large Model Application Team, Alibaba（阿里巴巴 Qwen 大模型应用团队） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息学研究院） 纠错

AI总结 本文提出SiameseNorm，一种双流架构，通过共享残差块将预规范和后规范结合，从而在保持训练稳定性的同时提升模型性能，适用于多种架构和模态。

Comments Accepted to ICML 2026; camera-ready version; revised presentation and added additional experimental results

When Shared Knowledge Hurts: Spectral Over-Accumulation in Model Merging

当共享知识有害：模型融合中的谱过积累

Yayuan Li, Ze Peng, Jian Zhang, Jintao Guo, Yue Duan, Yinghuan Shi

机构 * National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China.（新型软件技术国家重点实验室，南京大学，南京210023，中国。） ； Institute of Brain-Computer Interface, Nanjing University, Nanjing 210023, China.（脑机接口研究院，南京大学，南京210023，中国。） 纠错

AI总结 本文研究了模型融合中共享知识过积累的问题，提出SVC方法通过校准奇异值来恢复谱平衡，提升了模型融合和任务算术的性能。

Comments Accepted by ICML 2026

A Short and Unified Convergence Analysis of the SAG, SAGA, and IAG Algorithms

SAG、SAGA和IAG算法的简短统一收敛性分析

Feng Zhu, Robert W. Heath, Aritra Mitra

机构 * Department of Electrical and Computer Engineering, North Carolina State University, Raleigh, USA（北卡罗来纳州立大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, University of California, San Diego, USA（加州大学圣地亚哥分校电气与计算机工程系） 纠错

AI总结 本文提出了一种统一的收敛性分析方法，适用于SAG、SAGA和IAG算法，通过简单的集中工具建立延迟界并设计新的Lyapunov函数，从而得到高概率界，并扩展到非凸目标和马尔可夫采样。

Comments To appear at the 43rd International Conference on Machine Learning (ICML)

Unifying Masked Diffusion Models with Various Generation Orders and Beyond

统一多种生成顺序及超越的掩码扩散模型

Chunsan Hong, Sanghyun Lee, Jong Chul Ye

机构 * Graduate School of AI, KAIST, South Korea（韩国延世大学人工智能研究生院） 纠错

AI总结 本文提出Order-Expressive Masked Diffusion Model (OeMDM)和Learnable-Order Masked Diffusion Model (LoMDM)，统一了不同生成顺序的扩散生成过程，并通过单目标学习生成顺序和扩散骨干，提升了文本生成性能。

Comments Accepted at ICML 2026

What Does Vision Tool-Use Reinforcement Learning Really Learn? Disentangling Tool-Induced and Intrinsic Effects for Crop-and-Zoom

视觉工具使用强化学习究竟在学习什么？解构工具诱导效应与内在效应以实现作物和缩放

Yan Ma, Weiyu Zhang, Tianle Li, Linge Du, Xuyang Shen, Pengfei Liu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文研究了视觉工具使用强化学习在作物和缩放任务中的学习机制，通过引入MED框架解耦内在能力变化与工具诱导效应，发现改进主要由内在学习驱动，而工具使用强化学习主要减少工具诱导的负面影响，而非掌握工具。

Comments ICML 2026 camera ready. Code: https://github.com/GAIR-NLP/Med

LEMUR: Learned Multi-Vector Retrieval

LEMUR: 学习多向量检索

Elias Jääsaari, Ville Hyvönen, Teemu Roos

机构 * Department of Computer Science, University of Helsinki, Helsinki, Finland（赫尔辛基大学计算机科学系） 纠错

AI总结 LEMUR通过将多向量相似性搜索转化为监督学习问题，并利用现有单向量搜索索引加速检索，实现了高效的多向量相似性搜索，比现有方法快一个数量级。

Comments Accepted to ICML 2026

Hyperparameter Transfer with Mixture-of-Expert Layers

通过专家混合层进行超参数迁移

Tianze Jiang, Blake Bordelon, Cengiz Pehlevan, Boris Hanin

机构 * Operations Research ； Financial Engineering, Princeton University, Princeton, NJ, USA ； Center of Mathematical Sciences ； Applications, Harvard University, Cambridge, MA, USA ； John A. Paulson School of Engineering ； Applied Sciences, Center for Brain Science, Kempner Institute for the Study of Natural ； Artificial Intelligence, Harvard University, Cambridge, MA, USA 纠错

