ICML

FiSeR: Fine-Grained Source Representations for Cross-Domain AI Image Detection

FiSeR：用于跨域AI图像检测的细粒度源表示

Shan Zhang, Yongxin He, Mingming Zhang, Huiwen Tian, Lei Ma

机构 * Shan Zhang, Yongxin He, Mingming Zhang, Huiwen Tian, Lei Ma（作者团队） 纠错

AI总结 针对合成图像检测器在域迁移下泛化能力差的问题，提出层次对比学习框架FiSeR，通过粗粒度和细粒度对比目标联合优化，在跨域评估中平均AUROC提升+10.22。

Comments Accepted at ICML 2026

Adversarially Robust Approximate Furthest Neighbor

对抗性鲁棒的近似最远邻居

Kiarash Banihashem, Jeff Giliberti, Prashant Gokhale, Samira Goudarzi, MohammadTaghi Hajiaghayi, Yuhao Liu, Morteza Monemizadeh, Sandeep Silwal

AI总结 本文提出一种在对抗性查询模型下能高效处理近似最远邻居查询的鲁棒数据结构，其查询时间与经典结果匹配并优于现有方法，同时揭示了传统算法在对抗性查询下的脆弱性。

Comments ICML 2026

Conformal Policy Control

符合性策略控制

Drew Prinster, Clara Fannjiang, Ji Won Park, Kyunghyun Cho, Anqi Liu, Suchi Saria, Samuel Stanton

机构 * Johns Hopkins University（约翰霍普金斯大学） ； New York University（纽约大学） 纠错

AI总结 本文提出一种基于安全参考策略的符合性校准方法，用于在不违反安全约束的前提下，使优化但未测试的策略能够安全地进行探索，并在有限样本下提供理论保证。

Comments International Conference on Machine Learning (ICML), 2026. v4: Revised CPC theory to (a) show enforced smoothness for likelihood-ratio control parameter and (b) for general control parameter, assume smoothness only of constrained policy $π_t^{(β)}$ w.r.t. $β$ (rather than of $(l_i - α)\cdotπ_t^{(β)}$ or of conformal weights)

CausalProfiler: Generating Synthetic Benchmarks for Rigorous and Transparent Evaluation of Causal Machine Learning

CausalProfiler: 生成用于严格和透明评估因果机器学习的合成基准

Panayiotis Panayiotou, Audrey Poinsot, Alessandro Leite, Nicolas Chesneau, Marc Schoenauer, Özgür Şimşek

机构 * Department of Computer Science, University of Bath, UK（英国巴斯大学计算机科学系） ； Ekimetrics, Paris, France（法国巴黎Ekimetrics公司） ； TAU, LISN, Inria Saclay, France（法国萨克雷Inria研究所） ； INSA Rouen Normandie, Normandie University, LITIS, Rouen, France（法国鲁昂Normandie大学） 纠错

AI总结 CausalProfiler是一种生成合成因果基准的工具，用于严格和透明评估因果机器学习方法，通过随机采样不同条件下的因果模型、数据和查询，提供覆盖保证和透明假设。

Comments Accepted at ICML 2026. Updated version includes an additional experiment

Weak-to-Strong Generalization via Bregman Bias-Variance Decomposition

基于Bregman偏差-方差分解的弱到强泛化

Gengze Xu, Wei Yao, Ziqiao Wang, Yong Liu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

AI总结 本研究通过Bregman偏差-方差分解理论揭示弱到强泛化的产生机制，给出平方、交叉熵损失下的收敛条件，实验验证反向交叉熵可提升学生模型性能。

Comments Accepted at ICML 2026