ICML

Principles and Guidelines for Randomized Controlled Trials in AI Evaluation

人工智能评估中随机对照试验的原则与指南

Christopher Kelly, Angelica Chowdhury, Alexandra Campili, Bimpe Ayoola, Devin Barbour, Thomas Chen Dawson, Ze Shen Chin, Rokas Gipiškis

AI总结 研究针对人工智能评估随机对照试验缺乏通用标准和共享词汇的问题，借鉴多学科实践综合五条原则，形成33条可操作指南，为其发挥设计工具、评估标准和标准制定蓝图的作用，提供评估标准、共享语言及指南。

Comments 33 pages, ICML 2026 (Workshop on Technical AI Governance Research) and Technical AI Safety Conference

Trainable Nonexpansive Denoisers for Contractive Image Reconstruction

用于收缩图像重建的可训练非扩张去噪器

Arghya Sinha, Aditya Banerjee, Trishit Mukherjee, Kunal N. Chaudhury

AI总结 研究如何训练用于图像重建的去噪器，利用排列对图像格的作用约束神经架构，使其全局非扩张，集成去噪器与成像算子开发出可证明收缩且全局收敛的重建机制，实验表明性能有竞争力且提供Lipschitz保证。

Comments accepted at ICML 2026

DECAF: De-Clustering for Adaptive Representational Unlearning

DECAF：用于自适应表征遗忘的去聚类方法

Anjie Le, Can Peng, Hongcheng Guo, J. Alison Noble

AI总结 研究针对机器遗忘中聚类攻击问题，提出DECAF方法，结合输入噪声、置信度抑制和输出多样化破坏遗忘数据特征结构，在CIFAR-10与ResNet-18上表现出色，性能超基线且效率高。

Journal ref ICML 2026 CATS Workshop

A Coulomb Particle Model for Learning Kernel Attention in Transformers

用于在Transformer中学习核注意力的库仑粒子模型

Masoud Badiei Khuzani, Sharath Honnaiah, Atiq Islam, Alex Cozzi, Abraham Bagherjeiran

机构 * eBay Inc.（易贝公司） 纠错

AI总结 该研究提出基于粒子方法，通过优化核目标对齐学习特征分布，用于Transformer注意力。先学习正随机特征映射，再冻结核训练其余参数。实验表明，此方法能提升多种特征映射的准确性、校准和鲁棒性，且保持线性注意力推理复杂度。

Comments Workshop on High-dimensional Learning Dynamics (HiLD), ICML 2026

PerturbPFN: Probing the Limits of Synthetic Priors in Drug Perturbation Modelling

PerturbPFN：探索药物扰动建模中合成先验的极限

Yuche Gao, José Miguel Hernández-Lobato, Siyuan Guo

机构 * University of Cambridge（剑桥大学） ； Prior Labs（普瑞尔实验室） 纠错

AI总结 针对预测细胞对未知化学扰动反应的挑战，提出PerturbPFN模型，通过推断潜在系统图等并经SCM解码器传播效果，基于合成情节训练，在真实和合成数据上评估，实现低推理成本且具可解释性的扰动预测。

Comments 19 pages. Accepted at the 2nd ICML Workshop on Foundation Models for Structured Data (FMSD 2026), Seoul, South Korea

Similarity Is Not Logic: Factored Inference for Dual-Encoder Vision-Language Models

相似性并非逻辑：双编码器视觉语言模型的因式推理

Sultan Alshehri, Zhantao Yang, Han Zhang, Marios Savvides

AI总结 研究双编码器视觉语言模型组合约束失效问题，提出因式推理，将证据提取与约束执行分离，引入LCSE方法，在FACTOR-Bench上实验，提升了准确率并保持检索性能。

Comments Accepted at ICML 2026. 18 pages, 8 figures. Project page: https://sultanmo.github.io/factored-vlm Code and benchmark: https://github.com/SultanMo/factored-vlm

Breaking the Synthetic-Real Domain Shortcut for Training-Free Generative Replay-based Class Incremental Learning

