ICLR

SCRAPL: Scattering Transform with Random Paths for Machine Learning

SCRAPL: 用于机器学习的随机路径散射变换

Christopher Mitcheltree, Vincent Lostanlen, Emmanouil Benetos, Mathieu Lagrange

机构 * Centre for Digital Music, Queen Mary University of London, UK（伦敦女王玛丽大学数字音乐中心） ； Nantes Université, École Centrale Nantes, CNRS, LS2N, UMR 6004, France（南特大学、南特中央理工学院、法国国家科学研究中心、LS2N、UMR 6004） 纠错

AI总结 SCRAPL通过随机路径散射变换提高多变量散射变换的计算效率，应用于无监督声音匹配和神经网络训练优化。

Comments Accepted to ICLR 2026. Code, audio samples, and Python package provided at https://christhetree.github.io/scrapl/

FastFlow: Accelerating The Generative Flow Matching Models with Bandit Inference

FastFlow: 通过多臂老虎机推断加速生成流匹配模型

Divya Jyoti Bajpai, Dhruv Bhardwaj, Soumya Roy, Tejas Duseja, Harsh Agarwal, Aashay Sandansing, Manjesh Kumar Hanawal

机构 * Indian Institute of Technology Bombay（印度理工学院孟买分校） ； Amazon（亚马逊） 纠错

AI总结 FastFlow通过多臂老虎机推断方法，实现流匹配模型生成过程的加速，同时保持生成质量。

Comments Accepted at International Conference on Learning Representations (ICLR) 2026

Divide, Harmonize, Then Conquer It: Shooting Multi-Commodity Flow Problems with Multimodal Language Models

分割、调和、然后征服：利用多模态语言模型解决多商品流问题

Xinyu Yuan, Yan Qiao, Zonghui Wang, Wenzhi Chen

机构 * Zhejiang University（浙江大学） ； Hefei University of Technology（合肥工业大学） ； Co-corresponding authors（共同通讯作者） 纠错

AI总结 Pram利用多模态语言模型解决多商品流问题，通过分解和调和子问题实现高效优化，性能接近线性规划求解器且运行时间显著降低。

Comments Published as a conference paper at ICLR 2026

FeatureBench: Benchmarking Agentic Coding for Complex Feature Development

FeatureBench: 评估代理编码在复杂特性开发中的性能

Qixing Zhou, Jiacheng Zhang, Haiyang Wang, Rui Hao, Jiahe Wang, Minghao Han, Yuxue Yang, Shuzhe Wu, Feiyang Pan, Lue Fan, Dandan Tu, Zhaoxiang Zhang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

AI总结 FeatureBench通过基于执行的评估协议和自动化任务收集方法，评估代理在复杂特征开发中的性能，发现先进模型在该基准上表现有限，为提升代理编码能力提供新机会。

Comments Accepted by ICLR 2026

Tuning the burn-in phase in training recurrent neural networks improves their performance

调节循环神经网络训练中的预热阶段以提高其性能

Julian D. Schiller, Malte Heinrich, Victor G. Lopez, Matthias A. Müller

机构 * Leibniz University Hannover（莱比锡大学汉诺威分校） 纠错

AI总结 本文通过调节循环神经网络训练中的预热阶段，显著提高了其在时间序列任务中的性能，减少了预测误差超过60%。

Comments Published as a conference paper at ICLR 2026, https://openreview.net/forum?id=jwkdKpioHJ

ResWorld: Temporal Residual World Model for End-to-End Autonomous Driving

ResWorld: 用于端到端自动驾驶的时序残差世界模型

Jinqing Zhang, Zehua Fu, Zelin Xu, Wenying Dai, Qingjie Liu, Yunhong Wang

机构 * State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing, China（虚拟现实技术与系统国家重点实验室，北京航空航天大学） ； Zhongguancun Laboratory, Beijing, China（中关村实验室） ； Beijing Jingwei Hirain Technologies Co., Inc.（北京京wei Hirain科技有限公司） ； Hangzhou Innovation Institute, Beihang University, Hangzhou, China（杭州创新研究院，北京航空航天大学） 纠错

AI总结 ResWorld通过时序残差世界模型和未来引导轨迹细化模块，提升端到端自动驾驶的规划性能。

Comments ICLR 2026

Enhancing Multivariate Time Series Forecasting with Global Temporal Retrieval

通过全局时间检索增强多变量时间序列预测

Fanpu Cao, Lu Dai, Jindong Han, Hui Xiong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Shandong University（山东大学） 纠错

