ICLR

Graph homophily booster: Reimagining the role of discrete features in heterophilic graph learning

图同质性增强器：重新审视离散特征在异质图学习中的作用

Ruizhong Qiu, Ting-Wei Li, Gaotang Li, Hanghang Tong

机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 GRAPHITE通过设计图变换直接提升图同质性，有效解决异质图学习中的挑战。

Comments ICLR 2026

Bypassing the Rationale: Causal Auditing of Implicit Reasoning in Language Models

绕过理由：语言模型中隐式推理的因果审计

Anish Sathyanarayanan, Aditya Nagarsekar, Aarush Rathore

机构 * Birla Institute of Technology and Science, Pilani, K. K. Birla Goa Campus（比拉理工学院和科学学院，比里拉班加尔学院） 纠错

AI总结 本文通过因果审计揭示语言模型中隐式推理的可信度差异，发现CoT的因果影响在模型和任务间存在显著变化，需通过逐层审计来验证。

Comments Under Review at ICLR, 2026

Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks

时间就是一切：针对事件驱动脉冲神经网络的脉冲重定时攻击

Yi Yu, Qixin Zhang, Shuhan Ye, Xun Lin, Qianshan Wei, Kun Wang, Wenhan Yang, Dacheng Tao, Xudong Jiang

机构 * School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； Generative AI Lab, College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院生成式人工智能实验室） ； CUHK（香港中文大学） ； Southeast University（东南大学） ； Nanyang Technological University（南洋理工大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 本文提出了一种针对事件驱动脉冲神经网络的脉冲重定时攻击，通过重定时脉冲而非改变强度或计数来实现攻击，展示了其在多个基准上的高成功率。

Comments Accepted by ICLR 2026

Task-free Adaptive Meta Black-box Optimization

无需任务的自适应元黑盒优化

Chao Wang, Licheng Jiao, Lingling Li, Jiaxuan Zhao, Guanchun Wang, Fang Liu, Shuyuan Yang

机构 * Xidian University（西安电子科技大学） ； Tianjin Research Institute for Water Transport Engineering, M.O.T.（天津水运工程研究院） 纠错

AI总结 ABOM通过闭环自适应参数学习机制，在无需预定义任务分布的情况下实现零样本黑盒优化。

Comments This article was published as a conference paper (oral) at ICLR 2026

Visual Prompt-Agnostic Evolution

视觉提示无关进化

Junze Wang, Lei Fan, Dezheng Zhang, Weipeng Jing, Donglin Di, Yang Song, Sidong Liu, Cong Cong

机构 * University of Science and Technology Beijing（北京科技大学） ； University of New South Wales（新南威尔士大学） ； Northeast Forestry University（东北林业大学） ； Tsinghua University（清华大学） ； Macquarie University（麦考瑞大学） 纠错

AI总结 PAE通过显式建模提示动态，提升视觉提示调优的收敛速度和准确性，适用于多种下游任务。

Comments Accepted by ICLR 2026

HEEGNet: Hyperbolic Embeddings for EEG

HEEGNet：用于EEG的双曲嵌入

Shanglin Li, Shiwen Chu, Okan Koç, Yi Ding, Qibin Zhao, Motoaki Kawanabe, Ziheng Chen

机构 * Advanced Telecommunications Research Institute International（先进电信研究所国际） ； RIKEN Center for Advanced Intelligence Project（RIKEN高级人工智能项目中心） ； University of Trento（特伦特大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 HEEGNet通过结合欧几里得和双曲编码器，利用双曲几何提升EEG数据的泛化能力，实现领域不变的嵌入学习。

Comments Accepted to ICLR 2026

Breaking Scale Anchoring: Frequency Representation Learning for Accurate High-Resolution Inference from Low-Resolution Training

打破尺度锚定：用于从低分辨率训练准确进行高分辨率推断的频率表示学习

Wenshuo Wang, Fan Zhang

机构 * School of Future Technology, South China University of Technology, China（未来技术学院，华南理工大学，中国） ； State Key Laboratory of Ocean Sensing & Ocean College, Zhejiang University, China（海洋感知国家重点实验室，浙江大学，中国） ； Kavli Institute for Astrophysics and Space Research, Massachusetts Institute of Technology, USA（天体物理与空间研究所，麻省理工学院，美国） 纠错

