期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
AP-OOD：用于分布外检测的注意力池化
机构 * Institute for Machine Learning, JKU LIT SAL IWS Lab（机器学习研究所） ； Silicon Austria Labs, JKU LIT SAL IWS Lab（Silicon Austria实验室） ； Interdisciplinary Transformation University Austria（跨学科转型大学） ； ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz（ELLIS单元）
AI总结 AP-OOD通过利用token级信息，提出了一种新的分布外检测方法，有效提升了文本数据的检测性能。
Comments Accepted at ICLR 2026
通过对抗序列验证生成模型中的隐式世界模型
机构 * University of Szeged（塞格德大学） ； HUN-REN–SZTE Research Group on AI（人工智能研究组）
AI总结 本研究通过对抗序列生成方法验证生成模型中的隐式世界模型有效性，发现多数模型无效，但部分训练技术可显著提升有效性。
Comments Accepted at ICLR 2026. Code, datasets, and models are available at https://github.com/szegedai/world-model-verification
通过结构感知核心集选择加速功能连接建模的基准测试
机构 * College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院） ； Chongqing Key Laboratory of Brain-Inspired Cognitive Computing and Educational Rehabilitation for Children with Special Needs, Chongqing Normal University（重庆脑启发认知计算与特殊需要儿童教育康复重点实验室，重庆师范大学） ； College of Computer and Information Science, Chongqing Normal University（重庆师范大学计算机与信息科学学院）
AI总结 本文提出SCLCS方法，通过结构感知对比学习选择核心集，提升大规模功能连接建模方法的基准测试效率。
Comments 33 pages, 8 figures, ICLR conference paper
SSG: 多尺度视觉自回归生成的缩放空间引导
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院）
AI总结 SSG通过缩放空间引导方法，在无需训练的情况下提升多尺度视觉自回归生成的保真度和多样性，同时保持低延迟。
Comments Accepted to ICLR 2026
M$^2$-Miner: 多智能体增强的MCTS用于移动GUI智能体数据挖掘
机构 * Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学）
AI总结 M$^2$-Miner通过多智能体增强MCTS方法，实现了低成本、高效率的移动GUI智能体数据挖掘，提升了数据质量和挖掘效果。
Comments Accepted by ICLR 2026. Supplementary material is included at the end of the main paper (16 pages, 15 figures, 2 tables)
Disco：通过邻接感知的协作着色实现密集重叠细胞实例分割
机构 * Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； School of Life Sciences and Biotechnology, Shanghai Jiao Tong University（上海交通大学生命科学与生物技术学院） ； Lingang Laboratory（临港实验室） ； Renji Hospital, School of Medicine, Shanghai Jiao Tong University（仁济医院，上海交通大学医学院）
AI总结 Disco通过邻接感知协作着色解决复杂细胞实例分割问题，结合拓扑标注与深度学习解决冲突。
Comments 17 pages, 10 figures; ICLR 2026
PPE：用于多模态大语言模型中token压缩的位置保持嵌入
机构 * Huawei Technologies（华为技术有限公司）
AI总结 PPE通过保持位置信息提升多模态大语言模型的token压缩效率和性能
Comments ICLR 2026
通过惩罚最小二乘法的Hawkes过程的代表定理
机构 * NTT, Inc.（日本电报电话公司）
AI总结 本文提出了一种基于惩罚最小二乘法的Hawkes过程代表定理，通过转换核和固定dual系数，提高了大规模数据处理效率和预测准确性。
Comments Accepted to ICLR 2026
LH-Deception：模拟和理解长周期交互中大语言模型的欺骗行为
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Zhejiang University（浙江大学） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 LH-Deception通过多智能体系统模拟长周期交互中的LLM欺骗行为，揭示欺骗的模型依赖性和对信任的侵蚀，为真实场景下的LLM评估提供基础。
Comments ICLR 2026
在LLM-RL算法中的熵控制
机构 * Ant Group（蚂蚁集团）
AI总结 本文提出AEnt方法，通过改进的熵控制策略提升LLM-RL算法在数学推理任务中的性能。
