A General Analysis of the Convergence of ADMM
ADMM收敛性的通用分析
AI总结 本文基于Lessard等人(2014)提出的框架，证明了当目标函数中一项强凸时ADMM的线性收敛性，并给出了参数选择的实用方法及收敛率的上下界。
Comments 10 pages, 6 figures
Journal ref International Conference on Machine Learning 32, 2015
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
Margins, Kernels and Non-linear Smoothed Perceptrons
边距、核与非线性平滑感知机
AI总结 本文研究了在RKHS中寻找非线性分类函数的问题，提出了一种加速平滑算法，具有与经典核感知机相似的收敛特性，并给出了在无分类器存在时的分离定理。
Comments 17 pages, published in the proceedings of the International Conference on Machine Learning, 2014
Journal ref Ramdas, Aaditya, and Javier Pena. "Margins, kernels and non-linear smoothed perceptrons." Proceedings of the 31st International Conference on Machine Learning (ICML-14). 2014
Spectral Clustering via the Power Method -- Provably
通过幂法进行谱聚类--可证明的
AI总结 本文提出通过幂法计算谱聚类的近似特征向量，证明少量迭代即可获得近优划分。
Comments ICML 2015, to appear
Spectral Compressed Sensing via Structured Matrix Completion
通过结构矩阵补全的谱压缩感知
AI总结 本文提出基于结构矩阵补全的增强矩阵补全算法，用于从少量时域样本中恢复谱稀疏对象，通过核范数最小化实现完美恢复，且在信息理论极限附近具有鲁棒性和超分辨率应用能力。
Comments accepted to International Conference on Machine Learning (ICML 2013)
Journal ref Journal of Machine Learning Research, W&CP 28 (3) :414-422, 2013
Quantile Regression for Large-scale Applications
分位数回归在大规模应用中的方法
AI总结 本文提出一种近线性时间复杂度的随机算法，用于解决大规模分位数回归问题，通过低失真子空间保持嵌入提升计算效率，适用于超大规模数据集。
Comments 35 pages; long version of a paper appearing in the 2013 ICML. Version to appear in the SIAM Journal on Scientific Computing
Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting
学习细化：用于降水临近预报的频谱解耦迭代细化框架
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出频谱解耦迭代细化框架（SDIR），通过双路径设计（SFG-Former和FR-Refiner）和物理一致功率谱密度损失，在确定性框架中实现降水临近预报的渐进频率解耦细化，消除模糊和幻觉，在空间精度和频谱保真度上超越现有方法。
Comments 21 pages, 10 figures, accepted at ICML 2026
ScoreStop: Gradient-based early stopping using functional score tests
ScoreStop: 基于梯度的早期停止方法使用函数得分检验
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出ScoreStop方法，通过函数得分检验在每次迭代中检验当前预测器是否为总体风险最小化器，从而在梯度提升决策树中实现基于梯度的早期停止，避免过拟合。
Comments Presented at the International Conference on Machine Learning 2026 Workshop on Hypothesis Testing
Position: Prioritize Identifying Structure, Not Complex Models, for Scientific Discovery
立场：优先识别结构，而非复杂模型，以促进科学发现
AI总结 本文论证现代机器学习在高维代理机制下存在通用欠定性，提出“机制性机器学习”的具体标准，以确保以LLM为中心的工作流真正支持科学而非模拟科学。
Comments Will appear as a position paper in ICML
TadA-Bench: A Million-Variant Benchmark for Future-Round Discovery Toward Agentic Protein Engineering
TadA-Bench：面向智能蛋白质工程的未来轮次发现的百万变异基准
机构 * Tsinghua University（清华大学）
AI总结 TadA-Bench 是一个基于31轮TadA定向进化的百万变异湿实验回放基准，通过定义固定数据回放任务来评估模型在未见过的未来轮次中排序变异的能力，并引入Seq2Graph统一标签，揭示进化覆盖度比局部数据密度更重要。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). Data: https://huggingface.co/datasets/JinGao/TadABench-1M . Code: https://github.com/shiyegao/TadABench-1M
Formalizing the Binding Problem
形式化绑定问题
机构 * Department of Physics and Astronomy, University of Pennsylvania, Philadelphia, PA, USA（物理与天文学系，宾夕法尼亚大学） ； Department of Neuroscience, University of Pennsylvania, Philadelphia, PA, USA（神经科学系，宾夕法尼亚大学） ； Department of Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Department of Psychology, University of Pennsylvania（心理学系，宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin, Berlin, Germany（机器学习组，柏林技术大学） ； Language Technology Institute, Carnegie Mellon University, Pittsburgh, PA, USA（语言技术研究所，卡内基梅隆大学）