打破合成-真实域捷径用于无训练生成重放的类增量学习

Tao Zhang, Qixuan Fan, Yiyuan Liang, Yanjie Wang, Song Yan, Tian Tian, Jiahuan Zhou, Luxin Yan, Sheng Zhong, Xu Zou

AI总结 研究类增量学习中合成旧数据与真实新数据混合导致性能下降的问题，提出DREAM模型，利用无训练生成器合成旧数据，通过子空间校正、正交投影及真实锚定原型正则化消除域捷径并加强语义对齐，取得最优性能。

Comments Accepted by ICML 2026

Obliviate: Efficient Unlearning in Recommender Systems

遗忘：推荐系统中的高效遗忘

Tushar Prakash, Brijraj Singh, Niranjan Pedanekar, Narayan Chaturvedi

AI总结 针对推荐系统，提出Obliviate两阶段遗忘框架。第一阶段用低秩遗忘适配器，第二阶段用局部感知校准，能在保持推荐质量的同时高效遗忘交互数据，降低计算成本，为大规模推荐系统提供实用方案。

Comments Accepted at ICML 2026

VlogReward: Learning Multi-Dimensional Evaluation for Vlog Editing

VlogReward：学习用于Vlog编辑的多维评估

Yexiang Liu, Wen Zhong, Sijie Zhu, Xin Gu, Fan Chen, Junxian Duan, Jie Cao, Longyin Wen, Zhenfang Chen

AI总结 针对Vlog评估主观性强且缺乏标准等问题，提出VlogReward模型。通过专业指导定义评估框架，构建数据集和基准，增强GRPO框架。该模型能提供多维分数与反馈，优于现有MLLMs，助力Vlog创作者及自动化评估完善系统。

Comments ICML 2026

The Scaffold Effect in Coding Agents: Harness Choice as a Hidden Variable in Coding-Agent Evaluation

编码智能体中的支架效应：在编码智能体评估中利用选择作为隐藏变量

Naman Vats, Oleg Golev

机构 * Alibaba（阿里巴巴） ； Agentic AI Foundation（Agentic人工智能基金会） ； OpenCode Contributors（OpenCode贡献者团队） ； Harbor Framework Team（Harbor框架团队） 纠错

AI总结 研究编码智能体评估中工具选择对结果的影响，通过在三个开源工具上评估两个模型，发现工具选择会使解决任务的令牌数有40倍差异，失败指纹有工具级偏差，建议按通过率选工具-模型对并报告相关指标，还发布了相关数据和脚本。

Comments 7 pages, 2 figures, 6 tables. Preliminary work; under review at the 5th DL4C Workshop @ ICML 2026

HeraSys: Collaborative Serving of Multiple LLM Workflows via Fine-Grained End-to-End Optimization

HeraSys：通过细粒度端到端优化实现多个大语言模型工作流的协同服务

Size Li, Zhiqing Tang, Hongrui Liang, Jianxiong Guo, Jiong Lou, Tian Wang, Weijia Jia

AI总结 针对大语言模型服务系统，HeraSys通过细粒度编排消除工作流间计算冗余，引入负载感知联合调度策略，结合资源倾斜机制等，有效减轻尾部延迟并提高吞吐量，实验证明其能显著降低延迟、提升服务吞吐量。

Comments to be published in ICML 2026

Agentic Evaluation of Copyright Law Compliance

版权法合规性的智能体评估

Zheng Hui, Doni Bloomfield, Noam Kolt

AI总结 研究LLM智能体版权法合规性评估问题，通过引入Copyright - Bench基准，由网站开发等商业任务组成，含提示变化与时间压力，对比智能体与人类基线，发现智能体存在选择版权作品及违规率受偏好和压力影响等情况。

Comments ICML 2026 Spotlight

Emergent Compositional Skills in Mixture-of-Experts VLAs

混合专家VLA中的涌现组合技能

Shlok Shah, Rhiaan Jhaveri, Tharun Kumar Tiruppali Kalidoss, Chirayu Nimonkar, Ishaan Javali, Dhruv Shah

