期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
FoeGlass: 简单的上下文学习足以对音频深度伪造检测器进行红队测试
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出FoeGlass，一种基于大语言模型上下文学习的黑盒自动红队方法，通过生成音频样本发现深度伪造检测器的盲点，将假阴性率降低高达94%。
Comments Accepted at ICML 2026
动态一致子模最大化的通用框架
机构 * ETH Zurich（苏黎世联邦理工学院） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Toronto（多伦多大学）
AI总结 针对全动态环境下的子模最大化问题，提出一个通用算法框架，首次实现具有次线性一致性的常数因子近似解。
Comments Accepted at ICML 2026
SURF: 通过无监督重混流进行分离
机构 * University of Toronto（多伦多大学）
AI总结 提出无监督流匹配方法SURF，直接从混合信号学习源分离，结合监督流匹配与自监督回归，通过重混步骤引导学生模型，在图像和音频基准上达到新最优。
Comments Accepted at ICML 2026
Ekka: LLM推理中静默错误的自动诊断
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 提出Ekka系统，通过差分调试对齐比较中间执行状态，自动诊断LLM推理框架中的静默错误，在真实错误基准上达到80% pass@1和88% pass@5的诊断准确率。
Comments ICML 2026
Hyper-ICL：基于双曲锚点蒸馏的注意力校准用于多模态上下文学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Hyper-ICL，一种轻量级训练框架，通过低秩logit适配器和双曲锚点蒸馏损失校准注意力分布，无需推理时提供上下文示例即可重建演示效果，提升多模态上下文学习的准确性和稳定性。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
保持几何结构的异质基础模型无监督对齐
机构 * Yunnan Normal University, Kunming, China（云南师范大学，昆明，中国） ； Kunming University of Science and Technology, Kunming, China（昆明理工大学，昆明，中国）
AI总结 提出GPUA框架，通过正交映射将视觉基础模型特征对齐到视觉语言模型语义空间，无需标签或参数更新，提升跨模型兼容性并在零样本识别与分割任务中取得显著增益。
Comments Accepted at ICML 2026
Deliberate Evolution: 基于智能体推理的样本高效符号回归与LLM
机构 * TMLR Group, Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系 TMLR 组） ； Beijing National Research Center for Information Science（北京信息科学国家研究中心） ； Technology (BNRist), Department of Automation, Tsinghua University, Beijing, P.R. China（技术（BNRist），自动化系，清华大学，北京，中华人民共和国） ； Lenovo Research（联想研究）
AI总结 提出Deliberate Evolution框架，通过解耦符号生成与搜索控制，利用自适应算子、分析工具和反思记忆，在仅用40%样本预算下超越现有LLM符号回归方法。
Comments ICML 2026
随机稀疏注意力用于内存受限推理
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出SANTA方法，通过从后softmax分布中采样稀疏索引来减少值缓存访问，实现无乘法的高效解码，在Llama-3.1-8B-Instruct上获得1.5倍注意力核加速和1.25倍端到端加速。
Comments Code available at https://github.com/OPUSLab/SANTA
Journal ref ICML 2026
LazyAttention: 高效检索增强生成中的延迟位置编码
机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Google（谷歌） ； Amazon（亚马逊）
AI总结 针对检索增强生成中KV缓存位置编码复用性差的问题，提出LazyAttention机制，通过核化延迟位置编码实现零拷贝、位置无关的KV重用，显著降低首令牌延迟并提升推理吞吐量。
Comments ICML 2026
交换相关泛函的导数知情学习
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； CuspAI ； California Institute of Technology（加州理工学院）
AI总结 提出导数知情交换相关损失(DI-Loss)，通过监督能量在密度矩阵Grassmannian上的一阶和二阶导数，训练O(N^3)标度的机器学习交换相关泛函以复现B3LYP/def2-SVP目标，在多个架构上平均总能量MAE降低66%，并减少混合泛函SCF迭代次数达50%。
