期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
Verified SHAP: 神经网络精确Shapley值的可证明界
机构 * University of Konstanz, Konstanz, Germany（康斯坦茨大学） ； Hebrew University of Jerusalem, Jerusalem, Israel（耶路撒冷希伯来大学） ； University of St.Gallen, St.Gallen, Switzerland（斯图加特大学）
AI总结 利用神经网络验证技术，提出一种计算SHAP值精确上下界的算法，可扩展到比现有精确方法大数个数量级的搜索空间。
Comments Accepted at ICML 2026. 34 pages, 13 figures
超关系知识图谱上的生成式表示学习：基于掩码离散扩散
机构 * School of Computing（计算学院） ； Department of AI Computing, KAIST, Daejeon, South Korea（人工智能计算系，韩国科学技术院，大田，韩国）
AI总结 针对超关系知识图谱中任意掩码查询的补全与事实生成任务，提出基于掩码离散扩散的生成式表示学习方法KREPE，统一链接预测与事实生成，性能达到最优。
Comments 28 pages, 16 figures, 18 tables, 43rd International Conference on Machine Learning (ICML 2026)
通过因果路由门控减轻大型视觉语言模型中的幻觉
机构 * Center of Statistical Research, School of Statistics and Data Science, Southwestern University of Finance and Economics, Chengdu, China.（统计研究中心，统计与数据科学学院，西南财经大学，成都，中国） ； Department of Biomedical Engineering, College of Design and Engineering, National University of Singapore, Singapore（生物医学工程系，设计与工程学院，新加坡国立大学，新加坡）
AI总结 针对大型视觉语言模型中因文本路径主导导致幻觉的问题，提出一种无训练、决策对齐的干预方法，通过分解注意力头为视觉和文本路由并抑制文本路由，有效减少幻觉错误。
Comments Accepted as a Spotlight Paper at ICML 2026. 33 pages, 8 figures
重新思考图协同过滤的对比学习：局限性与简单补救措施
AI总结 本文通过分析图协同过滤的预测机制，发现对比学习目标（如采样Softmax损失）在优化中存在局限性，并提出一种类型感知的对比学习目标NT-SSM，通过选择性加权结构相似的邻居对来提升推荐性能。
Comments ICML 2026
通过知识引导的表示分解学习蛋白质结构-功能关系
机构 * Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院） ； Pengcheng Laboratory, Shenzhen, China（鹏城实验室） ； School of Electronic and Computer Engineering, Peking University, Shenzhen, China（北京大学电子与计算机工程学院） ； CAIR, University of Agder, Norway（阿格德大学CAIR） ； Shanghai Smart Logic Technology Co. Ltd., Shanghai, China（上海智略科技有限公司）
AI总结 提出知识引导的框架ProtDiS，基于信息瓶颈原理分解预训练的蛋白质微环境嵌入，得到更特异、独立和信息高效的结构特征，在12个下游任务上取得一致改进。
Comments 28 pages, 17 figures, icml 2026 regular
深度神经层扩散
机构 * School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology, Stockholm, Sweden（电气工程与计算机科学学院，皇家理工学院，斯德哥尔摩，瑞典）
AI总结 针对图神经网络深层堆叠导致表示崩溃的问题，提出用层邻接算子替代层拉普拉斯算子，结合归一化、奇非线性函数和门控机制，在合成和真实数据集上显著提升深层网络性能。
Comments Accepted at the ICML 2026 Workshop on Graph Foundation Models (GFM@ICML 2026). Code available at https://github.com/remibourgerie/deep-neural-sheaf-diffusion
分数排斥蒙特卡洛：面向一般状态空间中具有恒定内存的高效非马尔可夫采样器
机构 * CSE, Oakland University, Rochester, USA（计算机科学与工程系，奥本大学，罗切斯特，美国） ； ECE, North Carolina State University, Raleigh, USA（电子工程系，北卡罗来纳州立大学，拉勒米希茨，美国） ； IPAI, Seoul National University, Seoul, Korea（IPAI，首尔国立大学，首尔，韩国） ； AIGS, Ulsan National Institute of Science and Technology, Ulsan, Korea（AIGS，乌山国立科学与技术研究所，乌山，韩国）
AI总结 提出分数排斥蒙特卡洛（SRMC）框架，通过分数评估的运行平均值总结轨迹历史，利用指数分数倾斜构建替代目标，实现恒定内存下的非马尔可夫采样，降低渐近方差并改善模式覆盖。
Comments Accepted at ICML 2026 (Spotlight); GitHub Repo: https://github.com/srmc-project/Score-Repellent-Monte-Carlo
Agent World Model: 用于智能体强化学习的无限合成环境
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 提出Agent World Model (AWM)全合成环境生成管道，通过代码驱动和数据库支持的环境进行大规模强化学习，使智能体在多样日常场景中泛化。
Comments Accepted to ICML 2026
生成式视觉代码移动世界模型
