ICML

Train Once, Reuse Everywhere: Generalizable Implicit In-Context Learning by Routing Attention

一次训练，随处重用：通过路由注意力实现可泛化的隐式上下文学习

Jiaqian Li, Yanshu Li, Ligong Han, Ruixiang Tang, Wenya Wang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出In-Context Routing (ICR)方法，在注意力logits层面捕获可泛化的上下文学习模式，通过可学习的输入条件路由器调制注意力logits，实现高效的一次训练多次重用框架，在12个数据集上优于现有隐式ICL方法并展现强泛化能力。

Comments ICML 2026 Camera-ready

Learning the Neighborhood: Contrast-Free Multimodal Self-Supervised Molecular Graph Pretraining

学习邻域：无对比的多模态自监督分子图预训练

Boshra Ariguib, Mathias Niepert, Andrei Manolache

机构 * University of Tübingen（图宾根大学） 纠错

AI总结 提出C-FREE框架，通过预测子图嵌入与互补邻域的关系，融合2D拓扑和3D构象信息，实现无对比、无负样本的多模态自监督分子图预训练，在MoleculeNet上取得最优结果。

Comments Accepted at ICML 2026

Cooperation of Experts: Fusing Heterogeneous Information with Large Margin

专家合作：大间隔融合异构信息

Shuo Wang, Shunyang Huang, Jinghui Yuan, Zhixiang Shen, Zhao Kang

机构 * Shuo Wang, Shunyang Huang, Jinghui Yuan, Zhixiang Shen, Zhao Kang（未知） 纠错

AI总结 提出专家合作框架，通过大间隔机制融合异构信息，在统一异构多路网络中编码多类型数据，实现鲁棒且互补的知识提取。

Comments Accepted at the 42nd International Conference on Machine Learning (ICML 2025)

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:63169-63185, 2025

Markov chain Monte Carlo without evaluating the target: an auxiliary variable approach

无需评估目标的马尔可夫链蒙特卡洛：一种辅助变量方法

Wei Yuan, Guanyang Wang

AI总结 针对目标分布难以评估的采样问题，提出一种统一的辅助变量MCMC框架，利用估计梯度指导提议移动，显著提升性能。

Comments ICML 2026 oral. Code: https://github.com/ywwes26/Auxiliary-MCMC

Position: Adversarial ML for LLMs Is Not Making Any Progress

立场：针对LLM的对抗性机器学习并未取得任何进展

Javier Rando, Jie Zhang, Nicholas Carlini, Florian Tramèr

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文认为，在大语言模型时代，对抗性机器学习研究的问题定义更模糊、更难解决且更难以评估，可能导致未来十年仍无法取得有意义进展。

Comments Accepted at ICML 2026 Position Paper Track

PINNfluence: Interpreting PINNs through Influence Functions

PINNfluence: 通过影响函数解释 PINN

Aleksander Krasowski, Jonas R. Naujoks, Moritz Weckbecker, Galip Ü. Yolcu, Thomas Wiegand, Sebastian Lapuschkin, Wojciech Samek, René P. Klausen

机构 * Technical University of Munich（慕尼黑技术大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Tübingen（图宾根大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出 PINNfluence 框架，基于影响函数对物理信息神经网络进行训练数据归因，实现预测、损失分量和训练数据点之间的细粒度归因，并通过基准实验区分训练好与差的 PINN 的结构特征。

Comments Accepted at ICML 2026

Efficient Dimensionality Reduction for Canonical Correlation Analysis

典型相关分析的高效降维方法

Haim Avron, Christos Boutsidis, Sivan Toledo, Anastasios Zouzias

AI总结 提出一种基于随机降维变换的快速近似典型相关分析算法，在保证精度的同时显著降低计算复杂度。

Comments 22 pages. 4 figures. To appear in ICML 2013: The 30th International Conference on Machine Learning

Agnostic System Identification for Model-Based Reinforcement Learning

基于模型的强化学习的不可知系统辨识

Stephane Ross, J. Andrew Bagnell

AI总结 针对模型类可能不包含真实系统的不可知情况，提出一种利用无遗憾在线学习算法获得近优策略的迭代方法，并在离散和连续域上验证其有效性。

Comments 8 pages, published in ICML 2012

Estimation of Simultaneously Sparse and Low Rank Matrices

同时稀疏和低秩矩阵的估计

Emile Richard, Pierre-Andre Savalle, Nicolas Vayatis

AI总结 本文提出一种凸混合惩罚方法，同时使用ℓ1范数和迹范数，以估计同时稀疏和低秩的矩阵，并推导了预言不等式和链接预测的泛化误差界，通过近端下降算法高效求解。

Comments Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)

A Combinatorial Algebraic Approach for the Identifiability of Low-Rank Matrix Completion

