ICML

Curated Synthetic Data Doesn't Have to Collapse: A Theoretical Study of Generative Retraining with Pluralistic Preferences

策展合成数据不会崩溃：具有多元偏好的生成式再训练的理论研究

Ali Falahati, Mohammad Mohammadi Amiri, Kate Larson, Lukasz Golab

机构 * University of Washington（华盛顿大学） 纠错

AI总结 通过理论分析证明，基于多个奖励函数进行策展的递归训练可以避免生成模型崩溃，并收敛到满足加权纳什议价解的稳定分布。

Comments Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026

Inductive Latent Context Persistence: Closing the Post-Handover Cold Start in 6G Radio Access Networks

归纳潜在上下文持久化：解决6G无线接入网络中的切换后冷启动问题

Anubhab Banerjee, Daniyal Amir Awan

AI总结 提出归纳潜在上下文持久化（ILCP）方法，通过压缩源循环状态并在Xn接口传输128字节载荷，在目标gNB适配，解决GNN方法中切换后丢失UE历史状态导致的冷启动问题，在维也纳4G/5G路测中实现0.0%乒乓切换，后切换准确率平均提升5.1个百分点。

Comments submitted to 'AI for Next G' workshop, co-located with ICML 2026

Journal ref Proceedings of the ICML 2026 Workshop on AI4NextG

PoliticsBench: Benchmarking Political Values in Large Language Models with Multi-Turn Roleplay

PoliticsBench: 通过多轮角色扮演基准测试大型语言模型中的政治价值观

Rohan Khetan, Ashna Khetan

机构 * Northville High School, Northville, USA（北维尅高中） ； Department of Computer Science, Stanford University, Stanford, USA（斯坦福大学计算机科学系） 纠错

AI总结 提出PoliticsBench，一个多阶段角色扮演基准，通过20个演化场景评估LLM的细粒度价值表达，发现场景提示比直接提问能引发更广泛和强烈的价值表达。

Comments 7 pages, 5 tables, 5 figures, 4 appendix pages. Accepted to the ICML 2026 Trustworthy AI for Good Workshop

Transferable Multi-Bit Watermarking Across Frozen Diffusion Models via Latent Consistency Bridges

跨冻结扩散模型的可迁移多位水印：基于潜在一致性桥

Hong-Hanh Nguyen-Le, Van-Tuan Tran, Thuc D. Nguyen, Nhien-An Le-Khac

机构 * National Institute of Advanced Intelligence Science and Technology, Japan（日本国家先进人工智能科学与技术研究院） 纠错

AI总结 提出DiffMark，一种即插即用的多位水印框架，通过潜在一致性模型实现高效训练，在单个前向传播中提取64位水印，速度提升45倍，并支持跨架构迁移。

Comments Accepted in Second Workshop on Technical AI Governance Research (TAIGR) @ ICML 2026

ViewMask-1-to-3: Multi-View Consistent Image Generation via Multimodal Discrete Diffusion Models

ViewMask-1-to-3: 通过多模态离散扩散模型实现多视图一致图像生成

Ruishu Zhu, Zhihao Huang, Jiacheng Sun, Ping Luo, Hongyuan Zhang, Xuelong Li

机构 * Nanyang Technological University（南洋理工大学） 纠错

AI总结 提出ViewMask-1-to-3，将多视图生成建模为离散序列预测问题，利用MAGVIT-v2视觉令牌和掩码令牌预测的离散扩散，通过迭代去掩码实现渐进式多视图生成，无需专门架构或3D几何先验，在GSO和3D-FUTURE基准上优于基线方法。

Comments Accepted by ICML 2026

It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks

是时候了：迈向下一代时间序列预测基准

Zhongzheng Qiao, Sheng Pan, Anni Wang, Viktoriya Zhukova, Yong Liu, Xudong Jiang, Qingsong Wen, Mingsheng Long, Ming Jin, Chenghao Liu

机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

AI总结 针对现有时间序列基准在数据组成、完整性、任务设计和分析视角上的局限，提出TIME基准，包含50个新数据集和98个预测任务，采用人机协作管道确保数据完整性，并引入模式级评估视角，对12个基础模型进行多粒度排名。

Comments Accepted to ICML 2026. Camera-ready version

Beyond Pixel Histories: World Models with Persistent 3D State

超越像素历史：具有持久3D状态的世界模型

Samuel Garcin, Thomas Walker, Steven McDonagh, Tim Pearce, Hakan Bilen, Tianyu He, Kaixin Wang, Jiang Bian