AI总结 研究从专家演示端到端学习组合机器人策略的问题，用简化MoE动作头训练VLA，发现其能将任务分解，学习到的专家可跨任务重用，MoE在展示专家专业化时与整体基线性能匹配，向模块化、可解释机器人策略迈进。

Comments Accepted to the 2nd Workshop on Compositional Learning at ICML 2026

AdaRoPE: Not All Attention Heads Should Rotate and Scale Equally

AdaRoPE：并非所有注意力头都应同等旋转和缩放

Shaowen Wang, Yuke Zheng, Tansheng Zhu, Shuang Chen, Shaofan Liu, Suncong Zheng, Jian Li

AI总结 研究发现Transformer中不同功能的注意力头需不同频率范围和缩放因子，提出AdaRoPE为各头配备可学习参数，实验表明其性能优于现有变体，能更好地进行上下文扩展并保留短上下文性能，凸显在单头级别优化旋转位置嵌入之重要性。

Comments Accepted at ICML 2026

Position: AI/ML Deepfake Research is Misaligned with AI-Generated Non-Consensual Intimate Imagery (AIG-NCII)

立场：人工智能/机器学习领域对深度伪造的研究与人工智能生成的非自愿亲密图像（AIG-NCII）不一致

Li Qiwei, Wells Lucas Santo, Sarita Schoenebeck, Eric Gilbert

AI总结 研究指出人工智能/机器学习领域对深度伪造的研究与AIG-NCII不一致，现有技术干预忽略AIG-NCII，现有干预只关注观众认知危害，忽略主体尊严危害，建议更新威胁模型，在安全研究中解决AIG-NCII，同时警告研究人员涉足该领域需谨慎并做好防护。

Comments ICML 2026. Outstanding position paper honorable mention

PS-PPO: Prefix-Sampling PPO for Critic-Free RLHF

PS-PPO: 用于无评论者RLHF的前缀采样PPO

Doo Hwan Hwang, Kee-Eung Kim

AI总结 提出PS-PPO方法，通过前缀采样和重要性加权修正，在无评论者RLHF中减少训练计算和内存，保持准确率。

Journal ref ICML 2026 published

STORM: Segment, Track, and Object Re-Localization from a Single Image

STORM：从单张图像进行片段、跟踪和目标重定位

Yu Deng, Teng Cao, Hikaru Shindo, Quentin Delfosse, Jiahong Xue, Kristian Kersting

机构 * Department of Computer Science, Technical University of Darmstadt, Darmstadt, Hesse, Germany（德累斯顿技术大学计算机科学系） ； Hessian Center for Artificial Intelligence (hessian.AI), Darmstadt, Hesse, Germany（黑森人工智能中心（hessian.AI）） ； German Research Center for Artificial Intelligence (DFKI), Darmstadt, Hesse, Germany（德国人工智能研究中心（DFKI）） ； Centre for Cognitive Science, Technical University of Darmstadt, Darmstadt, Hesse, Germany（德累斯顿技术大学认知科学中心） ； Google Intrinsic AI Research, Germany. † Work done while at the AIML research lab, now working at Intrinsic, Google.（谷歌Intrinsic AI研究） 纠错

AI总结 STORM提出一种统一框架，通过单张参考图像实现6D跟踪，减少人工干预并提升鲁棒性，实验显示其在无标注姿态跟踪和严重遮挡场景中表现优异。

Comments 21 pages. Accepted at the 43rd International Conference on Machine Learning (ICML 2026); camera-ready version

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

Emergent Symbolic Structure in Health Foundation Models: Extraction, Alignment, and Cross-Modal Transfer

健康基础模型中的涌现符号结构：提取、对齐与跨模态迁移

Gajendra Katuwal, Advait Koparkar, Salar Abbaspourazad, Anshuman Mishra, Sarvesh Kirthivasan

机构 * Apple（苹果公司） 纠错

AI总结 本文提出一种训练后框架，通过分解冻结嵌入以提取可解释的符号，用于对齐嵌入空间。在PPG和加速度计数据上验证，发现符号能选择性关联健康状况和生理属性，并支持跨模态迁移。

Comments 8 pages, Mechanistic Interpretability Workshop at the 43rd International Conference on Machine Learning, 4 main figures

