期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
潜在颜色子空间：高维混沌中的涌现秩序
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。
Comments Accepted at ICML 2026
关于贝叶斯优化中汤普森采样遗憾界的分析
机构 * Nagoya University（名古屋大学） ； MI-6 Ltd.（MI-6公司）
AI总结 本文针对高斯过程汤普森采样（GP-TS）方法，在目标函数为GP样本路径的假设下，推导了其遗憾下界、累积遗憾二阶矩上界、期望宽松遗憾上界以及改进的累积遗憾上界，填补了GP-TS在高概率遗憾界方面的空白。
Comments 43 pages, Accepted to ICML 2026
立场：停止将中间令牌拟人化为推理/思考痕迹！
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文论证将模型生成的中间令牌拟人化为“推理痕迹”或“思考痕迹”具有误导性，呼吁社区避免此类拟人化。
Comments Appears in ICML 2026. [This is a fork of v1. This fork, while overlapping with v1 in background section, differs both in the overall focus as well as the specific argument against anthropomorphization of reasoning traces]
Journal ref ICML 2026
全球天气模型的缩放定律
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文分析数据驱动天气模型中模型大小、数据集大小和计算预算与验证损失之间的缩放定律，发现Aurora数据缩放最强，GraphCast参数效率高但硬件利用率低，计算最优分析表明增加训练数据比增大模型更有效，且模型形状上宽度优于深度。
Comments Accepted at ICML 2026. 21 pages, 7 figures
Kalman线性注意力：用于高效语言建模和状态跟踪的并行贝叶斯滤波
机构 * University of Cambridge（剑桥大学）
AI总结 提出Kalman线性注意力层，将序列混合重写为信息形式的精确贝叶斯滤波，实现时间并行推理，在相同计算成本下比GLA更具表达力，并在状态跟踪任务中超越线性SSM和注意力。
Comments Accepted at ICML 2026. An earlier version of this work was presented at the 1st Workshop on Epistemic Intelligence in Machine Learning (EIML) at EurIPS 2025
自回归直接偏好优化
机构 * University of Tokyo（东京大学）
AI总结 提出自回归直接偏好优化（ADPO），在应用Bradley-Terry模型前显式引入自回归假设，通过将DPO目标中的求和操作移至log-sigmoid函数外部，实现更优的偏好对齐，并首次区分token长度μ和反馈长度μ'两种度量。
Comments ICML 2026
从对应到动作：多模态大语言模型中类人多图像空间推理
机构 * University of Tokyo（东京大学）
AI总结 提出HATCH框架，通过补丁级空间对齐和动作-答案推理两个目标，提升多模态大模型在多图像空间推理中的性能，在三个基准上超越同规模基线。
Comments ICML 2026
带有探索回合的匪徒社会学习
AI总结 研究自利代理通过多臂匪徒协议进行社会学习时，尽管个体有探索动机，但集体探索失败导致贝叶斯遗憾线性增长，表明即使存在有机探索也需要外部驱动。
Comments Appears in ICML 2026
MentisOculi: 揭示心智图像推理的局限性
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 提出MentisOculi基准，通过多步推理问题测试前沿模型利用视觉表示辅助推理的能力，发现视觉策略普遍无法提升性能，且统一多模态模型存在生成错误累积和无法利用真实可视化的问题。
Comments 9 pages, 8 figures, Accepted at ICML 2026
AI4SLT: 基于 Lean 4 的形式化统计学习理论实证过程
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文首次在 Lean 4 中完整形式化统计学习理论，基于实证过程理论，通过人机协作工作流构建了可验证的定理证明工具箱，并揭示了教材中的隐含假设。
Comments Accepted by ICML 2026
FOCUS: DLLMs 知道如何驯服它们的计算瓶颈
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学）
AI总结 针对扩散大语言模型解码中大部分计算浪费在不可解码令牌上的问题，提出 FOCUS 推理系统，通过动态聚焦可解码令牌并驱逐不可解码令牌，提升有效批大小，实现高达 3.52 倍的吞吐量提升。
Comments ICML 2026 camera-ready version
通过尺度敏感损失景观使模型不可合并
机构 * Graduate School of AI, POSTECH, Pohang, Republic of Korea（POSTECH人工智能研究生院） ； National AI Research Lab, Seoul, Republic of Korea（国家人工智能研究实验室） ； Department of CSE, POSTECH, Pohang, Republic of Korea（POSTECH计算机科学与工程系）
AI总结 提出Trap$^2$框架，通过在微调中编码保护，使模型在单独使用时有效，但在合并中常见的权重缩放下性能下降，从而防止未经授权的模型组合。
Comments Appears in ICML 2026
混合专家模型对特征噪声的鲁棒性
机构 * Dong Sun（东Sun） ； Rahul Nittala（拉胡尔·尼塔拉） ； Rebekka Burkholz（蕾贝卡·布克霍尔兹）
AI总结 研究混合专家模型在特征噪声下的鲁棒性，发现稀疏专家激活能作为噪声滤波器，相比密集网络具有更低的泛化误差、更强的鲁棒性和更快的收敛速度。
Comments ICML 2026
用于平滑且可解释的归一化流的解析双射
机构 * University of Cambridge（剑桥大学）
AI总结 提出三类全局光滑、解析可逆的双射函数，替代耦合流中的仿射变换或样条，并设计径向流架构，在径向结构目标上以千分之一参数达到耦合流质量。
Comments Final ICML 2026 version. 9 + 14 pages, 10 + 11 figures, 3 + 2 tables. New CIFAR-10 and tabular-data results; main text shortened for readability
反向流匹配：基于扩散与流策略的在线强化学习统一框架
机构 * Zeyang Li（李泽阳） ； Sunbochen Tang（唐顺波晨） ； Navid Azizan（阿齐兹安纳维）
AI总结 针对在线强化学习中扩散与流策略缺乏目标样本的问题，提出反向流匹配框架，通过后验均值估计和Langevin Stein算子构造控制变量，统一了噪声期望与梯度期望两类方法，并扩展到流策略，提升训练效率与稳定性。
Comments ICML 2026 (Spotlight); Code: https://github.com/azizanlab/ReverseFlowMatching
推理的几何：有效数学推理的谱特征
机构 * Valentin Noël（瓦伦丁·诺埃尔）
AI总结 通过将注意力矩阵视为加权词图，提取四个无需学习的谱诊断指标（Fiedler值、高频能量比、谱熵和平滑度），有效区分有效推理与模式匹配，在多个模型上达到85-96%的分类准确率。
Comments 30 pages, 13 figures, Accepted at ICML 2026 (main track)
RSTR: 减少扩散Transformer中的时空冗余
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出RSTR框架，通过进化搜索和自适应秩分配联合减少扩散Transformer中的时空冗余，实现50%-70%计算节省并保持或提升生成质量。
Comments International Conference on Machine Learning (ICML)
不负责任的人工智能：大型科技公司对AI研究的影响及相关影响
机构 * Big Tech（大科技公司）
AI总结 本文指出大型科技公司对AI研究的不成比例影响推动了不负责任的AI发展，并加剧了环境和社会负面影响，呼吁研究者通过集体行动加以抵制。
Comments Presented as a spotlight oral at the International Conference on Machine Learning 2026 (Position Paper Track). First version presented at NeurIPS 2025 Workshop on Algorithmic Collective Action
噪声引导的模仿学习传输方法
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。
Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt
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