AI总结 本文提出了一种架构无关的频率表示学习方法，通过分辨率对齐的频率表示和频谱一致性训练，解决尺度锚定问题，提升高分辨率推断的准确性。

Comments Accepted as a poster paper at ICLR 2026

What Layers When: Learning to Skip Compute in LLMs with Residual Gates

层何时启用：通过残差门学习跳过计算在LLMs中

Filipe Laitenberger, Dawid Kopiczko, Cees G. M. Snoek, Yuki M. Asano

机构 * Humboldt University Berlin（洪堡大学柏林） ； Qualcomm-UvA Lab, University of Amsterdam（高通-乌得勒支实验室，阿姆斯特丹大学） ； FunAI Lab, University of Technology Nuremberg（FunAI实验室，纽伦堡技术大学） 纠错

AI总结 通过残差门机制实现LLMs中按token跳过层，节省计算并保持高准确性，适用于大模型和指令调优场景。

Comments Published as a conference paper at ICLR 2026

Copy-Paste to Mitigate Large Language Model Hallucinations

通过复制粘贴缓解大语言模型的幻觉

Yongchao Long, Xian Wu, Yingying Zhang, Xianbin Wen, Yuxi Zhou, Shenda Hong

机构 * Department of Computer Science, Tianjin University of Technology（天津理工大学计算机学院） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Tencent Jarvis Lab（腾讯Jarvis实验室） 纠错

AI总结 通过复制粘贴方法提升大语言模型上下文忠实性，减少幻觉并提高测试性能。

Comments Accepted to ICLR 2026

Same Content, Different Representations: A Controlled Study for Table QA

相同内容，不同表示：一种受控研究用于表格问答

Yue Zhang, Seiji Maekawa, Nikita Bhutani

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Megagon Labs（Megagon实验室） 纠错

AI总结 本研究通过受控实验探讨了表格表示对问答性能的影响，发现不同方法在结构化与半结构化数据间存在性能差异，强调了表示在表格问答中的核心作用。

Comments ICLR 2026

Steerable Adversarial Scenario Generation through Test-Time Preference Alignment

通过测试时间偏好对齐的可操控对抗场景生成

Tong Nie, Yuewen Mei, Yihong Tang, Junlin He, Jie Sun, Haotian Shi, Wei Ma, Jian Sun

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Tongji University（同济大学） ； McGill University（麦吉尔大学） 纠错

AI总结 SAGE通过测试时间偏好对齐实现对抗性场景生成的可控权衡，提升自动驾驶系统安全性评估效率。

Comments ICLR 2026

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

HiFo-Prompt: Prompting with Hindsight and Foresight for LLM-based Automatic Heuristic Design

HiFo-Prompt: 基于前瞻性与回顾性的提示方法用于基于大语言模型的自动启发式设计

Chentong Chen, Mengyuan Zhong, Ye Fan, Jialong Shi, Jianyong Sun

机构 * School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China（西安交通大学数学与统计学院） ； School of Electronics and Information, Northwest Polytechnical University, Xi’an, China（西北工业大学电子与信息学院） 纠错

AI总结 HiFo-Prompt通过前瞻性与回顾性提示策略，提升基于大语言模型的自动启发式设计效率与质量。

Comments Accepted at ICLR 2026

Single Index Bandits: Generalized Linear Contextual Bandits with Unknown Reward Functions

单索引老虎机：具有未知奖励函数的广义线性上下文老虎机

Yue Kang, Mingshuo Liu, Bongsoo Yi, Jing Lyu, Zhi Zhang, Doudou Zhou, Yao Li

机构 * Microsoft（微软公司） ； University of California, Davis（加州大学戴维斯分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出单索引老虎机问题，针对未知奖励函数设计STOR和ESTOR算法，实现近最优遗憾界，并在高维稀疏环境下验证算法有效性。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

AlphaSteer: Learning Refusal Steering with Principled Null-Space Constraint

AlphaSteer: 通过原理性零空间约束学习拒绝引导

Leheng Sheng, Changshuo Shen, Weixiang Zhao, Junfeng Fang, Xiaohao Liu, Zhenkai Liang, Xiang Wang, An Zhang, Tat-Seng Chua

机构 * National University of Singapore（国立新加坡大学） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 AlphaSteer 通过原理性零空间约束学习拒绝引导，提升大语言模型的安全性与效用平衡。