Journal ref Mechanistic Interpretability Workshop at the 43 rd International Conference on Machine Learning, Seoul, South Korea, 2026

Physics-Encoded Inverse Modeling for Arctic Snow Depth Estimation

物理编码的北极雪深预测逆建模

Akila Sampath, Vandana P. Janeja, Jianwu Wang

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

AI总结 提出物理编码逆建模框架PhysE-Inv，结合LSTM序列学习与对比学习正则化，在稀疏观测下实现雪深估计，均方误差平均降低24.7%。

Comments Accepted as a short paper in the Special Session on Deep Learning Applications at the 25th International Conference on Machine Learning and Applications (ICMLA), 2026

Plain Transformers are Surprisingly Powerful Link Predictors

普通Transformer竟是惊人的链接预测器

Quang Truong, Yu Song, Donald Loveland, Mingxuan Ju, Tong Zhao, Neil Shah, Jiliang Tang

机构 * Department of Computer Science and Engineering, Michigan State University, East Lansing, MI, USA.（计算机科学与工程系，密歇根州立大学，东兰辛，MI，美国。） ； Department of Computer Science（计算机科学系） ； Engineering, Michigan State University, East Lansing, MI, USA.（工程，密歇根州立大学，东兰辛，MI，美国。） 纠错

AI总结 提出PENCIL，一种仅编码器的普通Transformer，通过采样局部子图的注意力机制替代手工先验，在保持标准Transformer可扩展性的同时，隐式泛化多种启发式方法，实现高效且参数经济的链接预测。

Comments ICML'26

Lions and Muons: Optimization via Stochastic Frank-Wolfe under Heavy-Tailed Noise

狮子与缪子：通过随机Frank-Wolfe进行优化

Maria-Eleni Sfyraki, Jun-Kun Wang

AI总结 本文通过将Lion和Muon视为随机Frank-Wolfe的特例，提出鲁棒变体以应对厚尾噪声，提升非凸优化的收敛性和实用性。

Comments Accepted at the Forty-Third International Conference on Machine Learning (ICML) 2026

Infinite-Precision Autoregressive Modeling for Vector Graphics and Layouts

AGDC: 变长序列的自回归生成与联合离散连续空间

Yeonsang Shin, Insoo Kim, Bongkeun Kim, Keonwoo Bae, Bohyung Han

机构 * Seoul National University（首尔国立大学） ； Samsung Electronics（三星电子） 纠错

AI总结 AGDC通过联合建模离散和连续值，实现变长序列的高精度生成，适用于半导体设计等高精度领域。

Comments Code: https://github.com/yxxshin/IPAM

Journal ref ICML 2026

Mixing Configurations for Downstream Prediction

用于下游预测的混合配置

Juntang Wang, Hao Wu, Yihan Wang, Dongmian Zou, Shixin Xu

机构 * Division of Natural and Applied Sciences, Duke Kunshan University, China（杜克-昆山大学自然科学与应用科学系） ； School of Cyber Science and Engineering, Sichuan University, China（四川大学网络科学与工程学院） ； Boston University, USA（波士顿大学） 纠错

AI总结 研究基于聚类特征选择分辨率的问题，提出配置混合预测及MixConfig模块，通过提取配置和学习混合权重进行下游预测，实验表明该方法在多领域不同架构上有改进，尤其在低数据情况增益明显。

Comments 16 pages, 5 figures, 10 tables. Accepted at ICML 2026. Equal contribution: Juntang Wang, Hao Wu, Yihan Wang

Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data

基于不确定性增强的地形分类用于空间探索机器人的本体数据

Mariela De Lucas Álvarez, Jichen Guo, Raul Domínguez, Matias Valdenegro-Toro

AI总结 本文提出一种基于不确定性量化的神经网络方法，利用本体数据实现可靠的地形分类，以提高空间探索机器人在不可预测环境中的决策可靠性。

Comments 6 pages, 4 figures. LatinX in AI Workshop @ ICML 2023 Camera Ready

Journal ref International Conference on Machine Learning Conference: LatinX in AI (LXAI) Research Workshop 2023