期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
TrialCalibre：一种完全自动化的因果引擎用于RCT基准测试和观察性试验校准
AI总结 本文提出TrialCalibre，一种多智能体系统，用于自动化和扩展BenchExCal流程，通过专门的智能体协调整个过程，实现适应性、可审计和透明的因果效应估计。
Comments 5 pages , 2 figures
Journal ref Proceedings of the 42nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025. Copyright 2025 by the author(s)
基于Erdős-Rényi边观察图的在线学习
机构 * SequeL team INRIA Lille - Nord Europe（INRIA里尔-北欧SequeL团队） ； Universitat Pompeu Fabra Barcelona, Spain（巴塞罗那大学庞培法华大学）
AI总结 研究了对抗性多臂老虎机问题，其中学习者可观察非选择臂的损失。提出两种算法处理不同r范围，第一种在r≥(log T)/(2N)时达到O(√(T/r log N))的期望遗憾，第二种在较小r时达到O(√(T/r log(N+T)))。
Comments Published at International Conference on Machine Learning (ICML) 2015. 11 pages
Journal ref Proceedings of the 32nd International Conference on Machine Learning (ICML), 2015
表格数据中的类别不平衡：利用预训练转换器（TabPFN）和Mamba-based模型预测电动汽车碰撞严重程度
机构 * College of Science and Engineering, Texas State University, San Marcos, Texas, USA（科学与工程学院，德克萨斯州立大学，圣马科斯，德克萨斯州，美国）
AI总结 本文提出了一种深度表格学习框架，利用真实世界碰撞数据预测电动汽车碰撞严重程度，通过SMOTEENN处理类别不平衡问题，评估了TabPFN、MambaNet和MambaAttention三种模型，发现MambaAttention在严重伤害分类上表现更优。
Comments This is the author's preprint version of a paper accepted for presentation at the 24th International Conference on Machine Learning and Applications (ICMLA 2025), December 3-5, 2025, Florida, USA. The final published version will appear in the official IEEE proceedings. Conference site: https://www.icmla-conference.org/icmla25/
基于Transformer的跨平台公共 discourse 对15分钟城市范式的分析
机构 * 1 College of Science ； Engineering, Texas State University, San Marcos, Texas, USA Email ； 3 Texas A\&M Transportation Institute, Texas A\&M University, Houston, Texas, USA Email
AI总结 本研究首次跨平台分析15分钟城市概念的公共 discourse，采用压缩Transformer模型进行多平台情感分类，发现DistilRoBERTa表现最佳，MiniLM一致性最高，揭示平台特性差异及压缩模型的高效优势。
Comments This is the author's preprint version of a paper accepted for presentation at the 24th International Conference on Machine Learning and Applications (ICMLA 2025), December 3-5, 2025, Florida, USA. The final published version will appear in the official IEEE proceedings. Conference site: https://www.icmla-conference.org/icmla25/
随机同时乐观优化
机构 * INRIA Lille - Nord Europe, SequeL team（INRIA里尔-北欧，SequeL团队） ； Statistical Laboratory, CMS, Wilberforce Road, CB3 0WB, University of Cambridge, United Kingdom（剑桥大学统计实验室，CMS，威尔伯福斯路，CB3 0WB，英国）
AI总结 本文研究在噪声干扰下有限次评估中全局最大化函数的问题，提出无需半度量知识的StoSOO算法，通过乐观策略构建层次划分的置信区间来选择下一步采样点，证明其在有限时间内性能接近最优调优算法。
Comments Published in International Conference on Machine Learning (ICML 2013)
多源领域适应的通用表示方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出一种通用领域适应框架，通过学习紧凑的潜在表示来捕捉分布偏移，解决转移哪些表示的问题，并通过理论分析建立可识别性保证。
Comments ICML 2025
CombiMOTS：基于双靶分子生成的组合多目标树搜索
