期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
DLLM-JEPA：用于掩码扩散语言模型的联合嵌入预测架构
机构 * Sangdae Nam
AI总结 提出DLLM-JEPA，通过将联合嵌入预测架构与掩码扩散语言模型结合，消除显式多视图数据和双梯度前向传播需求，在多个任务上提升准确率并降低训练FLOPs。
Comments 17 pages, 4 figures, 13 tables. Accepted at SPIGM Workshop, ICML 2026
全面的人工智能治理需要解决非模型增益问题
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； Open Philanthropy（开放哲学基金会）
AI总结 本文提出非模型增益的概念，包括推理增益、系统增益和资产增益，并论证这些增益会削弱以模型为中心的治理有效性，进而提出超越模型层面的治理方法。
Comments This paper has been accepted to ICML 2026 (Position paper track): https://openreview.net/forum?id=V3O1sHpKxX
立场：煤矿中的随机鹦鹉。模型崩溃对低资源社区的威胁
AI总结 本文探讨模型崩溃（生成模型在先前模型输出上训练导致的性能下降）如何通过降低训练效率、扭曲数据分布，不成比例地影响低资源和边缘化社区，并呼吁采取行动。
Comments 14 pages, 1 figure, 1 table, International Conference on Machine Learning
语言模型如何处理否定
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究大型语言模型处理否定的内部机制，发现模型内部存在正确处理的组件，但后期注意力层导致错误，通过消融可提升准确率；模型同时采用抑制和构建两种机制，其中构建机制更显著。
Comments ICML 2026
超越加性分解：通过可分离性实现可解释性
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出张量分离学习（TSL）回归模型，通过阶段式贪心过程与正交重拟合学习单变量特征函数的秩1乘积之和，避免加性分解中的信号抵消和外推问题，实现忠实于拟合分量的可视化，并提供近似率保证。
Comments To appear in Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
CamGeo: 基于稀疏相机条件的图像到视频生成与3D几何先验
AI总结 提出CamGeo框架，通过从预训练视频到3D模型蒸馏3D几何知识，结合关键帧轨迹蒸馏、跨帧一致性蒸馏和三阶段课程学习，解决稀疏相机条件下图像到视频生成中的姿态漂移和运动不连续问题。
Comments Accepted by ICML 2026
超越轨迹级归因：基于图的智能体强化学习信用分配
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出GraphGPO方法，通过构建状态转移图并利用全局信息估计各状态到任务目标的距离，实现步骤级信用分配，提升训练效率和性能。
Comments Accepted by ICML 2026
MIC: 通过各向同性子空间对齐最大化自适应表示中的信息容量
机构 * National University of Singapore（新加坡国立大学）
AI总结 针对多尺度表示中的维度冗余和谱坍缩问题，提出MIC框架，通过各向同性子空间对齐、软坍缩正则化和谱各向同性正则化，结合自蒸馏目标生成语义密集且高判别力的表示，在高压缩场景下显著优于基线。
Comments Accepted at the GlobalSouthML Workshop at ICML 2026. 8 pages, 2 figures
EVL-ECG：面向多视角异构知识蒸馏的高效心电图解读
机构 * University of Notre Dame（诺丁汉大学）
AI总结 提出EVL-ECG框架，通过多头交叉注意力对齐、最优传输视觉特征匹配和几何结构关系匹配三种创新方法，实现跨架构知识蒸馏，在资源受限环境下高效解读心电图。
Comments 7Accepted at the SD4H Workshop at ICML 2026. 7 pages, 3 figures
立场：评估生存分析模型时停止追逐C指数
机构 * University of Copenhagen（哥本哈根大学）
AI总结 本文批判性审视生存分析中的评估实践，指出C指数等一致性指标被过度使用且与建模目标错位，提出双螺旋阶梯框架以确保评估指标与模型假设对齐，并通过实验展示错位导致的误导性比较。
Comments ICML 2026 Position Paper Track (Spotlight)
诚实撒谎：理解反射型智能体中的记忆虚构
机构 * University of Cambridge（剑桥大学）