机构 * Trillion Labs（万亿实验室）
AI总结 提出通过单一视觉语言模型预测可执行网页代码来生成移动GUI下一状态，结合文本和视觉世界模型优势，实现高保真视觉生成与精确文本渲染。
Comments ICML 2026
RepetitionCurse：在DoS压力下测量和理解混合专家大语言模型中的路由器不平衡
机构 * Ruixuan Huang（黄瑞轩） ； Qingyue Wang（王庆越） ； Hantao Huang（黄翰涛） ； Yudong Gao（高宇东） ； Dong Chen（陈东） ； Shuai Wang（王帅） ； Wei Wang（王伟）
AI总结 针对混合专家大语言模型在推理时缺乏显式负载均衡约束的问题，提出低成本的对抗性提示方法RepetitionCurse，利用重复令牌模式操纵路由策略，导致计算瓶颈和拒绝服务攻击，显著增加端到端推理延迟。
Comments Accepted by ICML 2026
耦合变分强化学习用于语言模型通用推理
机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 提出CoVRL方法，通过混合采样策略耦合先验和后验分布，将变分推理与强化学习结合，以解决无验证器强化学习中探索效率低和推理轨迹与答案不一致的问题，在数学和通用推理基准上提升性能。
Comments Accepted to ICML 2026
扩散与流模型中温度采样的时间分数重缩放
机构 * School of Computer Science, Carnegie Mellon University, Pittsburgh, USA（计算机科学系，卡内基梅隆大学，匹兹堡，美国） ； Department of Computer Science, Stanford University, California, USA（计算机科学系，斯坦福大学，加利福尼亚，美国）
AI总结 提出一种无需微调或改变训练策略的方法，通过重缩放噪声数据的得分函数来调控扩散和流模型的采样多样性，实现局部温度控制，并在图像生成、姿态估计、深度预测、机器人操作和蛋白质设计等任务中验证了有效性。
Comments Accepted at ICML 2026. Project page: https://temporalscorerescaling.github.io/
关于批噪声、自适应性和压缩在$(L_0,L_1)$-光滑性下的相互作用：一种SDE方法
机构 * University of Basel（巴塞尔大学） ； University of Oslo（奥斯陆大学） ； MBZUAI（马克斯·普朗克智能系统研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 本文通过随机微分方程（SDE）框架，在$(L_0,L_1)$-光滑性假设下统一分析分布式压缩SGD及其符号变体，揭示了梯度噪声、通信压缩和自适应更新之间的相互作用，并提出了新的SDE模型以准确捕捉学习率限制与几何特性的关系。
Comments Accepted at ICML 2026 (Poster)
扩展基于自然语言图结构的测试时计算用于自动定理证明
机构 * Boston University ； Provadis School of International Management \& Technology ； Duke University ； Algoverse AI Research
AI总结 提出KG-prover框架，利用从权威数学文本挖掘的知识图谱增强通用大语言模型，通过扩展图结构的测试时计算显著提升自动定理证明性能。
Comments Accepted to ICML AI4Math Workshop 2025, NAACL SRW 2025
PowerFlow: 通过原则性分布匹配释放LLMs的双重特性
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University, Beijing, China（清华大学交叉信息研究院）
AI总结 提出PowerFlow框架，将无监督微调重构成分布匹配问题，利用GFlowNet和长度感知轨迹平衡目标，通过调整α-幂分布方向性激发LLMs的逻辑推理或创造性。
Comments Camera-ready version accepted at ICML 2026
BlitzRank: 基于锦标赛图的原则性零样本排序智能体
机构 * ContextualAI
AI总结 提出一种基于锦标赛图框架的k-wise排序方法，通过聚合偏好图并计算传递闭包，以最少比较次数准确识别top-m项，在LLM重排序中实现25-40%的token节省。
Comments ICML 2026 spotlight
PathWise：通过世界模型规划实现基于自进化LLM的自动启发式设计
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出PathWise多智能体推理框架，将启发式生成建模为基于蕴含图的序列决策过程，通过策略智能体、世界模型智能体和评论智能体的协作实现状态感知规划，在组合优化问题上收敛更快、泛化更强。
Comments Accepted to ICML 2026
立场：迈向负责任的文本到语音评估
AI总结 本文提出“负责任评估”概念，通过三个层次（忠实反映模型能力、标准化可比较评估、治理与安全评估）批判当前TTS评估缺陷，并给出改进建议。
Comments Accepted in ICML 2026
超越代理：用于离线GFlowNet训练的轨迹蒸馏指导
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University, Beijing, China（清华大学交叉信息研究院）
AI总结 提出轨迹蒸馏GFlowNet（TD-GFN），利用逆强化学习从离线轨迹中提取稠密边奖励，通过DAG剪枝和优先反向采样指导策略，避免代理模型，提升离线GFlowNet训练的收敛速度和样本质量。
Comments Camera-ready version accepted at ICML 2026
LLMs 作为噪声信道：香农视角下的模型容量与缩放定律
机构 * University of Virginia（弗吉尼亚大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对现有缩放定律无法解释非单调性能退化的问题，提出基于香农-哈特利定理的香农缩放定律，将LLM训练建模为噪声信道上的信息传输，通过信号噪声比解释模型规模与数据量对性能的影响。
Comments Accepted by ICML 2026
基于偏好的约束推断的安全强化学习