机构 * Department of Computer Science and Engineering, Seoul National University, Seoul, Republic of Korea（首尔国立大学计算机科学与工程系） ； Interdisciplinary Program in Bioinformatics, Seoul National University, Seoul, Republic of Korea（首尔国立大学生物信息学跨学科项目） ； AIGENDRUG Co., Ltd., Seoul, Republic of Korea（AIGENDRUG公司） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University, Seoul, Republic of Korea（首尔国立大学人工智能跨学科项目）
AI总结 本文提出CombiMOTS，一种基于多目标树搜索的框架，用于生成双靶分子，通过向量优化约束平衡靶点亲和力与物理化学性质，实验表明其能生成高评分、多样化的双靶分子。
Comments Accepted as a poster at ICML 2025 (Main Track)
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:56650-56691, 2025
K-Score：卡尔曼滤波作为强化学习中奖励归一化的原理性替代方案
机构 * University of Bern, Bern, Switzerland（伯恩大学）
AI总结 本文提出一种简单有效的奖励归一化替代方法，通过整合一维卡尔曼滤波进行在线奖励估计，递归估计潜在奖励均值，降低高方差回报并适应非平稳环境，实验表明其加速收敛并减少训练方差。
Comments Accepted in NewInML Workshop, The 42nd International Conference on Machine Learning (ICML 2025).\href{https://icml.cc/virtual/2025/affinity-event/39980}{Event Page}
基于指数衰减遗憾的贝叶斯乐观优化
机构 * Applied Artificial Intelligence Institute, Deakin University, Geelong, Australia（应用人工智能研究所，德金大学，澳大利亚格里尔镇）
AI总结 本文提出BOO算法，在无噪声环境下通过结合贝叶斯优化与基于树的乐观优化方法，实现指数级遗憾界O(N^{-√N})。
Comments To appear at ICML 2021 (21 pages)
Journal ref PMLR 139:10390-10400, 2021
可塑性拒绝采样
机构 * INRIA Lille - Nord Europe（INRIA里尔-北欧洲）
AI总结 本文提出可塑性拒绝采样方法，通过核估计学习采样提议，提高拒绝率并保证接受样本数量。
Comments In ICML 2016
基于软谐波函数的条件异常检测：一项应用于临床警报的应用
机构 * Computer Science Department, University of Pittsburgh, PA（匹兹堡大学计算机科学系） ； Technicolor, Palo Alto, PA（Technicolor公司） ； Department of Biomedical Informatics, University of Pittsburgh, PA（匹兹堡大学生物医学信息学系）
AI总结 本文提出基于软谐波解的非参数方法，用于检测异常标签，通过估计标签置信度来识别异常误标，并在真实世界电子健康记录数据集上验证其有效性。
Comments ICML 2011 Workshop on Machine Learning for Global Challenges. arXiv admin note: substantial text overlap with arXiv:2604.21462. substantial text overlap with arXiv:2604.21462
基础模型的威力
机构 * IIIS, Tsinghua University（清华大学信息学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Qi Zhi Institute（上海启智研究院）
AI总结 本文通过范畴论探讨基础模型在提示学习和微调中的能力限制及泛化理论，提出新的泛化定理。
Comments ICML'23. This version polished paper with the help of LLM, fixed a few notational issues
可微 conformal 训练用于 LLM 推理事实性
机构 * Department of Computer Science, University of Illinois at Chicago, Chicago, United States（伊利诺伊大学芝加哥分校计算机科学系） ； Department of Physics, University of Illinois at Urbana-Champaign, Urbana, United States（伊利诺伊大学厄巴纳-香槟分校物理系）
AI总结 本文提出可微 conformal 训练方法，通过联合验证推理步骤中的事实性声明，提升 LLM 的事实性可靠性，实验显示在保持可靠性的同时，事实性声明保留率提升141%。
Comments Submitted ICML
通过岭谱稀疏化实现大规模图学习的改进
机构 * SequeL team, INRIA Lille - Nord Europe, France（SequeL团队，INRIA里尔-北欧，法国） ； Facebook AI Research, Paris, France（Facebook人工智能研究，巴黎，法国） ； MIT, USA（麻省理工学院，美国） ； New Jersey Institute of Technology, USA（新泽西理工学院，美国）
AI总结 本文提出GSQUEAK算法，通过维护有效电阻的小子集高效稀疏化图拉普拉斯矩阵，在分布式流式设置中实现快速谱近似。
