ICML

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