AI总结 本文用信息论方法形式化绑定问题，提出一种探测方法测量模型表示中的绑定信息，并在视觉Transformer上实验，证明绑定是强视觉识别和推理的关键要素。
Comments Accepted to ICML 2026
Bootstrap Your Generator: Unpaired Visual Editing with Flow Matching
Bootstrap Your Generator: 基于流匹配的无配对视觉编辑
机构 * Weizmann Institute of Science（魏茨曼科学研究院）
AI总结 提出Bootstrap Your Generator (ByG)框架，利用基础模型知识通过流匹配实现无配对训练的图像视频编辑，无需外部信号，在数据稀缺场景下达到最优性能。
Comments Accepted at ICML 2026. Project page is at https://research.nvidia.com/labs/par/byg/
Reasoning Structure of Large Language Models
大型语言模型的推理结构
机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院）
AI总结 针对大型推理模型评估中隐藏不同推理结构的问题，提出基于逻辑谜题的基准测试和将非结构化轨迹转化为可验证推理图的方法，并定义推理效率指标，以量化分析推理拓扑结构。
Comments Accepted at ICML 2026 and presented at the ICLR 2026 workshop on LLM reasoning
Compress then Merge: From Multiple LoRAs into One Low-Rank Adapter
先压缩后合并：从多个LoRA到一个低秩适配器
机构 * Institute of Image Processing and Pattern Recognition, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（图像处理与模式识别研究所，自动化与智能感知学院，上海交通大学，上海，中国） ； Shanghai Key Laboratory of Flexible Medical Robotics, Tongren Hospital, Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China（柔性医疗机器人上海市重点实验室，同仁医院，医疗机器人研究所，上海交通大学，上海，中国）
AI总结 针对多LoRA合并时全参数合并破坏低秩结构的问题，提出先压缩后合并（CtM）方法，通过共享子空间投影保证输出严格秩r，性能优于现有单LoRA基线。
Comments Accepted to ICML 2026. Code: https://github.com/ZhengbaoHe/compress-then-merge
Unveiling the Structure of Do-Calculus Reasoning via Derivation Graphs
通过推导图揭示Do-演算推理的结构
机构 * Univ Grenoble Alpes, CNRS, Grenoble INP, LIG, France（格勒诺布尔阿尔卑斯大学，国家科学研究中心，格勒诺布尔理工学院，实验室，法国） ； Université de Lorraine, CNRS, CRAN, 54000 Nancy, France（洛林大学，国家科学研究中心，CRAN，法国）
AI总结 本文引入推导图来表示Do-演算规则的应用与组合，刻画了在Do-演算下等价的观测与干预概率的完整空间，并展示了通过最多四次规则应用即可实现等价变换，进而利用等价因果查询产生更有效的估计量。
Comments Accepted at ICML 2026
The Shape of Addition: Geometric Structures of Arithmetic in Large Language Models
加法的形状：大型语言模型中算术的几何结构
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 通过分析多操作数加法中残差流的几何结构，发现等原始和轨迹（IRST）并建立噪声量化模型，将算术错误解释为由内部神经噪声引起的几何滑移，并利用几何一致性检查方法检测和纠正量化失败。
Comments Accepted by ICML 2026
Building Reliable Long-Form Generation via Hallucination Rejection Sampling
通过幻觉拒绝采样构建可靠的长文本生成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； DeepMind（深度思维）
AI总结 提出分段幻觉拒绝采样框架SHARS，利用任意幻觉检测器在生成过程中拒绝并重采样幻觉片段，以缓解长文本生成中的幻觉累积问题，提升事实一致性。
Comments accepted by ICML 2026
SkelHCC: A Hyperbolic CLIP-Driven Cache Adaptation Framework for Skeleton-based One-Shot Action Recognition
SkelHCC：一种基于双曲CLIP驱动的缓存自适应框架用于骨架基础的一次动作识别
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出SkelHCC框架，利用双曲几何编码骨架层次结构，结合CLIP和免训练缓存实现一次动作识别，在三个数据集上达到最优。
Comments Accepted by ICML 2026
Attend to Anything: Foundation Model for Unified Human Attention Modeling
关注一切：统一人类注意力建模的基础模型
机构 * College of Computer Science, Sichuan University, Chengdu, 610065, China（四川大学计算机学院） ； National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University, Chengdu, 610065, China（合成视觉基础科学国家重点实验室）
AI总结 提出 Attend to Anything Model (AAM)，一种多模态基础模型，通过层次化语言提示和双曲空间嵌入统一图像、视频和视听任务中的注意力建模，并在16个基准上平均提升6%，视频推理加速约4倍。
Comments Accepted to ICML 2026
PRISM: Synergizing Vision Foundation Models via Self-organized Expert Specialization
PRISM: 通过自组织专家专业化协同视觉基础模型