Comments ICLR 2026

Capability-Based Scaling Trends for LLM-Based Red-Teaming

基于能力的LLM红队测试规模趋势

Alexander Panfilov, Paul Kassianik, Maksym Andriushchenko, Jonas Geiping

机构 * ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Foundation AI – Cisco Systems Inc.（AI基础研究机构——思科系统公司） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 研究通过分析攻击者与目标模型能力差距，揭示了红队测试中攻击成功率随模型能力变化的趋势，提出jailbreaking scaling曲线以预测攻击效果。

Comments Published as a conference paper at ICLR 2026

Traceable Black-box Watermarks for Federated Learning

可追溯的黑盒水印用于联邦学习

Jiahao Xu, Rui Hu, Olivera Kotevska, Zikai Zhang

机构 * University of Nevada, Reno（内华达大学拉斯维加斯分校） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

AI总结 TraMark提出一种服务器端水印方法，通过划分模型参数空间实现可追溯黑盒水印注入，用于联邦学习中的模型泄露检测。

Comments To appear at ICLR 2026

Toward Efficient Exploration by Large Language Model Agents

迈向高效探索的大型语言模型代理

Dilip Arumugam, Thomas L. Griffiths

机构 * Department of Computer Science（计算机科学系） ； Princeton University（普林斯顿大学） ； Department of Psychology（心理学系） 纠错

AI总结 本文提出利用大型语言模型显式实现后验抽样强化学习算法，以提升自然语言任务中的探索效率。

Comments Accepted to the International Conference on Learning Representations (ICLR) 2026

Fast and Stable Riemannian Metrics on SPD Manifolds via Cholesky Product Geometry

在SPD流形上通过Cholesky积几何实现快速且稳定的Riemannian度量

Ziheng Chen, Yue Song, Xiao-Jun Wu, Nicu Sebe

机构 * University of Trento（特伦托大学） ； Shanghai Qi Zhi Institute（上海启智研究院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Jiangnan University（江南大学） 纠错

AI总结 本文提出两种快速稳定的SPD度量，通过Cholesky分解设计，提升SPD神经网络的计算效率和数值稳定性。

Comments Accepted to ICLR 2026

Condition Matters in Full-head 3D GANs

条件在全头3D GANs中至关重要

Heyuan Li, Huimin Zhang, Yuda Qiu, Zhengwentai Sun, Keru Zheng, Lingteng Qiu, Peihao Li, Qi Zuo, Ce Chen, Yujian Zheng, Yuming Gu, Zilong Dong, Xiaoguang Han

机构 * SSE, CUHK-Shenzhen（CUHK-Shenzhen 信息学院） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； MBZUAI ； USC（美国南加州大学） ； FNii-Shenzhen（深圳未来网络智能省重点实验室） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence Internship at Tongyi Lab（广东未来网络智能省重点实验室） 纠错

AI总结 本文提出使用视角不变的语义特征作为条件输入，以解决全头3D GANs中视角偏差问题，提升生成质量和一致性。

Comments Accepted by ICLR 2026. Project page: https://lhyfst.github.io/balancehead/

Your Language Model Secretly Contains Personality Subnetworks

你的语言模型秘密包含个性子网络

Ruimeng Ye, Zihan Wang, Zinan Ling, Yang Xiao, Manling Li, Xiaolong Ma, Bo Hui

机构 * University of Tulsa（图兰大学） ； Northwestern University（西北大学） ； University of Arizona（亚利桑那大学） 纠错

AI总结 本研究发现大型语言模型内部已嵌入身份子网络，无需外部知识即可实现身份切换和行为调整。

Comments ICLR 2026

Free Energy Mixer

自由能混合器

Jiecheng Lu, Shihao Yang

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 自由能混合器通过值驱动的对数线性倾斜，改进了注意力机制的读取过程，实现更高效的通道选择，同时保持并行性和复杂度，适用于多种任务。

Comments Camera-ready version. Accepted at ICLR 2026

Journal ref Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026)

Convex Dominance in Deep Learning I: A Scaling Law of Loss and Learning Rate

深度学习中的凸性 I：损失与学习率的缩放定律

Zhiqi Bu, Shiyun Xu, Jialin Mao

机构 * FAIR, Meta Superintelligence Labs（FAIR，Meta超智能实验室） ； Independent Researcher（独立研究者） 纠错