AI总结 本文提出了一种新的参数化方法，用于在扩展模型宽度、深度、专家数量和专家（隐藏）大小时，通过专家混合层的变压器模型进行超参数迁移，该方法基于动态平均场理论分析，实验证明其在不同规模模型间可靠地迁移超参数。

Comments ICML 2026

AutoBaxBuilder: Bootstrapping Code Security Benchmarking

AutoBaxBuilder: 通过代码安全基准测试进行代码安全性评估

Tobias von Arx, Niels Mündler, Mark Vero, Maximilian Baader, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） ； INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT，索菲亚大学"圣克莱门特·奥赫里德斯基"） 纠错

AI总结 本文提出AutoBaxBuilder，一种自动化生成代码安全基准测试任务的流水线，通过结合LLM的代码理解能力与可靠性检查，构建功能测试和端到端的安全性探测利用，从而提高代码安全性的评估效率和准确性。

Comments ICML 2026

CentaurEval: Benchmarking Human-in-the-Loop Value in Agentic Coding

CentaurEval: 评估人机协同在编程中的价值

Hanjun Luo, Chiming Ni, Jiaheng Wen, Zhimu Huang, Yiran Wang, Bingduo Liao, Sylvia Chung, Yingbin Jin, Xinfeng Li, Wenyuan Xu, XiaoFeng Wang, Hanan Salam

机构 * New York University Abu Dhabi（纽约大学阿布扎克校区） ； Nanyang Technological University（南洋理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing University of Technology（北京理工大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出CentaurEval基准测试，用于评估人机协同在编程中的价值。该基准测试通过协作必要问题模板，结合人类推理和AI效率，展示了人机协作在编程任务中的显著优势。

Comments Accepted by ICML 2026

DecepChain: Inducing Deceptive Reasoning in Large Language Models

DecepChain: 在大型语言模型中诱导欺骗性推理

Wei Shen, Han Wang, Haoyu Li, Huan Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究探讨了大型语言模型是否能够生成看似合理但错误的推理链，并提出DecepChain方法通过放大模型自身的幻觉来诱导欺骗性推理，同时保持表面合理性和有效性。

Comments ICML 2026

BALLAST: Bayesian Active Learning with Look-ahead Amendment for Sea-drifter Trajectories under Spatio-Temporal Vector Fields

BALLAST：基于空间-时间向量场的海漂体轨迹的贝叶斯主动学习与前瞻性修正

Rui-Yang Zhang, Lachlan Astfalck, Edward Cripps, David S. Leslie, Henry B. Moss

机构 * Lancaster University（兰卡斯特大学） ； University of New South Wales（新南威尔士大学） ； University of Western Australia（西澳大学） 纠错

AI总结 本文提出了一种正式的主动学习方法，用于指导拉格朗日观测器的布置，以推断时间依赖的向量场，该方法利用了物理信息的空间-时间高斯过程代理模型。现有放置活动主要遵循标准的'空间填充'设计或相对随意的专家意见。在该设置中应用原理性主动学习的主要挑战是拉格朗日观测器持续被向量场推动，因此在不同位置和时间进行测量。因此，考虑已放置观测器的可能未来轨迹以评估候选放置位置的效用至关重要。为此，我们提出了BALLAST：用于海漂体轨迹的贝叶斯主动学习与前瞻性修正。我们观察到BALLAST辅助的顺序观测器布置策略在合成和高保真海洋流模型中均表现出显著优势。此外，我们还开发了一种新的GP推理方法——Vanilla SPDE Exchange（VaSE）——以提高GP后验采样效率，这也具有独立的研究价值。

Comments ICML 2026

PartCo: Part-Level Correspondence Priors Enhance Category Discovery

PartCo: 基于部分级对应先验的类别发现增强

Fernando Julio Cendra, Kai Han

机构 * Visual AI Lab, School of Computing and Data Science, The University of Hong Kong, Hong Kong（视觉人工智能实验室，计算与数据科学学院，香港大学，香港） ； Visual AI Lab, School of Computing（视觉人工智能实验室，计算学院） ； Data Science, The University of Hong Kong, Hong Kong（数据科学，香港大学，香港） 纠错

AI总结 PartCo通过引入部分级对应先验，提升了类别发现的性能，通过捕捉更细粒度的语义结构，改进了现有方法在区分密切相关类别方面的表现。

Comments ICML 2026, Project page: https://visual-ai.github.io/partco

Corruption-Tolerant Asynchronous Q-Learning with Near-Optimal Rates

具有近最优速率的容错异步Q学习

Sreejeet Maity, Aritra Mitra

机构 * Electrical and Computer Engineering, North Carolina State University, Raleigh, NC, USA（北卡罗来纳州立大学电气与计算机工程系） 纠错

