期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
从对应到动作：多模态大语言模型中类人多图像空间推理
机构 * University of Tokyo（东京大学）
AI总结 提出HATCH框架，通过补丁级空间对齐和动作-答案推理两个目标，提升多模态大模型在多图像空间推理中的性能，在三个基准上超越同规模基线。
Comments ICML 2026
带有探索回合的匪徒社会学习
AI总结 研究自利代理通过多臂匪徒协议进行社会学习时，尽管个体有探索动机，但集体探索失败导致贝叶斯遗憾线性增长，表明即使存在有机探索也需要外部驱动。
Comments Appears in ICML 2026
MentisOculi: 揭示心智图像推理的局限性
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 提出MentisOculi基准，通过多步推理问题测试前沿模型利用视觉表示辅助推理的能力，发现视觉策略普遍无法提升性能，且统一多模态模型存在生成错误累积和无法利用真实可视化的问题。
Comments 9 pages, 8 figures, Accepted at ICML 2026
AI4SLT: 基于 Lean 4 的形式化统计学习理论实证过程
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文首次在 Lean 4 中完整形式化统计学习理论，基于实证过程理论，通过人机协作工作流构建了可验证的定理证明工具箱，并揭示了教材中的隐含假设。
Comments Accepted by ICML 2026
FOCUS: DLLMs 知道如何驯服它们的计算瓶颈
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学）
AI总结 针对扩散大语言模型解码中大部分计算浪费在不可解码令牌上的问题，提出 FOCUS 推理系统，通过动态聚焦可解码令牌并驱逐不可解码令牌，提升有效批大小，实现高达 3.52 倍的吞吐量提升。
Comments ICML 2026 camera-ready version
通过尺度敏感损失景观使模型不可合并
机构 * Graduate School of AI, POSTECH, Pohang, Republic of Korea（POSTECH人工智能研究生院） ； National AI Research Lab, Seoul, Republic of Korea（国家人工智能研究实验室） ； Department of CSE, POSTECH, Pohang, Republic of Korea（POSTECH计算机科学与工程系）
AI总结 提出Trap$^2$框架，通过在微调中编码保护，使模型在单独使用时有效，但在合并中常见的权重缩放下性能下降，从而防止未经授权的模型组合。
Comments Appears in ICML 2026
混合专家模型对特征噪声的鲁棒性
机构 * Dong Sun（东Sun） ； Rahul Nittala（拉胡尔·尼塔拉） ； Rebekka Burkholz（蕾贝卡·布克霍尔兹）
AI总结 研究混合专家模型在特征噪声下的鲁棒性，发现稀疏专家激活能作为噪声滤波器，相比密集网络具有更低的泛化误差、更强的鲁棒性和更快的收敛速度。
Comments ICML 2026
用于平滑且可解释的归一化流的解析双射
机构 * University of Cambridge（剑桥大学）
AI总结 提出三类全局光滑、解析可逆的双射函数，替代耦合流中的仿射变换或样条，并设计径向流架构，在径向结构目标上以千分之一参数达到耦合流质量。
Comments Final ICML 2026 version. 9 + 14 pages, 10 + 11 figures, 3 + 2 tables. New CIFAR-10 and tabular-data results; main text shortened for readability
反向流匹配：基于扩散与流策略的在线强化学习统一框架
机构 * Zeyang Li（李泽阳） ； Sunbochen Tang（唐顺波晨） ； Navid Azizan（阿齐兹安纳维）
AI总结 针对在线强化学习中扩散与流策略缺乏目标样本的问题，提出反向流匹配框架，通过后验均值估计和Langevin Stein算子构造控制变量，统一了噪声期望与梯度期望两类方法，并扩展到流策略，提升训练效率与稳定性。
Comments ICML 2026 (Spotlight); Code: https://github.com/azizanlab/ReverseFlowMatching
推理的几何：有效数学推理的谱特征
机构 * Valentin Noël（瓦伦丁·诺埃尔）
AI总结 通过将注意力矩阵视为加权词图，提取四个无需学习的谱诊断指标（Fiedler值、高频能量比、谱熵和平滑度），有效区分有效推理与模式匹配，在多个模型上达到85-96%的分类准确率。
Comments 30 pages, 13 figures, Accepted at ICML 2026 (main track)
RSTR: 减少扩散Transformer中的时空冗余
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出RSTR框架，通过进化搜索和自适应秩分配联合减少扩散Transformer中的时空冗余，实现50%-70%计算节省并保持或提升生成质量。