Comments International Conference on Machine Learning (ICML 2018)
验证机器去学习是脆弱的
机构 * University of Virginia（弗吉尼亚大学）
AI总结 本文探讨了机器去学习验证的脆弱性，提出两种对抗性去学习过程以绕过现有验证策略，揭示了验证方法的局限性。
Comments ICML 2024
面向深度神经网络的可信反向学习
机构 * University of Virginia（弗吉尼亚大学）
AI总结 本文提出简单技术将可信反向学习扩展到非凸目标，通过逆Hessian近似降低时间复杂度，并探讨非收敛训练和顺序反向学习，实验证明方法有效性及可信反向学习优势。
Comments ICML 2024 (errata)
预算化的在线影响力最大化
机构 * Adobe Research（Adobe研究院） ； Inria Lille（Inria里尔分校） ； DeepMind（深度Mind）
AI总结 本文提出一种新的预算化框架，考虑广告活动的总成本而非传统选择影响者集合的基数约束。通过独立级联扩散模型和边级半带反馈，提出算法并提供理论和实验结果，改进了基数约束下的后悔界。
Comments 37th International Conference on Machine Learning (ICML 2020), 28 pages
基于扩散模型的实时无重建异常检测与分割
机构 * H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Mechanical Engineering（机械工程系） ； Polytechnic University of Milan（米兰理工学院）
AI总结 本文提出RADAR方法，通过注意力机制的扩散模型直接生成异常图，提升检测精度和效率，实验证明在MVTec-AD和3D打印材料数据集上均优于现有方法。
Comments 9 pages, 8 figures, 1 table. Accepted to 2025 International Conference on Machine Learning and Applications (ICMLA)
Journal ref Proc. 2025 International Conference on Machine Learning and Applications (ICMLA), Boca Raton, FL, USA, 2025, pp. 663-670
对抗性标签不变图数据增强用于分布外泛化
机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） ； Department of Industrial and Systems Engineering, The Ohio State University（俄亥俄州立大学工业与系统工程系）
AI总结 本文提出RIA方法，通过对抗性标签不变的数据增强提升分布外泛化能力，结合因果生成图数据进行优化，实验表明其在多种分布偏移场景中表现优异。
Comments 22 pages, 3 figures, accepted at ICML SCIS 2023
图上光滑函数的谱带兵问题
机构 * INRIA Lille - Nord Europe, SequeL team（INRIA里尔-北欧，SequeL团队） ； Microsoft Research New England（微软研究院新英格兰分部） ； Technicolor Research Center（Technicolor研究中心）
AI总结 本文研究图上光滑函数的带兵问题，提出两种算法在有效维度上线性或亚线性地减少累积遗憾，实验证明通过少量节点评估可学习千级物品的用户偏好。
Comments Published in International Conference on Machine Learning (ICML 2014)
无标度自适应规划用于确定性动力学与折扣奖励
机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Noah's Ark Lab, Huawei Technologies, London, UK（华为技术伦敦诺亚实验室） ； Adobe Research, San Jose, USA（Adobe研究实验室） ； SequeL team, INRIA Lille - Nord Europe, France（INRIA里尔-北欧洲SequeL团队）
AI总结 本文提出Platypoos算法，针对确定性动力学和折扣奖励的规划问题，提供改进的样本复杂度分析，并建立下界证明其最优性。
Comments 36th International Conference on Machine Learning (ICML 2019)
Journal ref Proceedings of the 36th International Conference on Machine Learning (ICML 2019)
RAPSTuner：基于检索的软提示用于在非平稳环境中具有情境意识的黑盒优化
机构 * Department of Computer Science, The University of Hong Kong（香港大学计算机科学系）
AI总结 本文提出RAPSTuner，通过检索相似历史情境来识别模式代理，利用混合专家代理预测短期损失，并在低维提示子空间中进行适应，以减少非平稳环境中黑盒优化的累积遗憾。
Comments Withdraw by ICML and prepare for NeurIPS or ICLR
Tape：一种用于评估强化学习中规则转移泛化能力的单元自动机基准
机构 * The University of Hong Kong（香港大学）
AI总结 Tape通过隔离动态中的潜在规则转移，保持观测-动作接口不变，评估强化学习在分布外泛化中的表现，发现稳定/周期性/混沌规则间的显著异质性。
Comments ICML reject and seeking for NeurIPS
UniSim: 一种统一的生物分子时间粗化动力学模拟器
