期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
可识别的等变网络是逐层等变的
机构 * Department of Mathematics, KTH Royal Institute of Technology, Stockholm, Sweden（瑞典皇家理工学院数学系） ； University of Amsterdam, The Netherlands（荷兰阿姆斯特丹大学）
AI总结 本文证明，在适当可识别性条件下，端到端等变网络的参数选择可使每一层在潜在空间上等变，从而从数学上解释了训练中权重等变结构的涌现。
Comments Accepted at ICML 2026
从局部高斯到全局平面波：眨眼间的周期电荷密度
机构 * Technical University of Denmark（技术大学） ； University of Toronto（多伦多大学） ； CAPeX Pioneer Center for Accelerating P2X Materials Discovery（CAPeX先锋中心） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究 institute） ； Vector Institute for Artificial Intelligence（人工智能研究所）
AI总结 提出ELECTRAFI模型，利用实空间各向异性高斯的解析傅里叶变换和泊松求和公式，通过单次逆FFT快速重建周期电荷密度，在保持高精度的同时速度提升高达633倍。
Comments ICML 2026, 29 pages including appendix, 11 Figures, 7 tables
从内部诊断到外部审计：一种VLM驱动的数据自由在线后门防御范式
机构 * The Chinese University of Hong Kong, Hong Kong（香港中文大学） ； Sun Yat-sen University, China（中山大学） ； Zhejiang University, China（浙江大学）
AI总结 提出一种从内部诊断到外部语义审计的范式转变，利用通用视觉语言模型（VLM）作为外部语义门控，通过PRISM框架（原型精炼与统计监控检查）实现数据自由的在线后门防御，在17个数据集和11种攻击类型上达到最先进性能。
Comments 25 pages, 10 figures, 19 tables. To appear in the Proceedings of the 43 rd International Conference on Machine Learning (ICML '26)
加速多Wasserstein梯度流用于多目标分布优化
机构 * Graduate School of Information Science and Technology, Hokkaido University, Japan（信息科学与技术研究生学校，北海道大学，日本） ； Bioinformatics Center, Kyoto University, Japan（生物信息学中心，京都大学，日本） ； Institute of Information Technology, Vietnam Academy of Science and Technology, Vietnam（信息技术研究所，越南科学与技术学院，越南）
AI总结 提出加速多Wasserstein梯度下降算法(A-MWGraD)，通过Nesterov加速实现多目标分布优化，在测地凸和强测地凸目标下分别达到O(1/t^2)和O(e^{-√βt})收敛率，优于MWGraD的O(1/t)。
Comments ICML 2026
SAC-Opt：优化建模中用于迭代修正的语义锚点
机构 * Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China（香港城市大学计算机科学系） ； Huawei Noah's Ark Lab, Hong Kong SAR, China（华为诺亚实验室（香港）） ； Huawei's Supply Chain Management Department, Shenzhen, China（华为供应链管理部（深圳））
AI总结 提出SAC-Opt框架，通过语义锚点对齐和选择性修正，在无需额外训练的情况下提升大语言模型生成优化建模代码的语义忠实度，平均建模准确率提升7.7%。
Comments ICML 2026 accepted
流等变世界模型：部分观测动态环境的记忆
机构 * Kempner Institute, Harvard University（哈佛大学 Kempner 研究所） ； ML, Carnegie Mellon University（卡内基梅隆大学 ML 研究所） ； SEAS, Harvard University（哈佛大学 SEAS 研究所）
AI总结 提出流等变世界建模框架，利用时间参数化对称性在潜在记忆中实现长时程稳定准确的动力学预测，解决部分观测问题。
Comments Accepted at ICML 2026
基于遗憾的联邦因果发现与未知干预
机构 * Sorbonne Université（索邦大学） ； INSERM（国家健康与医学研究院） ； Institut Pierre Louis d’Epidémiologie et de Santé Publique（流行病学与公共卫生研究所）
AI总结 提出I-PERI算法，通过恢复客户端图并集的CPDAG并利用跨客户端干预引起的结构差异定向额外边，得到更紧的Φ-马尔可夫等价类，解决联邦环境下未知客户端级干预的因果发现问题。
Comments ICML 2026
成本感知的贝叶斯优化停止规则
机构 * Cornell University, Ithaca, New York, USA（康奈尔大学） ； University of California, Berkeley, Berkeley, California, USA（加州大学伯克利分校）
AI总结 针对贝叶斯优化中成本感知的停止问题，提出一种基于理论连接成本感知采集函数的停止规则，并证明其能保证期望成本调整简单遗憾的界。
Comments Accepted by ICML 2026
MatchFixAgent: 语言无关的自主仓库级代码翻译验证与修复
机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign, Urbana, IL, USA（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Amazon, Arlington, VA, USA（亚马逊公司，阿灵顿，弗吉尼亚州，美国） ； University of Oxford, Oxford, UK（牛津大学，牛津，英国）