机构 * Department of Automation, Tsinghua University, Beijing, China ； Laboratory for Information \& Decision Systems, Massachusetts Institute of Technology, Cambridge, MA, USA
AI总结 提出偏好约束强化学习（PbCRL），通过引入死区机制和信噪比损失，从人类偏好中推断安全约束，实现更好的约束对齐和策略学习。
Comments Accepted by the 43rd International Conference on Machine Learning (ICML 2026)
压缩即适应：基于扩散基础模型的隐式视觉表示
机构 * Microsoft Research Asia（微软亚洲研究院） ； University of Cambridge（剑桥大学）
AI总结 提出一种将视觉信号编码为函数的新框架，通过冻结的视觉生成模型附加低秩适应参数实现隐式表示，并进一步哈希为紧凑向量，在极低比特率下实现强感知视频压缩，同时支持推理时缩放和调控，统一了视觉压缩与生成。
Comments ICML 2026
超越基于VLM的奖励：扩散原生潜在奖励建模
机构 * The Hong Kong University of Science ； Huawei Hong Kong AI Framework \& Data Technologies Lab ； Tsinghua University ； The Australian National University
AI总结 提出扩散原生潜在奖励模型DiNa-LRM，直接在噪声扩散状态上进行偏好学习，通过噪声校准Thurstone似然和推理时噪声集成，实现高效且鲁棒的奖励建模。
Comments Accepted by ICML 2026. Code: https://github.com/HKUST-C4G/diffusion-rm
基准测试与增强VLM对压缩图像的理解
机构 * Institute for AI Industry Research, Tsinghua University, Beijing, China（清华人工智能产业研究院） ； Beihang University, Beijing, China（北京航空航天大学） ； Beijing University of Technology, Beijing, China（北京理工大学）
AI总结 本文提出首个全面基准测试评估VLM对压缩图像的理解能力，分析性能差距来源，并设计通用适配器提升模型性能10%-30%。
Comments The paper is accepted by ICML 2026
SyMerge：从无干扰到协同合并的单层自适应方法
机构 * Sungkyunkwan University（成均馆大学） ； NAVER AI Lab（NAVER AI实验室）
AI总结 提出SyMerge框架，通过仅优化合并系数和单个任务特定层，并采用专家引导的自标签目标，实现模型合并中的任务协同，在视觉、密集预测和NLP基准上达到最先进性能。
Comments Accepted at ICML 2026
用于解释图神经网络的相关游走搜索
机构 * BIFOLD -- Berlin Institute for the Foundations of Learning（柏林学习与数据基础研究所） ； Google Research, Brain team, Berlin（谷歌研究，柏林脑团队） ； Department of Artificial Intelligence, Korea University, Seoul 136-713, Korea（人工智能系，韩国大学，首尔136-713，韩国） ； RIKEN Center for AIP, Japan（日本AIP研究中心）
AI总结 针对GNN-LRP计算复杂度指数级问题，提出多项式时间算法搜索Top-K相关游走，实现精确神经元级和近似节点级解释。
Comments Published in ICML 2023
Journal ref Proceedings of the 40th International Conference on Machine Learning, PMLR 202:38301-38324, 2023
CVSearch：赋予多模态大语言模型认知视觉搜索能力以感知高分辨率图像
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（深圳先进技术研究院）
AI总结 提出CVSearch，一种无需训练的自适应框架，通过评估-搜索工作流动态调度视觉搜索策略，解决高分辨率图像感知中覆盖与效率的权衡问题。
Comments Accepted by ICML 2026. 22 pages, 12 figures, 7 tables
DFSAttn：面向高效视频生成的动态细粒度稀疏注意力
机构 * Peking University（北京大学）
AI总结 针对扩散变换器中注意力二次复杂度导致计算成本高的问题，提出一种无需训练的稀疏注意力框架DFSAttn，通过希尔伯特曲线重排序、分层块评分和稀疏掩码缓存实现动态细粒度稀疏化，在保持生成质量的同时实现高达2.1倍端到端加速。
Comments ICML 2026; 17 pages, 8 figures;
线性探测的盲区：面向权重空间学习的多视角探测
机构 * Graduate School of Artificial Intelligence, Ulsan National Institute of Science（乌山国立科学技术研究生院）
AI总结 针对现有探测方法仅捕获一阶结构而忽略行列交互中的高阶相关模式的问题，提出多视角探测框架MVProbe，通过融合一阶信号与基于Gram的交互感知视图，并基于不同探测阶数的缩放定律推导标准化与融合策略，在Model Jungle基准上超越现有方法。
Comments Accepted at ICML 2026. Code: https://github.com/AI-hew-math/MVProbe ; Project page: https://ai-hew-math.github.io/MVProbe/
非平稳概率时间序列预测的参数先验映射框架
机构 * School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 提出参数先验映射（PPM）框架，通过将参数化结构先验注入生成模型，结合混合目标训练，在非平稳概率多变量时间序列预测中实现精度与计算效率的平衡。
Comments 20 pages, 8 figures, 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