ICML

Self-CriTeach: LLM Self-Teaching and Self-Critiquing for Improving Robotic Planning via Automated Domain Generation

Self-CriTeach: LLM 自我教学与自我批评用于通过自动领域生成提升机器人规划

Jinbang Huang, Zhiyuan Li, Yuanzhao Hu, Zhanguang Zhang, Mark Coates, Xingyue Quan, Yingxue Zhang

机构 * Huawei Noah's Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McGill University（麦吉尔大学） 纠错

AI总结 本文提出Self-CriTeach框架，通过LLM自动生成符号规划领域，用于自我教学生成规划问题-计划对及自我批评生成结构化奖励信号，提升机器人规划性能与泛化能力。

Comments International Conference on Machine Learning (ICML) 2026

Block-wise Codeword Embedding for Reliable Multi-bit Text Watermarking

分块码字嵌入用于可靠的多比特文本水印

Joeun Kim, HoEun Kim, Dongsup Jin, Young-Sik Kim

机构 * Department of AI, DGIST, Daegu, Republic of Korea（韩国大邱科学技术院人工智能系） ； Department of EECS, DGIST, Daegu, Republic of Korea（韩国大邱科学技术院电子工程与计算机科学系） ； ICT convergence, University of Ulsan, Ulsan, Republic of Korea（韩国釜山大学信息通信融合学院） 纠错

AI总结 本文提出BREW框架，通过分块盲消息估计和窗口位移验证，解决多比特水印中高误报率问题，实现高真阳性率和低误报率。

Comments Accepted at ICML 2026

THEIA: Learning Complete Kleene Three-Valued Logic in a Pure-Neural Modular Architecture

THEIA：在纯神经模块架构中学习完整的克里尔三值逻辑

Augustus Haoyang Li

机构 * Irvine Valley College（伊文斯谷学院） 纠错

AI总结 THEIA通过纯神经模块架构学习完整的克里尔三值逻辑，展示了其在任务数据中无需外部符号推理或手编码K3门原语的能力，同时揭示了学习系统中的不确定性传播和可靠性光谱特性。

Comments 41 pages, 3 figures, 15 tables, 8 appendices (A-H). Accepted to the 2nd Workshop on Compositional Learning at ICML 2026 (non-archival)

Predictive variational inference: Learn the predictively optimal posterior distribution

预测变分推断：学习预测最优的后验分布

Jinlin Lai, Antonio Linero, Yuling Yao

机构 * College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院） ； Department of Statistics and Data Sciences, University of Texas, Austin（德克萨斯大学奥斯汀分校统计与数据科学系） 纠错

AI总结 提出预测变分推断（PVI）框架，通过优化后验分布使预测分布逼近真实数据生成过程，解决模型误设问题，并实现自动模型诊断。

Comments ICML 2026

Policies Permitting LLM Use for Polishing Peer Reviews Are Currently Not Enforceable

允许使用LLM润色同行评审的政策目前无法执行

Rounak Saha, Gurusha Juneja, Dayita Chaudhuri, Naveeja Sajeevan, Nihar B Shah, Danish Pruthi

机构 * Indian Institute of Science（印度科学研究院） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究通过模拟多级人机协作的同行评审数据集，评估五种AI文本检测器，发现它们无法可靠区分LLM润色后的评审与纯人工评审，导致误判风险，表明当前政策不可执行。

Comments ICML 2026

Not All Invariants Are Equal: Curating Training Data to Accelerate Program Verification with SLMs

并非所有不变式都同等重要：利用SLM通过精选训练数据加速程序验证

Ido Pinto, Yizhak Yisrael Elboher, Haoze Wu, Nina Narodytska, Guy Katz

机构 * Hebrew University of Jerusalem, Israel（特拉维夫大学） ； Amherst College, USA（阿默斯特学院） ； VMware Research by Broadcom, USA（Broadcom VMware 研究） 纠错

AI总结 提出Wonda数据筛选流水线，通过AST归一化和LLM语义重写从原始验证器输出中提取高质量训练不变式，微调小语言模型（SLM）后，在多个模型上使不变式正确性和加速率翻倍甚至三倍，小模型性能媲美大模型。

Comments A preprint of the ICML 2026 paper with the same title

Are LLM Evaluators Really Narcissists? Sanity Checking Self-Preference Evaluations

LLM评估者真的是自恋者吗？对自我偏好评估的健全性检查

Dani Roytburg, Matthew Bozoukov, Matthew Nguyen, Jou Barzdukas, Mackenzie Puig-Hall, Narmeen Oozeer

机构 * Department of Machine Learning, Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学机器学习系） ； Department of Computer Science and Engineering, University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Computer Science, University of Virginia, Charlottesville, VA, USA（弗吉尼亚大学计算机科学系） ； Martian Research, San Francisco, California, USA（火星研究公司） ； Apart Research, San Francisco, California, USA（Apart研究公司） 纠错

AI总结 通过比较评估者自我评价与评价其他模型时的投票分布，发现仅51%的先前结果具有统计显著性，表明自我偏好主要由评估者质量而非自恋驱动。

Comments ICML 2026 Main

Mixtures Closest to a Given Measure: A Semidefinite Programming Approach

最接近给定测度的混合：一种半定规划方法

Srećko Đurašinović, Jean-Bernard Lasserre, Victor Magron

机构 * College of Computing and Data Science, NTU, Singapore（新加坡国立大学计算与数据科学学院） ； LAAS-CNRS, Toulouse, France（法国图卢兹CNRS-Laas研究所） ； Toulouse School of Economics（图卢兹经济学院） 纠错

AI总结 针对仅知有限矩的目标测度，提出半定规划松弛层次法，用参数族混合逼近并最小化2-Wasserstein或全变差距离，渐近收敛且满足秩条件时有限收敛，可应用于聚类。

Comments 23 pages, 2 algorithms, 1 table, 4 figures

Journal ref ICML 2026 (oral)

Graph Alignment for Benchmarking Graph Neural Networks and Learning Positional Encodings

图对齐：用于基准测试图神经网络和学习位置编码

Adrien Lagesse, Marc Lelarge

机构 * INRIA, École Normale Supérieure - PSL, Paris, France（INRIA，法国国家信息与自动化研究所，巴黎高等师范学院-巴黎理工学院，巴黎，法国） 纠错

AI总结 提出基于图对齐问题的GNN基准测试方法，通过自监督学习生成难度递增的数据集，发现各向异性模型表现更优，且预训练嵌入可作为位置编码用于图回归或高精度结构重建。

Comments International Conference on Machine Learning, Seoul, 2026