机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院） 纠错

AI总结 提出PERSIST范式，通过模拟潜在3D场景（环境、相机、渲染器）的演化，实现具有持久空间记忆和一致几何的世界模型，显著提升3D一致性、空间记忆和长期稳定性。

Comments Accepted to the International Conference on Machine Learning (ICML) 2026. To appear in the Proceedings of Machine Learning Research (PMLR). 9 pages

Learning When to Act or Refuse: Guarding Agentic Reasoning Models for Safe Multi-Step Tool Use

学习何时行动或拒绝：为安全的多步骤工具使用守护代理推理模型

Aradhye Agarwal, Gurdit Siyan, Yash Pandya, Joykirat Singh, Akshay Nambi, Ahmed Awadallah

机构 * Microsoft Research（微软研究院） 纠错

AI总结 提出MOSAIC框架，通过显式安全推理和基于偏好的强化学习，使代理模型在工具使用中安全决策，减少有害行为并保持良性性能。

Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)

Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction

即插即用扩散遇见ADMM：双变量耦合用于鲁棒医学图像重建

Chenhe Du, Xuanyu Tian, Qing Wu, Muyu Liu, Jingyi Yu, Hongjiang Wei, Yuyao Zhang

机构 * ShanghaiTech University（上海科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 提出双耦合即插即用扩散（DC-PnPDP）框架，通过引入经典对偶变量提供积分反馈并采用频谱均匀化（SH）处理结构伪影，解决了现有PnP求解器的稳态偏差和幻觉问题，在CT和MRI重建中实现了最先进的保真度和加速收敛。

Comments Accepted by ICML 2026

Path-conditioned training: a principled way to rescale ReLU neural networks

路径条件训练：一种缩放ReLU神经网络的原则性方法

Arthur Lebeurrier, Titouan Vayer, Rémi Gribonval

机构 * Université de Lyon（里昂大学） ； CNRS（法国国家科学研究中心） 纠错

AI总结 本文提出一种基于路径提升框架的几何准则来缩放ReLU网络参数，通过最小化该准则实现核对齐，从而加速训练。

Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), Seoul, South Korea, PMLR 306 (2026)

Fixed Budget is No Harder Than Fixed Confidence in Best-Arm Identification up to Logarithmic Factors

固定预算在最佳臂识别中不比固定置信度难（对数因子范围内）

Kapilan Balagopalan, Yinan Li, Yao Zhao, Tuan Nguyen, Anton Daitche, Houssam Nassif, Kwang-Sung Jun

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出元算法FC2FB，将固定置信度算法转化为固定预算算法，证明固定预算的样本复杂度在log因子内不高于固定置信度。

Journal ref International Conference on Machine Learning (ICML'26), Seoul, Korea, 2026

The Cost of Learning Under Multiple Change Points

多个变化点下的学习成本

Tomer Gafni, Garud Iyengar, Assaf Zeevi

AI总结 针对多变化点在线学习问题，提出选择性检测算法ATC，实现近乎极小化最优的遗憾界。

Comments A version of this work has been accepted for publication in the Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), Seoul, South Korea

AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms

AlgoVeri：面向经典算法的验证代码生成对齐基准

Haoyu Zhao, Ziran Yang, Jiawei Li, Deyuan He, Zenan Li, Chi Jin, Venugopal V. Veeravalli, Aarti Gupta, Sanjeev Arora

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 为解决跨范式验证代码生成评估缺乏统一方法的问题，提出AlgoVeri基准，在Dafny、Verus和Lean三种语言上评估77个经典算法的验证代码生成，揭示不同验证系统的能力差距。

Comments Accepted to ICML 2026, 32 pages

Vision Transformer Finetuning Benefits from Non-Smooth Components

视觉变换器微调受益于非平滑组件

Ambroise Odonnat, Laetitia Chapel, Romain Tavenard, Ievgen Redko

机构 * Noah's Ark Lab（诺亚 ark 实验室） ； Univ. Rennes 2, Inria（里昂二大学，法国国家信息与自动化研究所） 纠错

AI总结 本文通过分析视觉变换器组件的可塑性（即输出对输入变化的敏感度），发现高可塑性（低平滑性）的注意力模块和前馈层在微调中表现更好，挑战了平滑性有利的传统观点。

Comments Accepted at ICML 2026

Can Large Language Models Generalize Procedures Across Representations?

