期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
SafeDPO: 一种简单的方法用于直接偏好优化并增强安全性
机构 * LG AI Research（LG人工智能研究）
AI总结 SafeDPO通过简单理论驱动的目标，实现轻量级且有效的安全对齐，提升安全性的同时保持有用性。
Comments 40 pages
Journal ref In Proceedings of the International Conference on Learning Representations (ICLR), 2026
TSPulse: 用于快速时间序列分析的轻量级预训练模型与解耦表示
AI总结 TSPulse是一种轻量级预训练模型，通过解耦表示提升时间序列分析的零样本迁移能力和效率。
Comments Accepted in ICLR 2026
通过自动设计的VLM引导运动策略实现人-物交互
机构 * ShanghaiTech University（上海科技大学） ； AgiBot
AI总结 本文提出了一种基于VLMs的统一物理框架，通过自动设计的RMD方法实现人-物交互合成，提升了运动生成的自然性和通用性。
Comments iclr camera ready
偏好泄露：作为判断者的LLM中的污染问题
机构 * Arizona State University（亚利桑那州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Notre Dame（诺丁汉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出偏好泄露问题，揭示LLM作为判断者时因数据生成器与评估者相关性导致的偏见，并通过实验验证其普遍存在性和检测难度。
Comments Accepted by ICLR 2026
困难示例损害无监督对比学习：一种理论视角
机构 * State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院人工智能国家重点实验室） ； School of Engineering, Hong Kong University of Science and Technology（香港科技大学工程学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 本文从理论角度探讨了困难示例对无监督对比学习的影响，发现移除困难示例可提升下游分类性能，并通过理论分析和实验证明了其有效性。
Comments Accepted to ICLR 2026 as an Oral Presentation
RAEE: 一种鲁棒的检索增强型早退框架，用于高效的推理
机构 * City University of Hong Kong（香港城市大学） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； MILA, McGill University（麦吉尔大学机器学习研究院） ； National Taiwan University（台湾国立大学）
AI总结 RAEE通过检索增强型早退框架，结合中间层纠正信息提升模型性能，实现高效推理和鲁棒零样本表现。
Comments Accepted at ICLR 2026
ByteFlow：通过自适应字节压缩实现语言建模而不使用分词器
机构 * Rice University（里士德大学） ； Amazon Science（亚马逊科学）
AI总结 ByteFlow通过自适应字节压缩实现无分词器的语言建模，提升模型性能与适应性。
Comments ICLR 2026
可控性陷阱：军事AI代理的治理框架
机构 * MARS (Mentorship for Alignment Researchers) 4.0 Fellow（MARS（对齐研究导师计划）4.0 Fellow） ； Cambridge AI Safety Hub (CAISH) University of Cambridge（剑桥AI安全中心（CAISH）剑桥大学）
AI总结 本文提出AMAGF框架，通过预防、检测和纠正三个支柱，解决军事AI代理中的控制失效问题，通过控制质量评分实现持续控制管理。
Comments Accepted at ICLR 2026 Workshop on Agents in the Wild. 20 Pages and 3 Figures
浅层胜出：潜在推理中的沉默失败与深度-准确性悖论
机构 * Independent（独立研究者） ； AWS Generative AI Innovation Center, Amazon Web Services（亚马逊生成AI创新中心，亚马逊网络服务） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University, Seattle, WA, USA（东北ern大学，西雅图，华盛顿州，美国）
AI总结 研究揭示数学推理模型在深度增加时准确率无提升，且存在大量不可靠推理路径，需改革评估方法以衡量稳定性。
Comments Accepted at ICLR 2026 Workshop on Latent & Implicit Thinking - Going Beyond CoT Reasoning. 19 Pages and 5 Figures
图Hopfield网络：基于能量的节点分类与联想记忆
机构 * Equal contribution（共同贡献）
AI总结 图Hopfield网络结合联想记忆与图拉普拉斯平滑，通过能量下降实现节点分类，提升稀疏网络和特征遮蔽下的性能，并在异质性基准测试中表现优异。
Comments 10 Pages, 4 Figures, Acceptted at ICLR NFAM Workshop 2026
追踪大语言模型中的药理学知识
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Viterbi School of Engineering（维特比工程学院） ； University of Southern California（南加州大学） ； Stephen J. R. Smith Faculty of Engineering and Applied Science（工程与应用科学学院） ； Queen’s University（皇后大学） ； Department of Molecular and Cellular Biology（分子与细胞生物学系） ； Scripps Research（斯克里普斯研究学院）
AI总结 本研究通过因果性和探测性方法揭示大语言模型中药物组语义的分布式表示机制，发现早期层和中间token对编码药理学知识起关键作用。
Comments Accepted, Learning Meaningful Representations of Life (LMRL) Workshop @ ICLR 2026
基于令牌图的改进句子表示
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） ； University of Cambridge（剑桥大学） ； Ben-Gurion University of the Negev（贝内-约尔大学）
AI总结 GLOT通过构建令牌图并利用图神经网络提升句子表示的鲁棒性和效率，适用于冻结LLM的高效适应。
Comments ICLR 2026, 29 Pages, 17 Tables, 5 Figures
神经符号解码神经活动
机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学）
AI总结 NEURONA通过结合符号推理与fMRI基础，提升神经活动解码的准确性和泛化能力。
Comments ICLR 2026. First two authors contributed equally
一种信息论框架用于优化实验设计以区分概率神经编码
AI总结 本文提出信息论框架优化实验设计，以区分概率神经编码中的似然与后验假说。
Comments Accepted to The Fourteenth International Conference on Learning Representations (ICLR 2026)
规避加性误差障碍的私有翻转流持续发布
AI总结 本文提出在私有翻转流中持续发布不同元素数量的方法，通过结合乘性和加性误差降低空间需求，同时探讨隐私与误差间的权衡。
Comments ICLR 2026
基于学习的Kansa配点法用于超越线性的正向和反向PDEs
机构 * Department of Computer Science and Technology（计算机科学与技术系） ； Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学）
AI总结 本文提出基于学习的Kansa配点法，用于解决超越线性的正向和反向PDEs问题，通过扩展CNF框架并应用到耦合和非线性场景，实现高效求解与自调技术。
Comments Accepted for poster presentation at the ICLR 2026 Artificial Intelligence and Partial Differential Equations (AI&PDE) Workshop. Fangcheng Zhong and Chenliang Zhou are co-corresponding authors
推理的几何学：表示空间中的流动逻辑
AI总结 研究通过几何框架分析LLM推理过程，揭示其在表示空间中的流动特性，并验证逻辑结构与语义的关系。
Comments ICLR 2026. Code: https://github.com/MasterZhou1/Reasoning-Flow
Uni-NTFM：一种用于EEG信号表示学习的统一基础模型
AI总结 Uni-NTFM通过融合神经科学原理，提出了一种统一的基础模型，用于EEG信号表示学习，实现了高容量和高效的功能模块化，优于现有模型。
Comments Published as a conference paper at ICLR 2026
擦除或隐藏？抑制虚假的反向学习神经元以实现稳健的反向学习
机构 * Seoul National University（首尔国立大学） ； Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所）
AI总结 本文提出Ssiuu方法，通过属性引导正则化有效抑制虚假反向学习神经元，提升反向学习的鲁棒性和准确性。
Comments accepted to ICLR 2026
奉承、浮夸与雾：诊断和缓解偏好模型中的固有偏见
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 本研究通过反事实数据增强方法缓解偏好模型中的固有偏见，减少校准错误和偏斜差异，提升模型可靠性。
Comments Published at ICLR 2026; Code and data available at https://github.com/anirudhb123/preference-model-biases
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