ICML

Controlling the Risk of Corrupted Contexts for Language Models via Early-Exiting

通过早退机制控制语言模型中有害上下文的风险

Andrea Wynn, Metod Jazbec, Charith Peris, Rinat Khaziev, Anqi Liu, Daniel Khashabi, Eric Nalisnick

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Amsterdam（阿姆斯特丹大学） ； Amazon AGI（亚马逊人工智能实验室） ； Amazon Alexa（亚马逊Alexa） 纠错

AI总结 提出一种结合动态早退预测与无分布风险控制的方法，限制有害上下文对语言模型性能的退化，并在有益上下文中实现计算效率提升。

Comments Accepted to ICML 2026

Benchmarking LLM-Assisted Blue Teaming via Standardized Threat Hunting

通过标准化威胁狩猎评估LLM辅助蓝队

Yuqiao Meng, Luoxi Tang, Feiyang Yu, Xi Li, Guanhua Yan, Ping Yang, Zhaohan Xi

机构 * State University of New York at Binghamton（纽约州立大学布ingham顿分校） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Duke University（杜克大学） 纠错

AI总结 本文提出CyberTeam基准，通过构建标准化工作流和模块化操作步骤，评估大语言模型在蓝队威胁狩猎中的有效性，并揭示标准化设计带来的改进与开放式推理的局限性。

Comments ICML'26

Scalable RF Simulation in Generative 4D Worlds

生成式4D世界中的可扩展射频仿真

Zhiwei Zheng, Dongyin Hu, Mingmin Zhao

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出WaveVerse框架，通过语言引导的4D世界生成器和物理信号模拟器实现可扩展的射频信号仿真，在相位敏感基准上表现高保真度，并有效提升下游任务性能。

Comments Accepted to ICML 2026

Position: Text Embeddings Should Capture Implicit Semantics, Not Just Surface Meaning

立场：文本嵌入应捕获隐含语义，而不仅仅是表面意义

Yiqun Sun, Qiang Huang, Anthony K. H. Tung, Jun Yu

机构 * National University of Singapore（新加坡国立大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

AI总结 本文主张文本嵌入研究应从表面意义转向隐含语义，通过试点研究揭示现有模型在隐含语义任务上的局限，并提出范式转变以优先发展语言学基础训练数据、深层语义基准和核心建模目标。

Comments To appear in ICML 2026

Online Fair Division with Additional Information

在线公平分配与额外信息

Tzeh Yuan Neoh, Jannik Peters, Nicholas Teh

机构 * Harvard University, USA（哈佛大学） ； Shanghai University of Finance and Economics, China（上海财经大学） ； University of Oxford, UK（牛津大学） 纠错

AI总结 研究在线公平分配不可分割物品问题，通过引入归一化信息和频率预测，实现了比以往更强的公平性保证，并提供了学习增强的鲁棒变体。

Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026

EPiC: Efficient Video Camera Control Learning with Precise Anchor-Video Guidance

EPiC: 基于精确锚点视频引导的高效视频摄像机控制学习

Zun Wang, Jaemin Cho, Jialu Li, Han Lin, Jaehong Yoon, Yue Zhang, Mohit Bansal

AI总结 提出EPiC框架，通过基于首帧可见性掩码构建精确对齐的锚点视频，并引入轻量模块Anchor-ControlNet，以极低参数实现高效、精确的3D摄像机控制，在RealEstate10K和MiraData上达到最先进性能。

Comments Accepted to ICML 2026. Project website: https://zunwang1.github.io/Epic

Offline Multi-agent Reinforcement Learning via Sequential Score Decomposition

离线多智能体强化学习通过序列得分分解

Dan Qiao, Wenhao Li, Shanchao Yang, Hongyuan Zha, Baoxiang Wang

机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）数据科学学院） ； School of Computer Science, Tongji University, Shanghai, China（同济大学计算机科学学院） ； Vector Institute（向量研究所） 纠错

AI总结 针对离线合作多智能体强化学习中联合动作空间高维和异质行为数据导致的策略分布偏移问题，提出序列得分函数分解方法，利用扩散模型从多模态离线数据中学习每个智能体的正则化信号，指导策略更新至高分、分布内区域，在多个粒子环境和多智能体MuJoCo基准上实现最先进性能。

Comments ICML 2026 Accepted

Journal ref Forty-Third International Conference on Machine Learning, 2026

KAN-AD: Time Series Anomaly Detection with Kolmogorov-Arnold Networks

KAN-AD：基于Kolmogorov-Arnold网络的时间序列异常检测

Quan Zhou, Changhua Pei, Fei Sun, Jing Han, Zhengwei Gao, Dan Pei, Haiming Zhang, Gaogang Xie, Jianhui Li

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Hangzhou Institute for Advanced Study, University of the Chinese Academy of Sciences（中国科学院大学杭州高等研究 institute） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Frontier Sciences, Nanjing University（南京大学前沿科学学院） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

AI总结 针对时间序列异常检测中预测模型易过拟合局部波动的问题，提出用截断傅里叶展开替代B样条的KAN-AD方法，通过强调全局模式并抵抗局部扰动，在四个基准上平均检测精度提升15%。

Comments 11 pages, ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:79136-79149, 2025