大型语言模型能否跨表示泛化过程？

Fangru Lin, Valentin Hofmann, Xingchen Wan, Weixing Wang, Zifeng Ding, Anthony G. Cohn, Janet B. Pierrehumbert

机构 * Stanford University（斯坦福大学） 纠错

AI总结 研究大型语言模型在代码、图与自然语言等不同表示间泛化过程的能力，提出两阶段强化学习课程来弥合差距。

Comments Accepted at ICML 2026

Bounded Hyperbolic Tangent: A Stable and Efficient Alternative to Pre-Layer Normalization in Large Language Models

有界双曲正切：大型语言模型中预层归一化的稳定高效替代方案

Hoyoon Byun, Youngjun Choi, Taero Kim, Sungrae Park, Kyungwoo Song

机构 * Yonsei University（延世大学） ； Upstage AI 纠错

AI总结 提出BHyT，通过有界双曲正切和数据驱动的输入约束替代Pre-LN，在保持稳定性的同时提升训练和推理效率。

Comments Accepted to ICML 2026

Making Expert Reasoning Learnable with Self-Distillation

通过自蒸馏使专家推理可学习

Ethan Mendes, Jungsoo Park, Alan Ritter

机构 * Georgia Institute of Technology, Atlanta, Georgia（佐治亚理工学院，亚特兰大，佐治亚州） 纠错

AI总结 提出分布对齐模仿学习（DAIL），通过两步自蒸馏方法弥合专家解决方案与模型分布之间的差距，利用少量高质量专家数据显著提升大语言模型的推理能力。

Comments ICML 2026

PersistBench: When Should Long-Term Memories Be Forgotten by LLMs?

PersistBench: 大型语言模型何时应忘记长期记忆？

Sidharth Pulipaka, Oliver Chen, Manas Sharma, Taaha S Bajwa, Vyas Raina, Ivaxi Sheth

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出 PersistBench 基准，评估 LLM 长期记忆带来的跨域泄露和记忆诱导的谄媚安全风险，发现主流模型失败率高达 53% 和 97%。

Comments 76 pages, 34 figures, ICML (2026)

On the Expressive Power of Permutation-Equivariant Weight-Space Networks

关于置换等变权重空间网络的表达能力

Adir Dayan, Yam Eitan, Haggai Maron

机构 * Technion -- Israel Institute of Technology（技术ion-以色列理工学院） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 本文系统研究置换等变权重空间网络的表达能力，证明主流网络表达能力等价，并在温和假设下建立权重空间和函数空间的普适性，指导模型改进实现34%性能提升。

Comments Accepted as a spotlight paper at ICML 2026

L$^3$: Large Lookup Layers

L$^3$：大型查找层

Albert Tseng, Christopher De Sa

机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出Large Lookup Layer (L$^3$)，通过静态基于token的路由聚合每个token的嵌入，实现稀疏性，在语言建模和下游任务中优于稠密模型和等稀疏MoE。

Comments ICML 2026

Optimal Transport under Group Fairness Constraints

群体公平约束下的最优运输

Linus Bleistein, Mathieu Dagréou, Francisco Andrade, Thomas Boudou, Aurélien Bellet

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 针对最优运输中的群体公平问题，提出通过修正Sinkhorn算法实现完美公平，并开发两种松弛策略（惩罚OT和双层优化学习成本）以平衡公平与匹配质量，给出理论保证和实证结果。

Comments Accepted at ICML 2026 (spotlight)

Tuning the Implicit Regularizer of Masked Diffusion Language Models: Enhancing Generalization via Insights from $k$-Parity

调整掩码扩散语言模型的隐式正则化器：通过$k$-奇偶问题的见解增强泛化能力

Jianhao Huang, Baharan Mirzasoleiman

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

AI总结 本文通过$k$-奇偶问题研究掩码扩散语言模型的泛化特性，理论分解其目标函数为信号和噪声两部分，并利用噪声作为隐式正则化器，通过优化掩码概率分布显著提升模型性能。

Comments ICML 2026

Fixed Aggregation Features Can Rival GNNs

固定聚合特征可媲美GNN

Celia Rubio-Madrigal, Rebekka Burkholz

机构 * Celia Rubio-Madrigal ； Rebekka Burkholz 纠错

AI总结 提出固定聚合特征（FAFs）方法，将图学习转化为表格问题，通过非训练聚合特征结合表格模型，在多数基准上达到或超越GNN性能。

Comments Accepted at ICML 2026

Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction

通过影响矛盾识别和纠正标签噪声以实现鲁棒图神经网络

Wei Ju, Wei Zhang, Siyu Yi, Zhengyang Mao, Yifan Wang, Jingyang Yuan, Zhiping Xiao, Ziyue Qiao, Ming Zhang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出ICGNN方法，利用图扩散矩阵计算影响矛盾分数（ICS）检测噪声标签，并通过邻居预测软策略纠正噪声标签，结合伪标签提升鲁棒性。