Comments International Conference on Machine Learning (ICML)
不负责任的人工智能：大型科技公司对AI研究的影响及相关影响
机构 * Big Tech（大科技公司）
AI总结 本文指出大型科技公司对AI研究的不成比例影响推动了不负责任的AI发展，并加剧了环境和社会负面影响，呼吁研究者通过集体行动加以抵制。
Comments Presented as a spotlight oral at the International Conference on Machine Learning 2026 (Position Paper Track). First version presented at NeurIPS 2025 Workshop on Algorithmic Collective Action
噪声引导的模仿学习传输方法
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。
Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt
稳定性边缘选择性地塑造数据分布上的学习
机构 * MIT（麻省理工学院）
AI总结 本文发现优化中的稳定性边缘（EoS）具有选择性，通过分支干预因果证明了EoS在训练数据子集间重新分配学习，并识别了受益组需满足的两个条件：梯度与Hessian主特征向量对齐，以及梯度幅度持续非零。
Comments ICML HiLD 2026; 27 pages, 22 figures
AgentPLM：具有推理增强解码的智能体蛋白质语言模型用于蛋白质序列设计
机构 * Sahil Rahman ； Maxx Richard Rahman
AI总结 提出AgentPLM，通过推理增强解码和对比智能体策略优化，使预训练蛋白质语言模型能够利用外部生物物理反馈进行在线纠错，在多项蛋白质设计任务上取得最优结果。
Journal ref Workshop on Generative and Agentic AI for Biology, 43rd International Conference on Machine Learning (ICML 2026)
测试时自适应可学习性：恢复复杂性视角
机构 * Zhi Zhou（周智） ； Ming Yang（杨明） ； Shi-Yu Tian（田世宇） ； Kun-Yang Yu（于坤阳） ； Lan-Zhe Guo（郭兰哲） ； Yu-Feng Li（李宇峰）
AI总结 本文提出首个理论框架，通过引入(ε,δ)-恢复复杂性和(ε,ρ)-TTA可学习性，研究非平稳流下测试时自适应的可学习性，并揭示自适应-信息权衡。
Comments Accepted by ICML 2026
从体积到价值：面向设备端RAG的偏好对齐记忆构建
机构 * Department of Computer Science and Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan, Republic of Korea（计算机科学与工程系，全州国立科学与技术研究所（UNIST），全州，韩国）
AI总结 本文提出EPIC方法，通过将用户偏好作为紧凑且稳定的个人上下文形式，整合到RAG流程中，以在有限内存下提高检索与用户偏好的对齐度，从而减少内存使用并提升准确性。
Comments Accepted to ICML 2026. Code and data are available at https://github.com/UbiquitousAILab/EPIC
关于成本效益的LLM作为评判者的改进技术
AI总结 研究通过集成评分、任务特定标准注入等四种技术提高LLM评判准确性，在RewardBench 2上达到85.8%准确率，成本效益显著。
Comments Accepted at the ICML 2026 workshops "Statistical Frameworks for Uncertainty in Agentic Systems" and "Combining Theory and Benchmarks: Towards a Virtuous Cycle to Understand and Guarantee Foundation Model Performance". 13 pages, 9 figures
你的自回归模型已经揭示了因果图
机构 * Department of Machine Learning \& Computer Vision, University of Augsburg, Augsburg, Germany
AI总结 本文提出TRACE框架，利用预训练自回归模型作为密度估计器进行条件独立性测试，从单序列离散事件中恢复时间因果图，并在大规模非线性SCM和真实车辆诊断日志上取得显著性能提升。
Comments 8 pages
Journal ref Structured Probabilistic Inference & Generative Modeling workshop ICML 2026
层次扩散策略中的在线自训练协同适应
机构 * ISIR, Sorbonne Université, CNRS（ISIR，索邦大学，国家科学研究中心）
AI总结 提出ORCHID自训练框架，通过环境反馈过滤轨迹并蒸馏回规划器和控制器，实现层次扩散策略的在线稳定改进，在CALVIN基准上轻量模型超越纯离线方法。