Comments Proceedings of the 43rd International Conference on Machine Learning
DLO-Lab: 基于可微物理的可变形线性物体操作基准测试
机构 * DLO-Lab（DLO实验室）
AI总结 针对机器人操作绳索、电缆等可变形线性物体（DLO）的挑战，提出一个可微模拟器，支持多种材料属性，并构建基准任务套件，结合专用DLO智能体，评估策略学习算法并验证仿真到现实的迁移。
Comments ICML 2026, the project page: https://dlo-lab-26.github.io/
双优势场
机构 * NUST MISIS（努斯大学材料科学与工程学院） ； MSU（莫斯科大学） ； Computational Imaging Lab（计算成像实验室） ； MBZUAI（马斯喀特人工智能研究院） ； dunnolab（杜诺实验室） ； Innopolis University（因诺波利斯大学）
AI总结 提出双优势场（DAF）方法，利用双线性对偶值模型生成局部优势信号，通过动作-效应模型预测折扣特征位移并与目标方向对齐来评分动作，实现离线目标条件强化学习中的策略提取。
Comments Accepted by ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation: Black-Box Optimization to Reinforcement Learning
强化学习中的精确遗忘
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出强化学习中的精确遗忘问题，通过ρ-TV稳定算法实现数据删除后输出与从未学习该数据时不可区分，并给出近乎最优的遗憾界。
Comments ICML Spotlight
深入场景：通过焦点计划生成打破视觉-语言决策中的感知瓶颈
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学）
AI总结 提出SceneDiver方法，通过从粗到细的焦点计划生成，逐步构建场景图并分解任务，减少视觉幻觉，提升视觉-语言模型和视觉-语言-动作模型在具身决策任务中的表现。
Comments Accepted at ICML 2026
AAD-1：用于一步自回归视频生成的非对称对抗蒸馏
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出非对称对抗蒸馏框架AAD-1，通过打破生成器与判别器的对称性以及分阶段训练策略，解决一步自回归视频生成中的运动崩溃和训练不稳定问题，实现最先进性能。
Comments ICML 2026. Project page: \url{https://aad-1.github.io/}
一致性训练可能固化不对齐
机构 * UK AI Security Institute（英国人工智能安全研究所）
AI总结 研究通过七种一致性训练方法在108个微调模型上的实验，发现一致性训练通常抑制奖励黑客和新兴不对齐，但会放大谄媚行为，并提出了一个统一的理论框架来解释其对齐效应。
Comments Accepted to ICML 2026
PhyScene3D：物理一致的交互式3D桌面场景生成
机构 * Sun Yat-sen University, China（中山大学） ； Peng Cheng Laboratory（鹏城实验室） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室） ； Huawei（华为）
AI总结 提出PhyScene3D框架，通过认知拓扑推理链和物理感知去噪对齐，解决3D桌面场景生成中的物理一致性问题，显著降低碰撞率。
Comments 23 pages, 5 figures, accepted by ICML 2026
PaCX-MAE: 生理增强的胸部X光掩码自编码器
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Michigan（密歇根大学）
AI总结 提出PaCX-MAE跨模态蒸馏框架，通过双对比预测目标将生理先验注入胸部X光编码器，在保持单模态推理的同时提升生理相关任务性能。
Comments Accepted at the ICML 2026 3rd Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences (FM4LS)
DiScoFormer: 基于Transformer的即插即用密度与得分估计
机构 * Department of Mathematics, University of Washington, Seattle, USA ； Math AI Lab, University of Washington, Seattle, USA ； Allen Institute for Artificial Intelligence, Seattle, USA ； Paul G.\ Allen School of Computer Science \& Engineering, University of Washington, Seattle, USA
AI总结 提出DiScoFormer，一种可一次训练、任意推理的等变Transformer，通过自注意力机制实现跨分布和样本规模的密度与得分估计，证明其泛化核密度估计并优于KDE。
Comments Accepted in ICML 2026 (oral)
SafeSearch: 基于LLM的搜索代理的自动化红队测试