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出PRISM框架，采用双流混合专家（MoE）架构，通过两阶段范式（先解构专家知识使其专业化，再动态重组为任务特定路径）解决视觉基础模型集成中的负迁移问题，在PASCAL-Context和NYUD-v2上达到新最优。
Comments Accepted to ICML 2026
IDO: Incongruity-aware Distribution Optimization for Multimodal Fake News Detection
IDO: 面向多模态假新闻检测的不一致性感知分布优化
机构 * Nanjing University（南京大学） ； University of Birmingham（伯明翰大学） ； East China Normal University（华东师范大学） ； Zhejiang University（浙江大学）
AI总结 提出不一致性感知分布优化（IDO）方法，通过事实不一致性和模态不一致性建模，提升多模态假新闻检测性能。
Comments Accept by GlobalSouthML@ICML 2026
IdEst: Assessing Self-Supervised Learning Representations via Intrinsic Dimension
IdEst: 通过内在维度评估自监督学习表示
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出IdEst方法，利用最小生成树维度估计器评估自监督学习表示的内在维度，发现其与下游线性探测性能强相关，并能高效选择超参数。
Comments ICML 2026
Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference
为下游任务定制严格适当的评分规则：因果推断中的应用
机构 * Inria（法国国家科学研究中心） ； CNRS（法国国家科学研究中心） ； Université de Paris（巴黎大学） ； Université de Paris-Saclay（巴黎-萨克雷大学）
AI总结 提出一种通过匹配下游误差指标的局部曲率来推导任务特定严格适当评分规则的框架，并将其应用于平均处理效应估计，导出了闭式损失函数及其对应的规范概率映射，实验表明该方法优于标准似然和协变量平衡方法。
Comments Accepted to ICML 2026
FLIPS: Instance-Fingerprinting for LLMs via Pseudo-random Sequences
FLIPS：通过伪随机序列为LLMs进行实例指纹识别
机构 * Inria（法国国家信息与自动化研究所）
AI总结 提出FLIPS方法，利用生成的二进制随机序列中的偏差，在237个模型实例上实现96%（闭集）和90%（开集）的识别准确率，解决了现有指纹识别技术无法区分同一LLM不同配置的问题，为AI监管提供了实例级指纹识别新范式。
Comments 20 pages, 20 figures, 3 tables. 43rd International Conference on Machine Learning (ICML 2026)
Learning Multi-Scale Hypergraph for High-Order Brain Connectivity Analysis
学习多尺度超图用于高阶脑连接分析
机构 * KAIST（韩国科学技术院）
AI总结 提出自适应多尺度超边学习框架MuHL，通过构建层次节点特征并动态学习高阶交互，在多个脑网络基准上提升神经退行性疾病分类性能并识别关键脑区。
Comments 24 pages, Accepted to ICML 2026
Multilingual Unlearning in LLMs: Transfer, Dynamics, and Reversibility
大型语言模型中的多语言遗忘：迁移、动态与可逆性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学）
AI总结 本文通过扩展TOFU基准到五种语言，研究大型语言模型中的多语言遗忘，发现遗忘迁移在不同语言间高度可变，且遗忘主要作用于后期解码层而非共享的跨语言潜在空间，因此可以通过推理时的单一引导方向逆转大部分遗忘效果。
Comments Accepted at ICML 2026
Message Tuning Outshines Graph Prompt Tuning: A Prismatic Space Perspective
消息调优优于图提示调优：棱镜空间视角
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出棱镜空间理论（PS-Theory）量化图提示调优的适应能力上限，并引入消息调优（MTG）方法，通过注入可学习消息原型超越该上限，实验验证其优越性。
Comments Accepted by ICML 2026
A Geometric Lens on Physics-Aligned Data Compression
物理对齐数据压缩的几何视角
AI总结 本文通过局部几何理论揭示了物理信息损失函数在科学数据压缩中导致的率失真权衡，并提出了基于主特征空间重叠的对齐诊断方法。
Comments Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
Are Common Substructures Transferable? Riemannian Graph Foundation Model with Neural Vector Bundles
常见子结构可迁移吗？基于神经向量丛的黎曼图基础模型
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对图结构迁移性理论缺失的问题，提出基于黎曼几何的神经向量丛框架GAUGE，通过内在几何学习实现可迁移子结构表征，在零样本链接预测和图同构任务中验证了优越性。
Comments Accepted by ICML 2026
EqGINO: Equivariant Geometry-Informed Fourier Neural Operators for 3D PDEs
EqGINO: 面向3D PDE的等变几何信息傅里叶神经算子
机构 * University of Texas at Austin（得克萨斯大学奥斯汀分校）
AI总结 提出EqGINO框架，通过在谱域强制执行各向同性，实现离散对称性的精确等变，并泛化到任意连续旋转，有效建模3D PDE的坐标不变物理规律。
Comments ICML 2026
Solipsistic Superintelligence is Unlikely to be Cooperative
唯我论超级智能不太可能合作
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文指出，基于唯我论方法设计的超级智能（极端能力的任务求解器）因忽视部署引发的内生非平稳性而难以合作，呼吁将相互依存作为核心设计原则的非唯我论研究范式。
Comments 24 pages, 1 figure, Accepted at Proceedings of the 43rd International Conference on Machine Learning, 2026
