ICLR

Breaking the Likelihood-Quality Trade-off in Diffusion Models by Merging Pretrained Experts

通过合并预训练专家打破扩散模型中似然-质量权衡

Yasin Esfandiari, Stefan Bauer, Sebastian U. Stich, Andrea Dittadi

机构 * Saarland University（萨尔兰大学） ； Helmholtz AI（亥姆霍兹人工智能研究所） ； Technical University of Munich（慕尼黑技术大学） ； CISPA Helmholtz Center for Information Security（亥姆霍兹信息安全部分研究所） ； MPI for Intelligent Systems, Tübingen（图宾根智能系统研究所） 纠错

AI总结 通过在去噪过程中切换预训练专家，该方法有效打破扩散模型中似然与质量的权衡，提升图像生成质量和似然

Comments ICLR 2025 DeLTa workshop

Reproducibility Study of Large Language Model Bayesian Optimization

大型语言模型贝叶斯优化的可重复性研究

Adam Rychert, Gasper Spagnolo, Evgenii Posashkov

机构 * UL FRI Data Science（UL FRI数据科学） 纠错

AI总结 本研究验证了LLAMBO框架在更换语言模型backbone时的鲁棒性，并展示了其在Llama 3.1 70B上的有效性。

Comments 7 pages, 8 figures. Reproducibility study of the LLAMBO framework (ICLR 2024). Code: https://github.com/spagnoloG/llambo-reproducibility

Straight to Zero: Why Linearly Decaying the Learning Rate to Zero Works Best for LLMs

直接到零：为什么线性衰减学习率到零在大语言模型中效果最佳

Shane Bergsma, Nolan Dey, Gurpreet Gosal, Gavia Gray, Daria Soboleva, Joel Hestness

机构 * Cerebras Systems（Cerebras系统） 纠错

AI总结 本研究发现线性衰减到零的学习率调度在训练大语言模型时效果最佳，相比其他调度方式具有显著优势。

Comments ICLR 2025

Accelerating Goal-Conditioned RL Algorithms and Research

加速目标条件强化学习算法与研究

Michał Bortkiewicz, Władysław Pałucki, Vivek Myers, Tadeusz Dziarmaga, Tomasz Arczewski, Łukasz Kuciński, Benjamin Eysenbach

机构 * Warsaw University of Technology（华沙技术大学） ； University of Warsaw（华沙大学） ； UC Berkeley（伯克利大学） ； Jagiellonian University（雅盖隆大学） ； Polish Academy of Sciences（波兰科学院） ； IDEAS NCBR ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出JaxGCRL框架，通过高效算法和GPU加速技术显著提升目标条件强化学习的训练效率，并评估对比学习中的关键设计以稳定训练性能。

Comments Published at ICLR 2025 (Spotlight). Website: https://michalbortkiewicz.github.io/JaxGCRL/ Code: https://github.com/MichalBortkiewicz/JaxGCRL

Journal ref International Conference on Learning Representations (ICLR), 2025

Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks for Explainable Depression Identification

受神经回路启发的分层图因果注意网络用于可解释的抑郁症识别

Weidao Chen, Yuxiao Yang, Yueming Wang

机构 * MOE Frontier Science Center for Brain Science and Brain-machine Integration（脑科学与脑机融合前沿科学中心） ； Nanhu Brain-computer Interface Institute（南湖脑机接口研究院） ； School of Computer Science and Technology（计算机科学与技术学院） ； Qiushi Academy for Advanced Studies（启硕高级研究院） ； State Key Laboratory of Brain-machine Intelligence（脑机智能国家重点实验室） ； The Department of Neurosurgery, Second Affiliated Hospital, School of Medicine, Zhejiang University Hangzhou, China（浙江大学医学院附属第二医院神经外科） 纠错

AI总结 本文提出NH-GCAT网络，通过分层图因果注意机制，结合神经科学知识，实现对抑郁症的可解释识别。

Comments Under review for ICLR 2026