AI总结 提出基于大语言模型的多智能体框架MatchFixAgent，实现语言无关的仓库级代码翻译等价性验证与修复，在验证覆盖率和修复成功率上显著优于现有方法。
Comments Published in ICML 2026
视图空间：跨任意图的学习表示
机构 * School of Electrical Engineering, KAIST, Daejeon, Republic of Korea（韩国釜山科学技术院电子工程学院） ； 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）
AI总结 本文提出视图空间概念，通过图视图变换（GVT）实现跨任意图的归纳节点表示学习，并在节点分类任务中显著优于现有方法。
Comments Accepted to ICML 2026
面向工具变量回归的结果感知谱特征学习
机构 * Gatsby Computational Neuroscience Unit, University College London（Gatsby计算神经科学单位，伦敦大学学院） ； Faculty of Science, University of Novi Sad（科学学院，诺维萨德大学） ； AI Centre, University College London（人工智能中心，伦敦大学学院） ； DIBRIS, University of Genoa（DIBRIS，热那亚大学）
AI总结 针对存在隐藏混杂因素的非参数工具变量回归问题，提出一种通过最小化基于增广算子的对比损失来学习结果感知谱特征的方法，以缓解谱错位导致的因果函数表示不足问题。
Comments ICML 2026
正则化学习中涌现的赫布动力学的普遍性
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Center for Brains, Minds and Machines（大脑、心智与机器中心） ； NTT Research（NTT研究）
AI总结 本文发现L2权重衰减在近稳态条件下普遍驱动学习信号与赫布方向对齐，且随机噪声可诱导反赫布对齐，这为区分真正的赫布计算与涌现的赫布特征提供了实验动机。
Comments ICML 2026 Camera Ready
图像辩论：检测多模态大语言模型中的欺骗行为
机构 * Institute of Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 本文提出 MM-DeceptionBench 基准和基于图像辩论的多智能体监控框架，系统揭示并量化多模态大语言模型中的欺骗风险，有效提升欺骗行为检测能力。
Comments 39 pages, 16 figures, camera ready version for ICML 2026
SAEmnesia：基于监督稀疏自编码器的扩散模型概念擦除
机构 * University of Turin, Italy（意大利都灵大学） ； Intesa Sanpaolo AI Research, Italy（意大利Intesa Sanpaolo人工智能研究院）
AI总结 提出监督稀疏自编码器框架SAEmnesia，通过强制一对一概念-神经元映射实现特征集中化，从而高效、精准地擦除扩散模型中的概念。
Comments Accepted at ICML 2026
动作分块中的视野混合
机构 * Renmin University of China（中国人民大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对视觉-语言-动作模型中动作分块长度（视野）的权衡问题，提出混合视野策略，通过并行处理不同视野的动作片段并融合输出，同时提升长期预见与短期精度，实现性能与泛化性的改进。
Comments Accepted at ICML 2026
捕捉注视转移以引导：跨模态融合增强用于VLM幻觉缓解
机构 * AWS AI Labs（AWS人工智能实验室）
AI总结 提出GIFT方法，通过预计算视觉显著性图并跟踪注视转移，在解码时增强对显著视觉信息和用户查询的注意力，以缓解视觉语言模型中的幻觉问题。
Comments ICML 2026
将LLM后训练为更好的决策智能体：一种遗憾最小化方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland, College Park（马里兰大学哥伦比亚学院）
AI总结 提出迭代遗憾最小化微调（Iterative RMFT），通过反复蒸馏低遗憾决策轨迹来后训练LLM，提升其在在线决策任务中的表现，无需依赖已知算法或人工模板。
Comments Camera ready version of ICML 2026
UniMedVL: 通过观察-知识-分析统一医学多模态理解与生成
机构 * Shanghai Artificial Intelligence Laboratory ； Shanghai Innovation Institute ； Shanghai Jiao Tong University ； Shanghai Institute of Optics ； Fudan University ； University of Cambridge ； Monash University ； DAMO Academy, Alibaba Group ； Imperial College London ； The University of Hong Kong ； The Hong Kong University of Science ； Hupan Lab ； The Chinese University of Hong Kong
AI总结 提出首个统一医学模型UniMedVL，通过渐进式训练流水线融合多模态理解与生成能力，并在8种影像模态的5.6M实例数据集上验证其性能。
Comments This submission has been converted to the ICML template
从统一视角重新思考稀疏混合专家模型
机构 * Applied Artificial Intelligence Intiative (A2I2), Deakin University, Victoria, Australia（应用人工智能倡议（A2I2），德金大学，维多利亚，澳大利亚）
AI总结 针对稀疏混合专家模型中固定预算导致无关选择或遗漏关键分配的问题，提出基于线性规划的统一框架USMoE，通过统一机制和评分实现灵活专家选择，提升性能并降低推理成本。
Comments 35 pages
Journal ref ICML 2026
学习具有隐藏动态过程的通用因果结构用于气候分析
机构 * Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校） ； Johns Hopkins University, Baltimore, MD, USA（约翰·霍普金斯大学）