AI总结 本文研究了在存在对抗性损坏奖励的情况下，在折扣无限时间 horizon 的强化学习设置中学习最优策略的问题。通过开发一种新的鲁棒Q学习变体，并在具有时间相关数据的挑战性异步采样模型下分析该算法，证明了在存在损坏的情况下，该方法的有限时间保证与现有界限相匹配，仅在加性项上与损坏样本的比例成比例。还建立了信息论下界，揭示了我们的保证是近最优的。值得注意的是，我们的算法对底层奖励分布不敏感，并为异步Q学习提供了首次有限时间鲁棒性保证。分析中的关键元素是针对近鞅的改进Azuma-Hoeffding不等式，这可能在研究强化学习算法时有更广泛的应用。

Comments To appear at the 43rd International Conference on Machine Learning (ICML)

Circle-RoPE: Cone-like Decoupled Rotary Positional Embedding for Large Vision-Language Models

Circle-RoPE: 用于大视觉-语言模型的锥形解耦旋转位置嵌入

Chengcheng Wang, Jianyuan Guo, Hongguang Li, Yuchuan Tian, Ying Nie, Chang Xu, Kai Han

机构 * Huawei Noah's Ark Lab.（华为诺亚实验室） ； City University of Hong Kong.（香港城市大学） ； University of Sydney.（悉尼大学） ； State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（北京大学人工智能国家重点实验室，智能科学与技术学院） 纠错

AI总结 本文提出Circle-RoPE，通过将图像标记坐标映射到与文本位置轴正交的圆环上，实现跨模态位置解耦，同时保留图像内部空间结构，并通过交替几何编码增强跨模态位置解耦和细粒度图像空间结构保留。

Comments Accepted at ICML 2026

Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence

用置信度衡量异质处理效应中的变量重要性

Joseph Paillard, Angel Reyero Lobo, Vitaliy Kolodyazhniy, Bertrand Thirion, Denis A. Engemann

机构 * Roche Pharma Research \& Early Development, Roche Innovation Center Basel, F. Hoffmann-La Roche Ltd, Basel, Switzerland ； Université Paris-Saclay, Inria, CEA, Palaiseau, France 纠错

AI总结 本文提出PermuCATE算法，用于在估计条件平均处理效应时进行统计严谨的全局变量重要性评估，通过理论分析和实证研究证明其比LOCO方法具有更低的方差，从而提高统计功效，适用于生物医学应用中的有限数据环境。

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:47456-47477, 2025

LABO: LLM-Accelerated Bayesian Optimization through Broad Exploration and Selective Experimentation

LABO: 通过广泛探索和选择性实验实现的LLM加速贝叶斯优化

Zhuo Chen, Xinzhe Yuan, Jianshu Zhang, Jinzong Dong, Ruichen Zhou, Yingchun Niu, Tianhang Zhou, Yu Yang Fredrik Liu, Yuqiang Li, Nanyang Ye, Qinying Gu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院） ； Institute for Advanced Study in Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学研究所） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Automation, Central South University（中南大学自动化学院） ； College of New Energy and Materials, China University of Petroleum, Beijing（中国石油大学（北京）新能源与材料学院） ； College of Carbon Neutrality Future Technology, China University of Petroleum, Beijing（中国石油大学（北京）碳中和未来技术学院） ； DeepVerse PTE. LTD. 纠错

AI总结 本文提出LABO框架，通过结合LLM预测与实验观测，在贝叶斯优化中实现更高效的样本优化，理论分析和实验结果表明其在科学任务中优于现有方法。

Comments Accepted to ICML 2026

Toward Understanding Adversarial Distillation: Why Robust Teachers Fail

迈向理解对抗蒸馏：为何鲁棒教师失败

Hongsin Lee, Hye Won Chung

机构 * School of Electrical Engineering, KAIST, Daejeon, Korea（韩国科学技术院电子工程学院） 纠错

AI总结 本文研究了对抗蒸馏中鲁棒教师与学生鲁棒性之间的关系，揭示了教师监督信心与学生表示限制之间的不匹配导致鲁棒过拟合现象，并提出了理论框架和实验验证。

Comments Accepted to ICML 2026. Code is available at https://github.com/HongsinLee/why-robust-teachers-fail