AI总结 本研究通过凸性视角构建了深度学习中损失与学习率的缩放定律，揭示了训练初期弱凸特性及学习率调度对损失预测的影响。

Comments Part of a planned series to understand and leverage the convexity in deep learning. Accepted to ICLR 2026

scDFM: Distributional Flow Matching Model for Robust Single-Cell Perturbation Prediction

scDFM：用于鲁棒单细胞扰动预测的分布流匹配模型

Chenglei Yu, Chuanrui Wang, Bangyan Liao, Tailin Wu

机构 * Zhejiang University（浙江大学） ； Department of Artificial Intelligence, School of Engineering, Westlake University（人工智能系，工程学院，西湖大学） 纠错

AI总结 scDFM通过分布级生成建模提升单细胞扰动预测的鲁棒性，结合流匹配与PAD-Transformer架构，在多个基准测试中实现更优性能。

Comments ICLR 2026 poster, 25 pages, 8 figures

Theory of Space: Can Foundation Models Construct Spatial Beliefs through Active Exploration?

空间理论：基础模型能否通过主动探索构建空间信念？

Pingyue Zhang, Zihan Huang, Yue Wang, Jieyu Zhang, Letian Xue, Zihan Wang, Qineng Wang, Keshigeyan Chandrasegaran, Ruohan Zhang, Yejin Choi, Ranjay Krishna, Jiajun Wu, Li Fei-Fei, Manling Li

机构 * Northwestern University（西北大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出空间理论，探讨基础模型通过主动探索构建空间信念的挑战，发现主动-被动差距、探索低效和信念惯性等问题。

Comments published at iclr 2026

AVERE: Improving Audiovisual Emotion Reasoning with Preference Optimization

AVERE: 通过偏好优化提升音频视觉情感推理

Ashutosh Chaubey, Jiacheng Pang, Maksim Siniukov, Mohammad Soleymani

AI总结 AVERE通过偏好优化技术提升音频视觉情感推理性能，解决情感与无关线索的虚假关联和幻觉问题，提升多模态模型在情感理解中的表现。

Comments Accepted as a conference paper at ICLR 2026. Project page: https://avere-iclr.github.io

Condition Errors Refinement in Autoregressive Image Generation with Diffusion Loss

在扩散损失下自回归图像生成中的条件误差细化

Yucheng Zhou, Hao Li, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS、大学） 纠错

AI总结 本研究提出基于最优传输理论的条件细化方法，通过理论分析和实验验证，有效缓解条件不一致问题并提升图像生成稳定性。

Comments ICLR 2026

Membership Inference Attacks Against Fine-tuned Diffusion Language Models

针对微调扩散语言模型的成员推断攻击

Yuetian Chen, Kaiyuan Zhang, Yuntao Du, Edoardo Stoppa, Charles Fleming, Ashish Kundu, Bruno Ribeiro, Ninghui Li

机构 * Department of Computer Science, Purdue University（计算机科学系，普渡大学） ； Cisco Research（思科研究） 纠错

AI总结 本文提出SAMA方法，通过稳健聚合解决稀疏信号挑战，显著提升对微调扩散语言模型的成员推断攻击效果。

Comments Published as a conference paper at ICLR 2026

Improving Code Localization with Repository Memory

通过仓库记忆提升代码定位

Boshi Wang, Weijian Xu, Yunsheng Li, Mei Gao, Yujia Xie, Huan Sun, Dongdong Chen

AI总结 通过利用仓库提交历史增强语言代理的记忆，提升代码定位性能，更接近人类开发者经验。

Comments ICLR 2026

Towards Reliable Benchmarking: A Contamination Free, Controllable Evaluation Framework for Multi-step LLM Function Calling

迈向可靠的基准测试：一种无污染、可控的多步骤LLM功能调用评估框架

Seiji Maekawa, Jackson Hassell, Pouya Pezeshkpour, Tom Mitchell, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 纠错

AI总结 本文提出FuncBenchGen框架，通过生成多步骤工具使用任务评估LLM功能调用能力，发现依赖深度增加导致性能下降，引入重申变量值策略提升模型表现。

Comments ICLR 2026

Specialization after Generalization: Towards Understanding Test-Time Training in Foundation Models

专精于泛化：关于基础模型中测试时训练的理解

Jonas Hübotter, Patrik Wolf, Alexander Shevchenko, Dennis Jüni, Andreas Krause, Gil Kur

机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

AI总结 本文提出基础模型在测试时训练通过专精于泛化以提升性能，通过实验验证了这一机制在分布内任务中的有效性。

Comments ICLR 2026 Oral at CCFM @ NeurIPS 2025