AI总结 提出统一框架CaDRe，联合发现观测变量间的因果关系和隐藏动态过程，在非参数设置下可识别，并在气候数据上验证了有效性和可解释性。
Comments Accepted by ICML 2026
LLMs 依赖先验而非编程语言语义
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究）
AI总结 通过 PLSemanticsBench 基准测试，发现前沿大语言模型在程序执行任务中依赖预训练统计规律而非形式语义规则，语义变异和结构复杂度导致准确率大幅下降。
Comments Accepted at ICML 2026
学习零阶优化器以微调大语言模型
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 提出一种基于学习的零阶优化器ZO-Finetuner，通过紧凑且内存高效的设计自动学习高效扰动策略，实现大语言模型微调时避免反向传播并降低内存开销，在4个LLM和7个数据集上82.1%的任务-模型组合中优于现有零阶基线方法。
Comments ICML 2026
DISCO: 使用条件距离相关性减轻深度学习中的偏差
机构 * Technical University of Munich, Germany（慕尼黑技术大学） ； Konrad Zuse School of Excellence in Reliable AI, Germany（Konrad Zuse可靠性人工智能卓越学院） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML））
AI总结 提出基于反因果模型的条件独立性准则，并设计条件距离相关性的高效估计器DISCO$_m$和sDISCO，通过正则化实现梯度模型中的偏差缓解，在多个数据集上优于或媲美现有方法。
Comments Accepted to ICML 2026 (oral)
Video-MTR: 用于长视频理解的多轮强化推理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Guangdong University of Technology（广东工业大学） ； X-Era AI Lab（X-Era人工智能实验室）
AI总结 提出Video-MTR框架，通过强化多轮推理迭代选择关键视频片段并理解问题，结合门控双层奖励系统实现端到端训练，在长视频理解基准上提升准确率和效率。
Comments Accepted by ICML 2026. Camera-ready version
分布偏移下基于频率感知梯度修正的目标无关校准
机构 * School of Computer Science and Technology, Xidian University, Xi'an, China（西安电子科技大学计算机科学与技术学院）
AI总结 提出频率感知梯度修正（FGR）框架，通过对训练图像进行低通滤波减少虚假高频线索并学习域不变特征，同时利用几何投影确保分布内校准不退化，从而在无需目标域信息的情况下提升模型在分布偏移下的校准性能。
Comments 25 pages, Accepted at ICML 2026
超越令牌：通过结构图学习增强RTL质量估计
机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR（香港中文大学计算机科学与工程系） ； Noah's Ark Lab, Huawei, Hong Kong SAR（华为诺亚实验室）
AI总结 提出StructRTL框架，利用控制数据流图的结构语义和自监督学习，结合知识蒸馏，显著提升寄存器传输级设计质量估计的准确性。
Comments Forty-Third International Conference on Machine Learning (ICML 2026)
立场：量子核机器应超越标量值核以实现其潜力
机构 * Aix-Marseille University, CNRS, LIS, Marseille, France（艾克斯-马赛大学，法国国家科学研究中心，LIS实验室，马赛，法国） ； Aix-Marseille University, CNRS, I2M, Marseille, France（艾克斯-马赛大学，法国国家科学研究中心，I2M实验室，马赛，法国） ； NTT, Inc., Tokyo, Japan（日本NTT公司，东京）
AI总结 本文主张量子核机器应转向算子值核等更富表达力的框架，以利用纠缠和非交换结构处理复杂结构化预测问题，并通过初步概念验证展示其优势。
Journal ref ICML 2026
聚合缓冲区：用新参数块重新审视 DropEdge
机构 * School of Electrical Engineering, KAIST, Daejeon, Republic of Korea（韩国釜山国立大学电气工程学院） ； Computer Science Department, University of Münster, Münster, Germany（德国穆斯堡大学计算机科学系）
AI总结 针对 DropEdge 在监督学习中性能受限的问题，提出一种名为 Aggregation Buffer 的参数块，通过改进 GNN 的鲁棒性来提升性能，并统一解决度偏差和结构差异等问题。
Comments Published at ICML 2025
从联合数据中学习可解释的因子化随机策略的最小最大方法，附带不确定性量化
AI总结 针对指数级大因子动作空间，提出从随机偏好数据中离线优化策略的方法，利用联合实验估计可解释随机策略，并给出渐近有效的不确定性量化。
Comments ICML 2026
通过自洽任务梯度场的多模态融合
机构 * Xiamen Key Laboratory of Computer Vision and Pattern Recognition, Huaqiao University, Xiamen, Fujian, China（厦门计算机视觉与模式识别重点实验室，华侨大学，厦门，福建，中国） ； Huaqiao University, Xiamen, Fujian, China（华侨大学，厦门，福建，中国） ； Wuhan University, Wuhan, Hubei, China（武汉大学，武汉，湖北，中国） ； Nakashima Lab, SANKEN, The University of Osaka, Osaka, Japan（Nakashima实验室，SANKEN，大阪大学，大阪，日本）
AI总结 提出自洽场自编码器（SCFAE），利用自洽场原理平衡任务学习与特征组织，通过任务损失和重构损失在互补子空间中分离特征，从而鲁棒处理缺失数据和不均匀输入。
Comments ICML 2026 accepted paper
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