ICLR

TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding

TableDART: 表格理解的动态自适应多模态路由

Xiaobo Xing, Wei Yuan, Tong Chen, Quoc Viet Hung Nguyen, Xiangliang Zhang, Hongzhi Yin

机构 * The University of Queensland, Australia（昆士兰大学） ； Griffith University, Australia（格里菲斯大学） ； University of Notre Dame, USA（诺丁汉大学） 纠错

AI总结 TableDART通过动态选择文本、图像或融合视角，提升表格理解的准确性和效率，避免昂贵的多模态模型微调。

Comments Accepted to ICLR 2026. 26 pages, 11 figures

Directional Convergence, Benign Overfitting of Gradient Descent in leaky ReLU two-layer Neural Networks

方向收敛，梯度下降在漏损ReLU两层神经网络中的良性过拟合

Ichiro Hashimoto

机构 * Department of Statistical Sciences University of Toronto（统计科学系多伦多大学） 纠错

AI总结 本文研究了漏损ReLU两层神经网络中梯度下降在混合数据下的良性过拟合条件，并揭示了新的相变现象。

Comments 41 pages, Accepted at International Conference on Learning Representations 2026 (ICLR 2026)

ZeroTuning: Unlocking the Initial Token's Power to Enhance Large Language Models Without Training

ZeroTuning: 解锁初始标记的潜力以无需训练的方式提升大语言模型

Feijiang Han, Xiaodong Yu, Jianheng Tang, Delip Rao, Weihua Du, Lyle Ungar

机构 * University of Pennsylvania（宾夕法尼亚大学） ； AMD（AMD公司） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 ZeroTuning通过仅调整初始标记的注意力实现无需训练的大语言模型性能提升，适用于多种任务和场景。

Comments ICLR 2026 Accepted Version: proofread, introduction rewritten, additional experiments and appendix material added

GenDR: Lighten Generative Detail Restoration

GenDR：轻量级生成细节修复

Yan Wang, Shijie Zhao, Kexin Zhang, Junlin Li, Li Zhang

机构 * MMLab, ByteDance（字节dance实验室） 纠错

AI总结 GenDR通过单步扩散模型和改进的蒸馏技术，实现高效且高质量的生成细节修复。

Comments Accepted by ICLR 2026

Revisit Visual Prompt Tuning: The Expressiveness of Prompt Experts

重新审视视觉提示调优：提示专家的表达性

Minh Le, Anh Nguyen, Huy Nguyen, Chau Nguyen, Anh Tran, Nhat Ho

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

AI总结 本文提出VAPT，通过增强提示专家的表达性，在保持参数效率的同时，提升了视觉任务的性能表现。

Comments Accepted to ICLR 2026

Bridging Explainability and Embeddings: BEE Aware of Spuriousness

弥合可解释性与嵌入：BEE 意识到虚假相关性

Cristian Daniel Păduraru, Antonio Bărbălau, Radu Filipescu, Andrei Liviu Nicolicioiu, Elena Burceanu

机构 * Bitdefender ； University of Bucharest（布加勒斯特大学） ； Mila ； University of Montreal（蒙特利尔大学） 纠错

AI总结 BEE通过分析权重空间和嵌入几何揭示隐藏的虚假相关性，适用于多种数据集和模型，提升基础模型的可信度。

Comments ICLR 2026

Tensor learning with orthogonal, Lorentz, and symplectic symmetries

张量学习与正交、洛伦兹和辛对称性

Wilson G. Gregory, Josué Tonelli-Cueto, Nicholas F. Marshall, Andrew S. Lee, Soledad Villar

AI总结 本文提出了一种基于正交、洛伦兹和辛对称性的张量学习方法，通过等变架构提升时间序列、材料科学和理论计算机科学中的模型性能。

Comments 40 pages, 1 figure. To appear at ICLR 2026

Multi-modal Gaussian Process Variational Autoencoders for Neural and Behavioral Data

多模态高斯过程变分自编码器用于神经和行为数据

Rabia Gondur, Usama Bin Sikandar, Evan Schaffer, Mikio Christian Aoi, Stephen L Keeley

机构 * Fordham University（福特汉姆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Icahn School of Medicine at Mount Sinai（Mount Sinai医学院） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出多模态高斯过程变分自编码器，用于分析神经和行为数据的共享与独立潜在结构，提升数据重建和解释性。

Comments Updated version published in ICLR 2024

Journal ref In The Twelfth International Conference on Learning Representations. (2024)