低秩矩阵完备可辨识性的组合代数方法

Franz Kiraly, Ryota Tomioka

AI总结 本文通过组合代数方法，首次给出了任意秩矩阵从一组矩阵条目中可辨识的充要组合条件，并提出了新算法。

Comments Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)

Mitigating Perceptual Judgment Bias in Multimodal LLM-as-a-Judge via Perceptual Perturbation and Reward Modeling

通过感知扰动和奖励建模减轻多模态大语言模型作为评判者中的感知判断偏差

Seojeong Park, Jiho Choi, Junyong Kang, Seonho Lee, Jaeyo Shin, Hyunjung Shim

机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院） 纠错

AI总结 本文通过构建感知扰动数据集和结合GRPO奖励与批排序目标的统一训练框架，解决了多模态大语言模型作为评判者时因视觉证据与文本线索冲突而产生的感知判断偏差问题，显著提升了感知忠实度和与人类评价的一致性。

Comments ICML 2026

Tracking the Behavioral Trajectories of Adapting Agents

追踪自适应智能体的行为轨迹

Jonah Leshin, Manish Shah, Ian Timmis

机构 * University of Birmingham（伯明翰大学） 纠错

AI总结 提出一种通过文本嵌入空间中的方向定义智能体特质的方法，训练线性模型对技能文件差异进行评分，实现高准确率的行为特质分类与排序。

Comments 5 pages, 1 figure. To appear at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026

MCP-Persona: Benchmarking LLM Agents on Real-World Personal Applications via Environment Simulation

MCP-Persona：通过环境模拟在真实个人应用上基准测试LLM智能体

Wenhao Wang, Peizhi Niu, Gongyi Zou, Xiyuan Yang, Jingxing Wang, Haoting Shi, Yaxin Du, Jingyi Chai, Xianghe Pang, Shuo Tang, Yanfeng Wang, Siheng Chen

机构 * Tsinghua University（清华大学） 纠错

AI总结 针对现有基准忽略个人社交应用中工具与个人账户或本地数据库交互的挑战，提出MCP-Persona基准，通过模拟真实个性化MCP工具评估LLM智能体性能，实验表明现有智能体在个性化工具使用上存在显著困难。

Comments ICML 2026 Camera Ready

Active Exploring like a Pigeon: Reinforcing Spatial Reasoning via Agentic Vision-Language Models

像鸽子一样主动探索：通过智能视觉语言模型强化空间推理

Wei Deng, Xianlin Zhang, Mengshi Qi

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出一种受鸽子认知地图启发的智能视觉语言模型管道，通过动态认知地图和空间断言代码提供密集奖励信号，在MindCube基准上实现80.5%的总体准确率，在Rotation子集上相对提升53.2%。

Comments Accepted by ICML 2026

Speculative Sampling For Faster Molecular Dynamics

用于加速分子动力学的推测采样

Arthur Kosmala, Stephan Günnemann, Meng Gao, Brandon Wood

机构 * FAIR at Meta（Meta FAIR） ； School of Computation, Information & Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center For Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 提出Langevin推测动力学（LSD），一种分布式且模型无关的推测采样方法，通过草稿模型快速提议步长并用目标模型并行验证，实现分子动力学模拟的3-9倍加速而不增加相对误差。

Comments Forty-Third International Conference on Machine Learning (ICML 2026). 32 pages, 14 figures, 8 tables

Initialization is Half the Battle: Generating Diverse Images from a Guidance Potential Posterior

初始化即半程：从引导势后验生成多样图像

Xiang Li, Dianbo Liu, Kenji Kawaguchi

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） 纠错

AI总结 针对生成模型模式崩溃问题，提出从引导势后验中采样初始噪声的DivIn方法，利用朗之万动力学引导初始化远离崩溃区域，提升多样性且兼容扩散与流匹配模型。

Comments Accepted by ICML 2026 Spotlight

Explainable Forensics of Manipulated Segments in Untrimmed Long Videos

未修剪长视频中被操纵片段的可解释取证

Yue Feng, Jingjing Li, Qijia Lu, Wei Ji, Jingrou Zhang, Fei Shen, Xiao Li, Yizhen Jia, Qiang Chen, Limin Wang, Wentong Li, Jie Qin

机构 * MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics（脑机智能技术关键实验室、人工智能学院、南京航空航天大学） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 针对长视频中AI生成片段的定位与解释任务，提出TASLE基准数据集和MSLoc粗到细取证方法，实现时序定位、真实性检测与可解释分析。

Comments Accepted to ICML 2026

FOAM: Frequency and Operator Error-Based Adaptive Damping Method for Reducing Staleness-Oriented Error for Shampoo