AI总结 GTR通过引入全局时间检索模块，有效提升多变量时间序列预测的长期周期性建模能力，实现高效且通用的预测性能改进。

Comments ICLR 2026

Beyond Confidence: The Rhythms of Reasoning in Generative Models

超越置信度：生成模型推理的节奏

Deyuan Liu, Zecheng Wang, Zhanyue Qin, Zhiying Tu, Dianhui Chu, Dianbo Sui

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本文提出δ_TC B度量标准，用于评估生成模型在预测稳定性方面的鲁棒性，揭示了传统度量在上下文学习中的不足，并为提升模型稳定性提供新方法。

Comments ICLR 2026

Splat and Distill: Augmenting Teachers with Feed-Forward 3D Reconstruction For 3D-Aware Distillation

Splat和Distill：通过馈送式3D重建增强教师模型以实现3D感知的蒸馏

David Shavin, Sagie Benaim

机构 * Department of Computer Science（计算机科学系） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

AI总结 Splat和Distill通过馈送式3D重建增强教师模型，提升2D VFMs的3D意识和语义丰富性。

Comments Accepted to ICLR 2026

Journal ref ICLR 2026

Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics

可扩展的时空SE(3)扩散用于长时间尺度蛋白质动力学

Nima Shoghi, Yuxuan Liu, Yuning Shen, Rob Brekelmans, Pan Li, Quanquan Gu

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

AI总结 STAR-MD通过联合时空建模实现高效蛋白质动态模拟，显著提升构象覆盖和动态保真度，适用于微秒级长时间尺度生成。

Comments 49 pages, 28 figures. Accepted by ICLR 2026. Project page: https://bytedance-seed.github.io/ConfRover/starmd

The Deleuzian Representation Hypothesis

德勒兹的表示假说

Clément Cornet, Romaric Besançon, Hervé Le Borgne

机构 * Université Paris-Saclay, CEA, List（巴黎-萨克雷大学，CEA，List） 纠错

AI总结 本文提出了一种基于激活差异聚类的方法，用于从神经网络中提取可解释的概念，该方法受德勒兹对概念作为差异的现代观点启发，并在多个模型和模态上验证了其有效性。

Journal ref ICLR 2026

GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation

GeoPurify: 一种数据高效的几何蒸馏框架用于开放词汇3D分割

Weijia Dou, Xu Zhang, Yi Bin, Jian Liu, Bo Peng, Guoqing Wang, Yang Yang, Heng Tao Shen

机构 * Tongji University（同济大学） ； Tianjin University（天津大学） ； University of Electronic Science and Technology of China（电子科学与技术大学） 纠错

AI总结 GeoPurify通过几何蒸馏和亲和网络提升3D分割的数据效率，实现高效且准确的开放词汇3D分割

Comments Accepted at ICLR 2026. Code available at: https://github.com/tj12323/GeoPurify

Bridging Fairness and Explainability: Can Input-Based Explanations Promote Fairness in Hate Speech Detection?

弥合公平性与可解释性：基于输入的解释能否促进仇恨言论检测中的公平性？

Yifan Wang, Mayank Jobanputra, Ji-Ung Lee, Soyoung Oh, Isabel Valera, Vera Demberg

机构 * Saarland University（萨尔兰州大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） 纠错

AI总结 本研究探讨了基于输入的解释在仇恨言论检测中促进公平性的有效性，发现其在检测偏见和训练中减少偏见方面有效，但在选择公平模型方面不可靠。

Comments ICLR 2026

Is In-Context Learning Learning?

上下文学习是否是学习？

Adrian de Wynter

AI总结 本文探讨了上下文学习是否真正构成学习，通过实证分析发现其在泛化能力上存在局限性，且依赖于提示中的规律性而非真正的学习过程。

Comments Accepted to ICLR 2026 -- CR version

Unveiling Super Experts in Mixture-of-Experts Large Language Models

揭示混合专家大语言模型中的超级专家

Zunhai Su, Qingyuan Li, Hao Zhang, Weihao Ye, Qibo Xue, YuLei Qian, Yuchen Xie, Ngai Wong, Kehong Yuan

机构 * Tsinghua University（清华大学） ； Meituan（美团） ； Xiamen University（厦门大学） ； Nanjing University（南京大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 研究揭示了混合专家大语言模型中起关键作用的超级专家，通过分析其影响发现其在数学推理中的重要性，并探讨了压缩这些专家对模型性能的显著影响。

