ICLR

Bootstrapping MLLM for Weakly-Supervised Class-Agnostic Object Counting

基于MLLM的弱监督类无关物体计数

Xiaowen Zhang, Zijie Yue, Yong Luo, Cairong Zhao, Qijun Chen, Miaojing Shi

机构 * College of Electronic and Information Engineering, Tongji University（电子信息工程学院，同济大学） ； College of Computer Science, Wuhan University（计算机科学学院，武汉大学） ； College of Computer Science, Tongji University（计算机科学学院，同济大学） ； State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室） 纠错

AI总结 本文提出 WS-COC，基于 MLLM 的弱监督框架，通过三种策略提升类无关物体计数性能，有效降低标注成本。

Comments Accepted at ICLR 2026

AEGIS: Adversarial Target-Guided Retention-Data-Free Robust Concept Erasure from Diffusion Models

AEGIS：对抗性目标引导的无数据保留鲁棒概念擦除从扩散模型

Fengpeng Li, Kemou Li, Qizhou Wang, Bo Han, Jiantao Zhou

机构 * State Key Laboratory of Internet of Things and Smart City, University of Macau（物联网与智能城市国家重点实验室，澳门大学） ； TMLR Group, Department of Computer Science, Hong Kong Baptist University（TMLR集团，香港 Baptist大学计算机科学系） ； Imperfect Information Learning Team, RIKEN Center for Advanced Intelligence Project（不完美信息学习团队，日本RIKEN先进人工智能项目中心） ； PRADA Lab, King Abdullah University of Science and Technology（PRADA实验室，卡塔尔国王科技大学） 纠错

AI总结 AEGIS提出了一种无数据保留的框架，同时提升扩散模型的鲁棒性和保留性，以更有效地实现概念擦除。

Comments 30 pages,12 figures

Journal ref Accpted in ICLR 2026

Pareto-Conditioned Diffusion Models for Offline Multi-Objective Optimization

基于帕累托条件的扩散模型用于离线多目标优化

Jatan Shrestha, Santeri Heiskanen, Kari Hepola, Severi Rissanen, Pekka Jääskeläinen, Joni Pajarinen

机构 * Aalto University（阿尔托大学） ； Tampere University（塔尔库大学） 纠错

AI总结 基于帕累托条件的扩散模型用于离线多目标优化，通过条件采样解决离线多目标优化问题，提升泛化能力和任务一致性。

Comments Accepted at ICLR 2026 (Oral). Project website: https://sites.google.com/view/pcd-iclr26

Weight Decay may matter more than muP for Learning Rate Transfer in Practice

权重衰减可能比muP对学习率转移更重要

Atli Kosson, Jeremy Welborn, Yang Liu, Martin Jaggi, Xi Chen

机构 * Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室） ； EPFL（瑞士联邦理工学院） 纠错

AI总结 研究发现权重衰减在学习率转移中比muP更有效，挑战了传统观点并解释了muP对独立权重衰减的依赖。

Comments ICLR 2026

Bridging Generalization Gap of Heterogeneous Federated Clients Using Generative Models

利用生成模型弥合异构联邦客户端的泛化差距

Ziru Niu, Hai Dong, A. K. Qin

机构 * School of Computing Technologies（计算技术学院） ； RMIT University（皇家墨尔本理工大学） ； Department of Computing Technologies（计算技术系） ； Swinburne University of Technology（斯威本理工大学） 纠错

AI总结 本文提出一种模型异质化的联邦学习框架，通过生成合成数据提升客户端在未见过数据上的泛化能力，同时减少通信和内存开销。

Comments Accepted by ICLR 2026 (poster)

Journal ref ICLR 2026

Post-hoc Probabilistic Vision-Language Models

事后概率视觉-语言模型

Anton Baumann, Rui Li, Marcus Klasson, Santeri Mentu, Shyamgopal Karthik, Zeynep Akata, Arno Solin, Martin Trapp

AI总结 本文提出一种无需额外训练的VLMs事后不确定性估计方法，通过贝叶斯后验近似和余弦相似度不确定性量化，提升主动学习效率和预测可靠性。

Comments Published at ICLR 2026. Project page: https://aaltoml.github.io/BayesVLM/

Generating Physical Dynamics under Priors

在先验下生成物理动力学

Zihan Zhou, Xiaoxue Wang, Tianshu Yu

AI总结 本文提出一种整合物理先验的生成模型，通过分布和物理可行性先验生成符合物理规律的动态，提升数据驱动物理研究的准确性与鲁棒性。

Journal ref International Conference on Learning Representations (ICLR) 2025

Block-Sample MAC-Bayes Generalization Bounds

块采样MAC-贝叶斯泛化界限

Matthias Frey, Jingge Zhu, Michael C. Gastpar

机构 * Department of Electrical and Electronic Engineering（电气与电子工程系） ； The University of Melbourne（墨尔本大学） ； Laboratory for Information in Networked Systems（网络化系统信息实验室） ； École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文提出了一类块采样MAC-贝叶斯界限，通过改进传统PAC-贝叶斯界限的紧致性，展示了其在泛化误差界中的优势。

Comments Accepted for publication at The Fourteenth International Conference on Learning Representations (ICLR 2026)

A Theoretical Analysis of Mamba's Training Dynamics: Filtering Relevant Features for Generalization in State Space Models

Mamba训练动态的理论分析：在状态空间模型中筛选相关特征以实现泛化

Mugunthan Shandirasegaran, Hongkang Li, Songyang Zhang, Meng Wang, Shuai Zhang

机构 * New Jersey Institute of Technology（新泽西理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Louisiana at Lafayette（路易斯安那州立大学拉法叶分校） 纠错

AI总结 本文分析了Mamba模型的训练动态，证明其通过选择性递归实现特征筛选，提升泛化能力，为Transformer解释提供了理论依据。

Journal ref ICLR 2026

Free Lunch for Stabilizing Rectified Flow Inversion

为稳定修正流反向操作获取免费午餐

Chenru Wang, Beier Zhu, Chi Zhang

机构 * Westlake University（西湖大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出PMI和mimic-CFG方法，通过稳定速度场提升修正流反向操作的稳定性与重建质量，减少计算资源消耗。

Comments Accepted by ICLR 2026

PoliCon: Evaluating LLMs on Achieving Diverse Political Consensus Objectives

PoliCon：评估LLMs在实现多样化政治共识目标上的能力

Zhaowei Zhang, Xiaobo Wang, Minghua Yi, Mengmeng Wang, Fengshuo Bai, Zilong Zheng, Yipeng Kang, Yaodong Yang

机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； USTC（中国科学技术大学） ； WHU（武汉大学） ； SJTU（上海交通大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 PoliCon通过构建基于欧洲议会辩论记录的基准，评估LLMs在不同政治环境下生成共识决议的能力，揭示其在复杂任务中的不足及党派偏见。

Comments Accepted by ICLR 2026

Embodied Agents Meet Personalization: Investigating Challenges and Solutions Through the Lens of Memory Utilization

具身智能体与个性化：通过记忆利用的视角探讨挑战与解决方案

Taeyoon Kwon, Dongwook Choi, Hyojun Kim, Sunghwan Kim, Seungjun Moon, Beong-woo Kwak, Kuan-Hao Huang, Jinyoung Yeo

机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学） ； Department of Computer Science and Engineering, Texas A&M University（计算机科学与工程系，德克萨斯大学） 纠错

AI总结 本文提出MEMENTO框架，通过分析记忆利用中的挑战，设计了基于层次知识图谱的用户档案记忆模块，提升智能体在个性化任务中的表现。

Comments Accepted at ICLR 2026