机构 * Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（清华大学人工智能产业研究院） ； Gaoling School of Artificial intelligence, Renmin University of China, Beijing, China（中国人民大学agog学校人工智能学院） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程研究中心，教育部）
AI总结 UniSim通过跨领域知识提升原子相互作用理解，采用多头预训练和随机插值框架，实现对小分子、肽类和蛋白质的高效模拟。
Comments ICML 2025 poster
差异是美德：通过内在维度视角实现弱到强的泛化
机构 * New York University（纽约大学） ； Shanghai Jiaotong University（上海交通大学） ； Princeton University（普林斯顿大学）
AI总结 通过内在低维空间视角分析弱到强泛化，揭示强弱模型差异对泛化误差的正向影响，实验验证了在回归、视觉和NLP任务中的有效性。
Comments ICML 2025
FedSWA: 通过基于动量的随机受控权重平均提升联邦学习在高度异质数据中的泛化能力
机构 * College of Intelligence and Computing, Tianjin University, Tianjin, China（天津大学智能学院） ； Medical School, Tianjin University, Tianjin, China（天津大学医学院） ； Peng Cheng Lab, Shenzhen, China（鹏城实验室） ； School of Artificial Intelligence, Xidian University, Xi'an, China（西安电子科技大学人工智能学院） ； School of Cyber Engineering, Xidian University, Xi'an, China（西安电子科技大学网络工程学院）
AI总结 本文提出FedSWA和FedMoSWA算法，通过随机受控权重平均提升联邦学习在高度异质数据中的泛化能力，理论分析和实验验证其有效性。
Comments icml 2025
Journal ref ICML 2025
揭开真相的面纱：秩减少后主权重的浮现使以推理为导向的监督微调得以提升
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； International Computer Science Institute, CA, USA（国际计算机科学研究所） ； Lawrence Berkeley National Laboratory, CA, USA（伯克利国家实验室） ； Dartmouth College, NH, USA（达特茅斯学院） ； University of Exeter, Exeter, UK（埃克塞特大学） ； University of Oxford, Oxford, UK（牛津大学） ； University of Surrey, Guildford, UK（萨里大学） ； Tsinghua University, China（清华大学） ； Eindhoven University of Technology, the Netherlands（埃因霍温理工大学）
AI总结 本文提出LIFT方法，通过秩减少后选取主权重进行微调，提升推理能力，同时保持内存效率，优于全微调和LoRA。
Comments ICML 2025
更艰难的道路：零和博弈中无耦合学习的最后迭代收敛
机构 * Inria - FairPlay（Inria-公平游戏实验室） ； Stealth AI Startup / Inria / ENS（隐形AI初创公司 / Inria / 索邦大学） ； Criteo AI Lab, Paris, France（Criteo AI实验室，巴黎，法国）
AI总结 研究零和矩阵博弈在重复玩和带隙反馈下的学习问题，提出无耦合算法保证在无通信情况下最后迭代收敛到纳什均衡，发现收敛至纳什均衡对性能不利，最佳速率为Ω(T^{-1/4})，优于常规的Ω(T^{-1/2})。
Comments Accepted at the 42nd International Conference on Machine Learning (ICML 2025)
价格、出价、价值：一种由机器学习驱动的综合拍卖以统御它们所有
机构 * Department of Informatics, University of Zurich, Zurich, Switzerland（苏黎世大学信息学院） ； ETH AI Center, Zurich, Switzerland（苏黎世联邦理工学院AI中心） ； Department of Mathematics, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院数学系） ； Department of Statistics, University of California, Berkeley, USA（加州大学伯克利分校统计系）
AI总结 本文提出一种基于机器学习的综合拍卖，通过结合价值和需求查询提升效率，减少查询次数并降低投标人认知负担，建立新的实践和效率基准。
Comments ICML 2025 (Oral Presentation) 8 pages + appendix
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:56570-56614, 2025
迈向数据驱动的日风代理：球面傅里叶神经算子
机构 * Georgia State University（佐治亚州立大学） ； Predictive Science Inc.（预测科学公司）
AI总结 本文提出基于球面傅里叶神经算子的日风代理模型，与HUX模型相比，在多个指标上表现相当或更优，展示了该方法在实时预测和数据增强方面的潜力。
Comments International Conference on Machine Learning and Applications (ICMLA 2025)
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