Comments Updated with ICLR 2026 version
GIQ：基于模拟和真实多面体的3D几何推理视觉基础模型基准测试
机构 * Rice University（里士大学） ； The University of Queensland（昆士兰大学）
AI总结 GIQ通过模拟和真实多面体评估视觉基础模型的3D几何推理能力，揭示了现有模型在几何理解上的不足。
Comments Accepted to ICLR 2026. Camera ready version
SelfReflect: LLMs能否传达其内部答案分布？
机构 * Apple（苹果公司） ； Independent Researcher（独立研究者） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 SelfReflect通过评估LLM内部信念分布与总结之间的信息论距离，发现现代LLM无法有效传达其不确定性，但通过多输出采样可生成忠实的不确定性总结。
Comments Accepted at ICLR 2026
TASTE: 用于语音语言建模的文本对齐语音标记化与嵌入
机构 * MediaTek Research（联发科技研究） ； Graduate Institute of Communication Engineering, National Taiwan University（国立台湾大学通信工程研究所） ； Artificial Intelligence Center of Research Excellence, National Taiwan University（国立台湾大学卓越人工智能研究中心）
AI总结 TASTE通过语音重建目标实现文本对齐的语音标记化与嵌入，提升语音语言建模的性能。
Comments ICLR 2026
上下文时间序列预测器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出一种基于上下文的时间序列预测方法，通过将时间序列预测任务转化为输入标记，提高了参数效率并减少了过拟合问题。
Comments Camera-ready version. Accepted at ICLR 2025
Journal ref Proceedings of the Thirteenth International Conference on Learning Representations (ICLR 2025)
ARM：通过自适应时间-上下文学习提升多变量预测
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services（亚马逊网络服务）
AI总结 ARM通过自适应时间-上下文学习方法提升多变量长期时间序列预测的性能和效率
Comments Camera-ready version. Accepted at ICLR 2024
Journal ref Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024)
ReFORM：通过噪声操控实现支持下的离线强化学习
机构 * MIT（麻省理工学院） ； Boston University（波士顿大学） ； MIT Lincoln Laboratory（麻省理工学院林伍德实验室）
AI总结 ReFORM通过反射流策略和噪声操控，在离线强化学习中实现更宽松的支持约束，从而在多模态分布下提升策略性能。
Comments 24 pages, 17 figures; Accepted by the fourteenth International Conference on Learning Representations (ICLR 2026)
通过准算术神经网络改进集合函数近似
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文提出准算术神经网络（QUANNs），通过引入神经化的柯尔莫戈罗夫均值（NKM）作为可学习的聚合函数，改进集合函数近似，提升模型的表达能力和迁移能力。
Comments To appear at ICLR 2026
TurboBoA: 更快且精确的注意力感知量化无需反向传播
机构 * Samsung Research（三星研究院） ； SNU.ac.kr（首尔国立大学）
AI总结 TurboBoA是一种无需反向传播的高效PTQ算法，通过联合量化和误差补偿提升精度与速度，实现比BoA更快的量化过程。
Comments ICLR 2026
神经网络在信息论极限附近学习通用多索引模型
机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 神经网络通过梯度下降在信息论极限内高效学习多索引模型，证明两层网络在特定条件下能以最优样本和时间复杂度实现目标学习。
Comments 85 pages, 2 figures. The order of the first two authors was determined by a coin flip. Accepted by ICLR 2026
你的LLM有多危险？对话中风险的认证
机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本研究提出C$^3$LLM框架，通过统计方法认证LLMs在多轮对话中的灾难性风险，揭示前沿模型中高达70%的潜在风险，强调改进安全训练的必要性。
Comments Accepted by ICLR 2026
关系图变换器
机构 * Stanford University（斯坦福大学） ； NVIDIA
AI总结 RelGT通过新颖的多元素分词策略，解决关系图中异构性、时效性和拓扑结构的编码问题，实现对关系数据的高效建模，优于GNN基线。
Comments ICLR 2026, Code: https://github.com/snap-stanford/relgt
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