FOAM：基于频率和算子误差的自适应阻尼方法，用于减少Shampoo的陈旧性误差

Kyunghun Nam, Sumyeong Ahn

机构 * Kyunghun Nam ； Sumyeong Ahn 纠错

AI总结 提出FOAM算法，通过自适应控制阻尼因子和特征分解频率来抑制陈旧性误差，在保持收敛的同时减少Shampoo的计算时间。

Comments 9 pages, ICML 2026 camera-ready version

Dynamics Are Learned, Not Told: Semi-Supervised Discovery of Latent Dynamics Geometries For Zero-Shot Policy Adaptation

动力学是学出来的，不是告诉的：零样本策略适应的潜在动力学几何半监督发现

Zhiming Xu, Weitao Zhou, Xianghui Pan, Nanshan Deng, Chengju Liu, Qijun Chen, Chenpeng Yao

机构 * Zhiming Xu（徐志明） ； Weitao Zhou（周伟涛） ； Xianghui Pan（潘向辉） ； Nanshan Deng（邓南山） ； Chengju Liu（刘成军） ； Qijun Chen（陈齐军） ； Chenpeng Yao（姚晨鹏） 纠错

AI总结 针对机器人强化学习中动力学变化导致策略失效的问题，提出基于对比学习的半监督方法，通过构建平滑、任务相关的潜在拓扑结构，实现零样本策略适应，在MuJoCo基准上优于参数中心方法。

Comments Proceedings of the 43rd International Conference on Machine Learning

ShaplEIG: Bayesian Experimental Design for Shapley Value Estimation

ShaplEIG：用于Shapley值估计的贝叶斯实验设计

David Rundel, Fabian Fumagalli, Maximilian Muschalik, Bernd Bischl, Matthias Feurer

机构 * Department of Statistics, LMU Munich（LMU慕尼黑统计系） ； Institute for Informatics, LMU Munich（LMU慕尼黑信息学院） ； Department of Computer Science, TU Dortmund University（图腾大学计算机科学系） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Lamarr Institute for Machine Learning（拉马尔机器学习研究所） 纠错

AI总结 提出ShaplEIG方法，通过高斯过程代理和期望信息增益自适应选择联盟，以高效估计Shapley值，在低预算场景下显著提升样本效率。

Comments Accepted at the Forty-Third International Conference on Machine Learning (ICML 2026)

CORE-MTL: Rethinking Gradient Balancing via Causal Orthogonal Representations

CORE-MTL: 通过因果正交表示重新思考梯度平衡

Chengfeng Wu, Tao Zou, Yanru Wu, Jingge Wang

机构 * Tsinghua University（清华大学） 纠错

AI总结 提出CORE-MTL框架，通过因果正交表示将共享表示分解为语义流和残差流，以分离任务相关结构与虚假上下文，从而减少负迁移并提升泛化能力。

Comments Accepted by ICML 2026

On the Generalization in Topology Optimization via Sensitivity-Conditioned Bernoulli Flow Matching

关于拓扑优化中通过敏感性条件伯努利流匹配的泛化性

Mohammad Rashed, Duarte F. Valoroso Madeira, Babak Gholami, Caglar Guerbuez, Yunjia Yang, Nils Thuerey

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

AI总结 通过信息论分析，提出伪敏感性概念，并利用敏感性条件伯努利流匹配生成器在拓扑优化中实现最优的分布外泛化性能。

Comments ICML Paper

Order within Chaos: Capturing Intrinsic Energy Anomalies for AI-Manipulated Image Forgery Localization

混沌中的秩序：捕捉AI操纵图像伪造定位的内在能量异常

Yiming Wang, Baiqi Wu, Qingming Li, Jiahao Chen, Tong Zhang, Shouling Ji

机构 * Zhejiang University（浙江大学） 纠错

AI总结 本文提出FLAME框架，利用扩散过程抑制局部高频方差产生的统计能量间隙，结合LAD图和SAM适配器实现像素级伪造定位，并引入EditStream流水线持续合成训练数据，在AI生成伪造数据集上达到最先进性能。

Comments Accepted by ICML 2026

On the Salience of Low-Probability Tokens for AI-Generated Text Detection: A Multiscale Uncertainty Perspective

低概率标记对AI生成文本检测的显著性：多尺度不确定性视角

Yikai Guo, Bin Wang, Xilai Fan, Wenjun Ke, Haoran Luo

机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 针对AI生成文本检测中模板标记主导和点估计脆弱的问题，提出基于低概率标记的多尺度不确定性估计器Uncertainty及其改进版Uncertainty++，在多个数据集和LLM上验证了有效性、泛化性和鲁棒性。

Comments Accepted by ICML 2026 main conference

How Hard Can It Be? Hardness-Aware Multi-Objective Unlearning

到底有多难？难度感知的多目标遗忘学习

Jiangwei Chen, Xinyuan Niu, Rachael Hwee Ling Sim, Zhengyuan Liu, Nancy F. Chen, Bryan Kian Hsiang Low