Comments Published as a conference paper at ICLR 2026

Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation

基于Jensen-Shannon散度的响应归因研究：一种驱动上下文归因的机理研究

Ruizhe Li, Chen Chen, Yuchen Hu, Yanjun Gao, Xi Wang, Emine Yilmaz

机构 * University of Aberdeen（阿伯丁大学） ； Nanyang Technological University（南洋理工大学） ； University College London（伦敦大学学院） ； University of Colorado Anschutz Medical Campus（科罗拉多大学安舒兹医学校区） ； University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出基于Jensen-Shannon散度的ARC-JSD方法，实现高效准确的上下文归因，提升RAG模型的性能和效率。

Comments Accepted at ICLR 2026; Best Paper Award at COLM 2025 XLLM-Reason-Plan Workshop; Accepted at NeurIPS 2025 Mechanistic Interpretability Workshop

Fixing the Broken Compass: Diagnosing and Improving Inference-Time Reward Modeling

修复破碎的指南针：诊断并改进推理时间奖励建模

Jiachun Li, Pengfei Cao, Zhuoran Jin, Yubo Chen, Jiexin Xu, Huaijun Li, Xiaojian Jiang, Kang Liu, Jun Zhao

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所认知与决策智能复杂系统重点实验室） ； China Merchants Bank（中国 Merchants 银行） 纠错

AI总结 本文提出CRISP算法，通过聚类和逐步前缀优化，提升LLM在推理任务中的性能，实现5%的准确率提升。

Comments 38 pages, 30 figures, Accpeted by ICLR 2026

Kernel-based Optimally Weighted Conformal Time-Series Prediction

基于核的最优加权符合预测区间

Jonghyeok Lee, Chen Xu, Yao Xie

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院） 纠错

AI总结 本文提出了一种基于核的最优加权符合预测方法，通过学习最优数据自适应权重，在时间序列预测中实现了更窄的置信区间同时保持覆盖性。

Journal ref In Proceedings of the Thirteenth International Conference on Learning Representations (ICLR), 2025

Eliminating VAE for Fast and High-Resolution Generative Detail Restoration

消除VAE以实现快速且高分辨率的生成细节修复

Yan Wang, Shijie Zhao, Junlin Li, Li Zhang

机构 * MMLab, ByteDance（字节实验室，字节跳动） 纠错

AI总结 GenDR-Pix通过消除VAE并引入多阶段对抗蒸馏和傅里叶空间损失，实现了快速且高分辨率的生成细节修复，推理速度提升2.8倍，内存节省60%。

Comments Accepted by ICLR 2026

Flow of Spans: Generalizing Language Models to Dynamic Span-Vocabulary via GFlowNets

动态跨度的流动：通过GFlowNets泛化语言模型到动态跨度词典

Bo Xue, Yunchong Song, Fanghao Shao, Xuekai Zhu, Lin Chen, Luoyi Fu, Xinbing Wang, Zhouhan Lin

机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出FOSS，一种基于GFlowNets的跨度生成框架，通过动态跨度词典和DAG结构状态空间提升语言模型的生成能力与泛化性能。

Comments Published as a conference paper at ICLR 2026

Learning Structure-Semantic Evolution Trajectories for Graph Domain Adaptation

学习结构-语义演进轨迹用于图域适应

Wei Chen, Xingyu Guo, Shuang Li, Yan Zhong, Zhao Zhang, Fuzhen Zhuang, Hongrui Liu, Libang Zhang, Guo Ye, Huimei He

机构 * School of Artificial Intelligence, Beihang University, Beijing, China（北京航空航天大学人工智能学院） ； School of Mathematical Sciences, Peking University, Beijing, China（北京大学数学科学学院） ； School of Computer Science and Engineering, Beihang University, Beijing, China（北京航空航天大学计算机科学与工程学院） ； Zhongguancun Laboratory, Beijng, China（中关村实验室） ； Independent Researcher, Beijing, China（独立研究者） 纠错

AI总结 DiffGDA通过建模连续时间生成过程，以结构和语义转换的联合建模方式解决图域适应中的连续非线性演进问题，实验表明其在多个数据集上优于现有方法。

Comments accepted by ICLR 2026, 21 pages

Characterizing and Optimizing the Spatial Kernel of Multi Resolution Hash Encodings