AI总结 研究反射型智能体在自我反思中产生记忆虚构的问题，提出反射重复率（RRR）指标检测该现象，并通过程序化提取失败信号缓解问题。
Comments Accepted to ICML 2026 Workshop "Failure Modes in Agentic AI"
Many-Shot CoT-ICL: 使上下文学习真正学习
机构 * The University of Hong Kong（香港大学）
AI总结 研究多示例思维链上下文学习在推理任务中的特性，提出曲线演示选择方法，在数学任务上提升5.42个百分点。
Comments Accepted by ICML 2026
梯度预处理实现高效可靠的奖励引导生成
机构 * KAIST（韩国科学技术院）
AI总结 提出一种梯度预处理方法，通过将奖励梯度投影到白高斯噪声可行集上，实现一步生成模型在奖励引导生成中的高效性和可靠性，防止奖励黑客攻击并加速优化。
Comments ICML 2026
视觉-语言-动作模型的对比表示正则化
机构 * KAIST（韩国科学技术院）
AI总结 提出机器人状态感知对比损失（RS-CL），通过对比学习对齐VLM表示与机器人本体感受状态，提升VLA模型在机器人操作任务中的性能。
Comments ICML 2026
训练扩散语言模型用于黑盒优化
AI总结 针对离线黑盒优化问题，提出通过扩散语言模型的双向建模能力，结合统一语料构建和两阶段后训练框架，实现高效设计生成，在Design-Bench上达到最优性能。
Comments Accepted at ICML 2026 as a Spotlight Paper (top 2.2% of submissions)
基于分布鲁棒节点回归的变量聚类
机构 * Department of Industrial Engineering and Operations Research & The Data Science Institute, Columbia University（工业工程与运筹学系及数据科学研究院，哥伦比亚大学）
AI总结 本文提出一种分布鲁棒节点回归方法，通过凸松弛、数据驱动鲁棒区域选择和ADMM算法，实现多因子块模型下的变量聚类，并在数值实验中展示其优越性能。
Comments ICML 2026
从抽象到实例化：学习视觉-语言-动作模型的行为表示
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； PengCheng Laboratory（鹏城实验室） ； Sun Yat-sen University（中山大学） ； Shanghai University of Finance（上海财经大学）
AI总结 提出BehaviorVLA框架，通过因果Mamba架构的视觉运动行为编码器和相位条件行为解码器学习时间一致的行为表示，在分布偏移下实现鲁棒操作，在多个基准上达到最优成功率并展现数据效率。
Comments ICML 2026 Oral
Model-Dowser：无数据重要性探测以缓解多模态大语言模型中的灾难性遗忘
AI总结 提出Model-Dowser，一种基于重要性评分的稀疏微调方法，通过联合考虑权重幅度、输入激活和输出敏感性来缓解多模态大语言模型微调中的灾难性遗忘，在LLaVA和NVILA上优于现有方法。
Comments Accepted at ICML 2026. Code link: https://model-dowser.github.io
因果强迫：自回归扩散蒸馏的正确方法，用于高质量实时交互式视频生成
机构 * Hongzhou Zhu（朱洪洲） ； Min Zhao（赵敏） ； Guande He（何冠德） ； Hang Su（苏hang） ； Chongxuan Li（李崇轩） ； Jun Zhu（朱军）
AI总结 针对双向扩散模型蒸馏为自回归模型时的架构差距问题，提出因果强迫方法，通过自回归教师进行ODE初始化并应用DMD过程，显著提升视频生成质量。
Comments Project page and the code: \href{https://thu-ml.github.io/CausalForcing.github.io/}{https://thu-ml.github.io/CausalForcing.github.io/}; https://github.com/thu-ml/Causal-Forcing. ICML 2026
Dropout 普适性：混沌边缘的缩放定律与最优调度
机构 * Lucas Fernandez Sarmiento
AI总结 提出 dropout 作为临界信号传播扰动的平均场理论，发现前端加载的 dropout 调度在固定预算下可将 MLP 和 Vision Transformer 的测试损失降低 18-35%，并推导出相关缩放定律与普适类。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 36 pages, 11 figures. Camera-ready version
群体相对策略优化中的优势崩塌：诊断与缓解
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对GRPO在可验证奖励强化学习中的优势崩塌问题，提出诊断指标ACR和轻量级扩展方法AVSPO，通过注入虚拟奖励样本减少梯度消失，提升模型推理能力。