Comments Accepted at ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation (DEMO)
DSL-Topic：通过从语言模型中蒸馏软标签改进主题建模
机构 * University of Washington（华盛顿大学）
AI总结 提出DSL框架，通过从语言模型蒸馏软标签来增强主题模型训练，利用上下文感知的软标签重构信号，显著提升主题连贯性和分配准确性。
Comments 22 pages, 5 figures. Camera-ready version for ICML 2026
探索预测性医疗中基于概念正交推理的准确且透明的域适应
机构 * Department of Computer Science, Stevens Institute of Technology, Hoboken, NJ, United States（斯蒂文斯理工学院计算机科学系） ； UMass Chan Medical School, University of Massachusetts Amherst, Amherst, MA, United States（马萨诸塞大学阿默斯特分校UMass Chan医学学校）
AI总结 提出ExtraCare模型，通过将患者表示分解为不变和协变分量并强制正交，在保留标签信息的同时暴露域特定变异，实现准确预测并提供基于医疗概念的可解释性。
Comments Accepted by ICML 2026 Main Conference
盲去噪扩散模型与维度的祝福
机构 * Flatiron Institute, Simons Foundation（Flatiron研究院，Simons基金会） ； Foundations of Data Science, Yale University（数据科学基础，耶鲁大学） ； Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Ctr. for Neural Science & Courant Institute, New York University（神经科学中心及Courant学院，纽约大学）
AI总结 提出盲去噪扩散模型（BDDM），通过不向神经网络传递噪声幅度来简化设计，并在数据内在维度低于环境维度的假设下证明其正确性，实验显示自适应方案的优势。
Comments 39 pages, 13 figures; Accepted to ICML 2025 FoGen workshop
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
一步残差移位扩散用于图像超分辨率通过蒸馏
机构 * Kandinsky Lab（坎迪斯基实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Luzin Research Center（卢津研究所） ； Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究 institute） ； Applied AI Institute（应用人工智能研究所）
AI总结 提出RSD蒸馏方法，通过训练学生网络使基于其生成图像的虚拟ResShift模型与教师一致，实现单步超分辨率，在感知指标上超越教师和SinSR，且参数和计算成本更低。
Comments ICML-2026
重新思考基于流的渐进域适应：半对偶最优传输视角
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对渐进域适应中中间域构建问题，提出熵正则化半对偶非平衡最优传输框架，避免似然估计，实现稳定训练并提升性能。
Comments The paper has been accepted for presentation as a regular paper at the 43rd International Conference on Machine Learning (ICML 2026)
当距离干扰：BT损失中表示距离偏差对奖励模型的影响
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 分析BT损失中表示距离导致的梯度偏差，提出NormBT自适应归一化方案，提升奖励模型在细粒度区分上的性能。
Comments ICML 2026
对比谱校正：面向CLIP零样本对抗鲁棒性的测试时防御
机构 * University of Electronic Science and Technology of China（电子科技大学）
AI总结 提出对比谱校正（CSR）方法，利用对抗样本在频率衰减下的特征不一致性，通过谱引导对比目标优化校正扰动，在16个分类基准上平均提升18.1%的强攻击鲁棒性，且推理开销低。
Comments Accepted by ICML 2026
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
如何评估人机交互？软件代理设计案例研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PULSE框架，通过用户反馈和模型预测结合评估人机交互，在15k用户实验中验证其能减少40%置信区间，并揭示基准测试与真实结果的差异。
Comments ICML 2026
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