多分辨率哈希编码的空间核特性化与优化

Tianxiang Dai, Jonathan Fan

AI总结 本文通过分析MHE的点扩散函数，揭示其空间分辨率与带宽的关系，并提出旋转MHE架构以优化性能。

Comments ICLR 2026 (Poster); LaTeX source; 11 figures; 7 tables

Journal ref International Conference on Learning Representations (ICLR), 2026 (Poster)

When LLMs get significantly worse: A statistical approach to detect model degradations

当大语言模型显著变差：一种检测模型退化的方法

Jonas Kübler, Kailash Budhathoki, Matthäus Kleindessner, Xiong Zhou, Junming Yin, Ashish Khetan, George Karypis

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出了一种基于McNemar检验的统计方法，用于检测大语言模型的退化，通过对比每个样本的模型评分，有效区分退化与噪声。

Comments https://openreview.net/forum?id=cM3gsqEI4K

Journal ref ICLR 2026

AntigenLM: Structure-Aware DNA Language Modeling for Influenza

AntigenLM: 用于流感的结构感知DNA语言模型

Yue Pei, Xuebin Chi, Yu Kang

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； Beijing Institute of Genomics, Chinese Academy of Sciences（中国科学院北京基因组研究所） ； China National Center for Bioinformation（中国生物信息学国家中心） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 AntigenLM通过结构感知的DNA语言模型预测流感抗原变异，优于传统方法，同时在亚型分类中表现优异。

Comments Accepted by ICLR 2026

Toward Faithful Retrieval-Augmented Generation with Sparse Autoencoders

迈向基于稀疏自编码器的忠实检索增强生成

Guangzhi Xiong, Zhenghao He, Bohan Liu, Sanchit Sinha, Aidong Zhang

机构 * Department of Computer Science University of Virginia（计算机科学系弗吉尼亚大学） 纠错

AI总结 本研究提出RAGLens，通过稀疏自编码器解构LLM内部激活，有效检测RAG生成中的不忠实输出，并提供可解释的决策理由。

Comments ICLR 2026

Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics

通过哈密顿动力学改进图神经模拟器的长程相互作用

Tai Hoang, Alessandro Trenta, Alessio Gravina, Niklas Freymuth, Philipp Becker, Davide Bacciu, Gerhard Neumann

AI总结 IGNS通过哈密顿动力学原理改进图神经模拟器，有效捕捉长程相互作用并提升模拟精度与稳定性。

Comments Accepted at ICLR 2026

SeeDNorm: Self-Rescaled Dynamic Normalization

SeeDNorm: 自适应动态归一化

Wenrui Cai, Defa Zhu, Qingjie Liu, Qiyang Min

机构 * School of Computer Science and Engineering, Beihang University（计算机科学与工程学院，北航大学） 纠错

AI总结 SeeDNorm通过动态调整缩放系数提升模型表示能力，在保持输入范数信息的同时实现自适应动态归一化，有效提升大语言模型及计算机视觉任务的性能。

Comments Accepted to ICLR 2026, 32 pages, 14 figures, 18 tables

Lipschitz Bandits with Stochastic Delayed Feedback

具有随机延迟反馈的Lipschitz带币问题

Zhongxuan Liu, Yue Kang, Thomas C. M. Lee

AI总结 本文提出了解决具有随机延迟反馈的Lipschitz Bandit问题的新算法，通过延迟感知放大算法和分阶段学习策略，实现了次线性后悔保证，并在不同延迟场景下验证了算法效率。

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

Understanding Language Prior of LVLMs by Contrasting Chain-of-Embedding

通过对比嵌入链理解LVLMs的语言先验

Lin Long, Changdae Oh, Seongheon Park, Sharon Li

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 通过对比嵌入链分析，揭示LVLMs中视觉信息整合的关键层及影响响应生成的强度量化方法。

Comments ICLR 2026

A Law of Data Reconstruction for Random Features (and Beyond)

随机特征（及更广泛领域）的数据重建定律

Leonardo Iurada, Simone Bombari, Tatiana Tommasi, Marco Mondelli

机构 * Politecnico di Torino（都灵理工大学） ； Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所） 纠错

AI总结 本研究从数据重建角度揭示了深度学习模型在参数数量超过阈值dn时能够恢复整个训练数据集的规律。

Comments Accepted ICLR 2026 - Code at https://github.com/iurada/data-reconstruction-law