Comments Accepted at the International Conference on Machine Learning (ICML 2026). Project page: https://QingyongHu.github.io/AVSPO
自适应梯度方法能否在重尾噪声下收敛？以 AdaGrad 为例
机构 * Zijian Liu（刘子健）
AI总结 本文研究 AdaGrad 在重尾梯度噪声下的收敛性，首次证明当尾指数 p 满足 4/3 < p ≤ 2 时，无需先验知识即可获得非凸优化的收敛率，并给出了算法相关的下界。
Comments ICML 2026. v2: simplification of the proof
LLM引导的通信用于合作多智能体强化学习
机构 * KAIST（韩国科学技术院）
AI总结 提出LMAC框架，利用大语言模型的推理能力设计通信协议，使所有智能体尽可能准确一致地重建底层状态，从而提升多智能体强化学习中的状态重建和性能。
Comments 9 pages for main, 32 pages for total, Accepted to ICML 2026
打破双重瓶颈：将统一多模态模型演化为自适应交错视觉推理器
机构 * Tsinghua University（清华大学）
AI总结 针对统一多模态模型在理解与生成之间的鸿沟导致的注意力纠缠和视觉细化瓶颈，提出一种自适应切换生成策略的框架，通过分层数据流水线和两阶段训练（SFT+RL）提升X2I任务性能。
Comments Accepted by ICML 2026
通过Hodge分解保持拓扑的神经算子学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文从函数空间视角研究几何网格上物理场方程的解算子，利用Hodge正交性分离不可学习的拓扑自由度与可学习的几何动力学，提出基于Hodge谱对偶的混合欧拉-拉格朗日架构，在保持物理不变量的同时提升几何图上的精度与效率。
Comments Accepted at ICML 2026. Code available at https://github.com/ContinuumCoder/Hodge-Spectral-Duality
走向因果效应识别中选择偏差的整体理解
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 研究在观测研究中存在选择偏差时，如何利用弱假设刻画倾向得分和选择概率，给出平均处理效应可识别性的充要条件，扩展了现有图形识别准则。
Comments 9 pages for the main text, ICML 2026
大规模学习哈密顿动力学：一种微分几何方法
机构 * Department of Robotics, Perception, and Learning（机器人、感知与学习系）
AI总结 提出结合哈密顿力学守恒律与模型降阶可扩展性的降阶哈密顿神经网络（RO-HNN），通过几何约束辛自编码器和几何哈密顿神经网络实现高维动力系统的物理一致预测。
Comments 32 pages, 21 figures, Intl. Conference on Machine Learning (ICML), 2026
CLIP Tricks You: 面向大型视觉-语言模型中高效像素定位的无训练令牌剪枝
机构 * KAIST（韩国科学技术院）
AI总结 提出LiteLVLM，一种无需训练、文本引导的令牌剪枝策略，通过反转CLIP视觉-文本相似度排序，保留指代区域令牌并恢复上下文令牌，实现高效像素定位推理，在多种令牌预算下性能提升超5%，保持90%原始性能同时加速22%并减少2.3倍内存。
Comments Accepted by ICML 2026
REALISTA: 引发LLM幻觉的逼真潜在对抗攻击
机构 * University of Waterloo（滑铁卢大学）
AI总结 提出REALISTA框架，通过潜在空间优化语义等价的对抗提示，有效引发大语言模型幻觉，优于现有方法。
Comments Accepted at ICML 2026. Code is available at https://github.com/Buyun-Liang/REALISTA
PATRA: 面向时间序列问答的模式感知对齐与平衡推理
机构 * East China Normal University, Shanghai, China（华东师范大学） ； Aalborg University, Aalborg, Denmark（奥胡斯大学）
AI总结 针对现有LLM方法在时间序列推理中忽略模式提取和简单任务主导学习的问题，提出模式感知对齐与平衡推理模型PATRA，通过提取趋势和季节模式实现深度对齐，并设计任务感知平衡奖励以协调不同难度任务的学习，在多种时间序列问答任务中优于强基线。
Comments Accepted By 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