Comments Accepted by Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Learning Randomized Reductions

学习随机归约

Ferhat Erata, Orr Paradise, Thanos Typaldos, Timos Antonopoulos, ThanhVu Nguyen, Shafi Goldwasser, Ruzica Piskac

机构 * Yale University, USA（耶鲁大学） ； EPFL, Switzerland（瑞士联邦理工学院） ； George Mason University, USA（乔治·梅onn大学） 纠错

AI总结 提出 Bitween 框架自动学习随机自归约（RSR），通过线性回归、遗传编程等后端和 LLM 代理，在 80 个函数中分别发现 54% 和 80% 的 RSR，包括首个 sigmoid 归约。

Comments Accepted at ICML 2026 (Spotlight). 9 pages main text + appendix

Journal ref Proceedings of the 43rd International Conference on Machine Learning, PMLR 306, 2026

T2AV-Compass: Towards Unified Evaluation for Text-to-Audio-Video Generation

T2AV-Compass：迈向文本到音频-视频生成的统一评估

Zhe Cao, Tao Wang, Jiaming Wang, Yanghai Wang, Yuanxing Zhang, Jiahao Wang, Jialu Chen, Miao Deng, Yubin Guo, Chenxi Liao, Yize Zhang, Zhaoxiang Zhang, Jiaheng Liu

机构 * NJU-LINK Team, Nanjing University（南京大学NJU-LINK团队） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 提出T2AV-Compass基准，通过分类学驱动的500个复杂提示和双层次评估框架（客观信号指标+主观MLLM评判），系统评估文本到音频-视频生成模型，发现现有模型在跨模态对齐和指令遵循方面显著不足。

Comments 41 pages, 13 figures, 12 tables. Accepted at ICML 2026

Risk and cross validation in ridge regression with correlated samples

带相关样本的岭回归中的风险与交叉验证

Alexander Atanasov, Jacob A. Zavatone-Veth, Cengiz Pehlevan

机构 * Department of Physics, Harvard University（哈佛大学物理系） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院） 纠错

AI总结 利用随机矩阵理论和自由概率，研究了数据点具有任意相关性时岭回归的渐近风险，并提出了修正的广义交叉验证估计器CorrGCV，同时扩展到测试点与训练集相关的情况。

Comments 50 pages, 19 figures. v4: ICML 2025 camera-ready. v5: Fix typo in statement of Theorem 5. v6: typos corrected, to appear in 2026 JSTAT Machine Learning focus collection

Journal ref International Conference on Machine Learning (2025), https://proceedings.mlr.press/v267/atanasov25a.html

Adaptive Minds: Empowering Agents with LoRA-as-Tools

自适应心智：将LoRA作为工具赋予智能体能力

Pavan C Shekar, Aswanth Krishnan

AI总结 提出将LoRA适配器作为可调用工具的框架，通过路由和智能体推理聚合多个专业适配器的优势，在30个适配器库中达到98.3%路由准确率，并在九类任务上显著提升性能。

Comments 13 pages, 3 figures, 9 tables. ICML 2026 CompLearn Workshop camera-ready (non-archival). Code: https://github.com/qpiai/adaptive-minds

Accuracy-First Rényi Differential Privacy and Post-Processing Immunity

精度优先的Rényi差分隐私与后处理免疫性

Ossi Räisä, Antti Koskela, Antti Honkela

AI总结 本文针对精度优先视角下的差分隐私，识别并弥补了后处理免疫性的缺失，提出了一种基于Rényi差分隐私且具有后处理免疫性的新定义，并开发了实用工具，应用于合成数据生成和图像分类器微调。

Journal ref In proceedings of ICML 2026

Model-Preserving Adaptive Rounding

模型保持的自适应舍入

Albert Tseng, Zhaofeng Sun, Christopher De Sa

机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出一种直接考虑网络输出误差的自适应舍入量化算法YAQA，通过理论分析给出首个端到端误差界，并利用Kronecker分解近似Hessian矩阵，在无推理开销下实现优于GPTQ/LDLQ约30%的误差降低。

Comments ICML 2026