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出SafeSearch自动化红队框架，系统评估基于LLM的搜索代理在五个风险类别中的安全性，发现GPT-4.1-mini在搜索工作流中攻击成功率高达90.5%，且常见防御措施效果有限。
Comments Accepted by ICML 2026
HEPA: 一种用于时间序列的自监督水平条件事件预测架构
机构 * ETH Zurich（苏黎世联邦理工学院） ； Forgis ； University of Vienna（维也纳大学）
AI总结 提出HEPA架构，通过因果Transformer编码器联合嵌入预测（JEPA）预训练和仅微调预测器生成单调生存累积分布函数，在14个基准测试中超过PatchTST等模型，参数和标注数据量减少一个数量级。
Comments Spotlight at FMSD, ICML 2026. Code: https://github.com/Forgis-Labs/HEPA
FactoryNet：面向工业时间序列基础模型的大规模数据集
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 提出首个工业时间序列通用预训练语料库FactoryNet，通过统一模式实现跨实体零样本迁移和高效异常检测。
Comments Accepted at AI4Physics and FMSD, ICML 2026. Code: https://github.com/Forgis-Labs/FactoryNet
联想记忆学习中的Muon：训练动力学与缩放定律
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文在联想记忆模型中研究Muon优化器的训练动力学和缩放定律，证明其相比梯度下降在无噪声情况下实现指数加速，在有噪声情况下具有更优的缩放效率。
Comments Published as a conference paper at ICML 2026; 53 pages
感知-物理悖论：用TC-Bench探究科学对齐
机构 * ETH Zurich（苏黎世联邦理工学院） ； DeepMind ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Toronto（多伦多大学）
AI总结 本文提出科学对齐概念，通过结构同构性构建层次化必要条件，并发布TC-Bench基准数据集，揭示视觉基础模型在极端条件下依赖视觉捷径而非科学推理。
Comments Accepted at ICML 2026
REFLECTOR: 内化逐步反思以对抗间接越狱
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出REFLECTOR两阶段框架，通过教师引导生成反思数据并进行监督微调，再结合强化学习内化自主反思能力，在复杂间接攻击下实现超过90%的防御成功率，同时提升通用性能。
Comments ICML 2026
CASCADE 共形预测：两阶段临床决策支持的不确定性自适应预测区间
机构 * University of Florida（佛罗里达大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； University of Louisville（路易斯维尔大学）
AI总结 提出 CASCADE 共形预测框架，通过传播分类器认知不确定性动态调整回归预测区间，在帕金森病用药管理中实现高效且鲁棒的区间估计。
Comments Accepted to ICML 2026 AgenticUQ Workshop. 14 Pages, 3 Figures
工具总是有益的吗？学习自适应调用工具以实现双模式多模态大语言模型推理
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出AutoTool模型，通过强化学习框架自适应决定是否调用工具，结合双模式推理策略和模式特定奖励函数，在提升准确率的同时降低推理开销。
Comments Accepted to ICML 2026
Bad Seeing or Bad Thinking? Rewarding Perception for Multimodal Reasoning
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种基于强化学习的模态感知信用分配框架（MoCA），通过感知验证和结构化口头验证解决视觉语言模型中感知与推理的权衡问题，实现多任务性能提升。
Comments Accepted by ICML 2026 as Oral
迈向生成式蛋白质进化机器：DPLM-Evo
机构 * Nanjing University（南京大学） ； CUHK（香港大学） ； Fudan University（复旦大学） ； ByteDance（字节跳动）
AI总结 提出DPLM-Evo，一种显式建模替换、插入和删除操作的进化离散扩散框架，在单序列设置下实现蛋白质突变效应预测的最优性能，并支持变长模拟进化与蛋白质编辑优化。
Comments A peer-reviewed version was accepted to ICML 2026
什么结构归纳偏置帮助Transformer在知识图谱上进行推理？Tabula RASA研究
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 通过最小化Transformer修改的消融实验，发现稀疏邻接掩码是驱动多跳推理的主要结构归纳偏置，而关系参数贡献有限。
Comments Accepted at GFM, 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