机构 * National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 针对现有遗忘学习无法保证同时提升遗忘质量和保持保留效用的缺陷，提出一种基于约束优化的难度感知多目标遗忘算法（HAMU），通过量化遗忘数据与保留数据的相似度来指导模型更新，在保证遗忘质量提升的同时最小化保留效用损失。

Comments ICML 2026

Convex Distance Operator Transport: A Convex and Geometry-Preserving Formulation

凸距离算子传输：一种凸且保持几何的公式

Junhyoung Chung, Euijong Song, Won Hwa Kim, Gunwoong Park

机构 * KAIST（韩国科学技术院） 纠错

AI总结 提出凸距离算子传输（CDOT），通过算子正则化联合保持特征对应与内在几何结构，实现异质分布对齐，并证明其伪度量性质及与Gromov-Wasserstein的关系。

Comments This paper is 41 pages long, contains 6 figures, and has been accepted to ICML 2026

Trustworthy AI Suffers from Invariance Conflicts and Causality is The Solution

可信人工智能面临不变性冲突，因果性是解决方案

Ruta Binkyte, Ivaxi Sheth, Zhijing Jin, Mohammad Havaei, Bernhard Schölkopf, Mario Fritz

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

AI总结 本文通过将可信AI目标重新解释为数据生成过程变化下的不相容不变性要求，论证因果性是理解和平衡性能与多个可信目标之间权衡的必要框架。

Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026

Divide and Conquer: Reliable Multi-View Evidential Learning for Deepfake Detection

分而治之：用于深度伪造检测的可靠多视图证据学习

Xiaolu Kang, Zhongyuan Wang, Jikang Cheng, Baojin Huang, Zhanhe Lei, Gang Wu, Qin Zou, Qian Wang

机构 * School of Computer Science, Wuhan University, Wuhan, China（武汉大学计算机学院） ； School of Integrated Circuits, Peking University, Beijing, China（北京大学集成电路学院） ； School of Information, Huazhong Agricultural University, Wuhan, China（华中农业大学信息学院） ； College of Cyber Security, Tarim University, Alaer, China（塔里木大学网络安全学院） ； School of Cyber Science and Engineering, Wuhan University, Wuhan, China（武汉大学网络安全与工程学院） 纠错

AI总结 提出分治多视图证据学习框架（DiCoME），通过几何视图净化解耦语义与伪影特征，并利用不确定性感知证据学习融合视图，提升深度伪造检测的泛化性和可靠性。

Comments Accepted to ICML 2026

The Lie We Tell: Correcting the Euclidean Fallacy in Vision Language Action Policies via Score Matching on Tangent Space

我们说的谎言：通过切空间上的分数匹配纠正视觉-语言-动作策略中的欧几里得谬误

Bing-Cheng Chuang, I-Hsuan Chu, Bor-Jiun Lin, YuanFu Yang, Min Sun, Chun-Yi Lee

机构 * National Taiwan University（台湾大学） 纠错

AI总结 针对扩散视觉-语言-动作策略将SE(3)位姿表示为平坦R^12向量导致的欧几里得谬误，提出Lie Diffuser Actor (LDA)框架，通过左不变SDE注入噪声、在切空间预测分数并利用指数映射回缩样本，从根本上消除流形漂移、保证坐标框架等变性和测地线最优性，在CALVIN ABC→D上平均任务长度从3.27提升至3.51。

Comments ICML 2026 Accepted

Adaptive Sharpness-Aware Minimization with a Polyak-type Step size: A Theory-Grounded Scheduler

自适应锐度感知最小化与Polyak型步长：一种理论驱动的调度器

Dimitris Oikonomou, Nicolas Loizou

机构 * Mathematical Institute for Data Science (MINDS), Johns Hopkins University, Baltimore, MD, USA（数据科学数学研究所（MINDS），约翰霍普金斯大学，巴尔的摩，MD，美国） ； Department of Computer Science, Johns Hopkins University, Baltimore, MD, USA（计算机科学系，约翰霍普金斯大学，巴尔的摩，MD，美国） ； Department of Applied Mathematics and Statistics, Johns Hopkins University, Baltimore, MD, USA（应用数学与统计学系，约翰霍普金斯大学，巴尔的摩，MD，美国） 纠错

AI总结 针对锐度感知最小化（SAM）对学习率敏感的问题，受随机Polyak步长启发，提出适用于SAM的Polyak调度器，在确定性和随机设置下实现自适应算法，并证明收敛性，实验表明性能优于或媲美调优的SAM基线。

Comments 43rd International Conference on Machine Learning (ICML 2026)