ICLR

PICS: Pairwise Image Compositing with Spatial Interactions

PICS: 基于空间交互的图像配对合成

Hang Zhou, Xinxin Zuo, Sen Wang, Li Cheng

机构 * University of Alberta（阿尔伯塔大学） ； Concordia University（康科迪亚大学） 纠错

AI总结 PICS通过自监督分解式方法，利用交互变换器和自适应α混合策略，实现高质量且稳定的图像配对合成，适用于多种场景。

Comments ICLR 2026. Project page: https://ryanhangzhou.github.io/pics/ , code: https://github.com/RyanHangZhou/PICS

Diversity-Aware Adaptive Collocation for Physics-Informed Neural Networks via Sparse QUBO Optimization and Hybrid Coresets

面向多样性的自适应配点方法：通过稀疏QUBO优化和混合聚类实现物理信息神经网络

Hadi Salloum, Maximilian Mifsud Bonici, Sinan Ibrahim, Pavel Osinenko, Alexei Kornaev

机构 * Research Center for Artificial Intelligence（人工智能研究中心） ； Innopolis University（因诺波利斯大学） ； Moscow Center for Advanced Studies（莫斯科先进研究中心） ； Laboratory of Quantum Computing（量子计算实验室） ； Center for Engineering Systems and Sciences（工程系统与科学中心） ； Central University（中央大学） ； The Center for Top-Level Educational Programs in AI（人工智能顶级教育项目中心） ； National Medical Research Center of Oncology（肿瘤医学研究中心） 纠错

AI总结 本文提出一种面向多样性的自适应配点方法，通过稀疏QUBO优化和混合聚类实现物理信息神经网络的高效训练。

Comments 9 pages, accepted to be published as a ICLR workshop paper

Enhancing Instruction Following of LLMs via Activation Steering with Dynamic Rejection

通过动态拒绝引导增强大语言模型的指令遵循能力

Minjae Kang, Jaehyung Kim

机构 * Yonsei University（延世大学） 纠错

AI总结 DIRECTER通过动态调节引导强度和基于可能性的解码循环，提升大语言模型在复杂指令下的准确性和生成质量。

Comments Accepted at ICLR 2026

On the Generalization Capacities of MLLMs for Spatial Intelligence

关于多模态大语言模型在空间智能中的泛化能力

Gongjie Zhang, Wenhao Li, Quanhao Qian, Jiuniu Wang, Deli Zhao, Shijian Lu, Ran Xu

机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； HuPan Lab（虎朋实验室） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出Camera-Aware MLLM框架，通过注入相机内参、数据增强和蒸馏几何先验，提升多模态大语言模型在空间任务中的泛化能力与鲁棒性。

Comments ICLR 2026 (Oral)

Soft Equivariance Regularization for Invariant Self-Supervised Learning

用于不变自监督学习的软等价性正则化

Joohyung Lee, Changhun Kim, Hyunsu Kim, Kwanhyung Lee, Juho Lee

机构 * AITRICS ； Voronoi Inc. ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 本文提出软等价性正则化，通过解耦不变性和等价性强制的层，提升自监督学习在ImageNet-1k和ImageNet-C/P等任务中的性能。

Comments 14th International Conference on Learning Representations (ICLR 2026)

Chart Deep Research in LVLMs via Parallel Relative Policy Optimization

通过并行相对策略优化进行LVLMs中的图表深度研究

Jiajin Tang, Gaoyang, Wenjie Wang, Sibei Yang, Xing Chen

机构 * ByteDance（字节跳动） ； ShanghaiTech University（上海科技大学） ； School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） 纠错

AI总结 本文提出PRPO和MCDR-Bench，通过并行优化和可控错误注入提升图表深度研究的训练与评估能力。

Comments Accepted at ICLR 2026

Does Semantic Noise Initialization Transfer from Images to Videos? A Paired Diagnostic Study

语义噪声初始化能否从图像迁移到视频？一项配对诊断研究

Yixiao Jing, Chaoyu Zhang, Zixuan Zhong, Peizhou Huang

AI总结 该研究探讨了语义噪声初始化在文本到视频生成中的有效性，发现其在时间相关维度有小幅度提升，但整体效果与基线相当，建议采用提示级评估和噪声空间分析作为标准方法。

Comments 8 pages, 1 figure. Accepted to the ICLR 2026 Workshop on Multimodal Intelligence: Next Token Prediction & Beyond

Distilling and Adapting: A Topology-Aware Framework for Zero-Shot Interaction Prediction in Multiplex Biological Networks

知识蒸馏与适应：一种拓扑感知的框架用于多重生物网络中的零样本交互预测

Alana Deng, Sugitha Janarthanan, Yan Sun, Zihao Jing, Pingzhao Hu

机构 * Department of Computer Science, Western University（计算机科学系，西部大学） ； Department of Biochemistry, Western University（生物化学系，西部大学） 纠错

AI总结 本文提出了一种拓扑感知的框架，通过上下文感知表示学习和知识蒸馏，提升多重生物网络中零样本交互预测的性能。

Comments Accepted by ICLR 2026

TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification

TimeSliver : 基于符号-线性分解的可解释时间序列分类

Akash Pandey, Payal Mohapatra, Wei Chen, Qi Zhu, Sinan Keten

机构 * Northwestern University（北卡罗来纳大学） 纠错

AI总结 TimeSliver通过结合原始时间序列数据和符号抽象，提出了一种新的可解释性驱动的深度学习框架，有效提升时间序列分类的可解释性和预测性能。

Comments Accepted to ICLR 2026

Query-Guided Spatial-Temporal-Frequency Interaction for Music Audio-Visual Question Answering

基于查询引导的时空频交互的音乐音频视觉问答

Kun Li, Michael Ying Yang, Sami Sebastian Brandt

机构 * University of Twente（特文特大学） ； University of Bath（巴斯大学） ； IT University of Copenhagen（哥本哈根IT大学） 纠错

AI总结 本文提出一种查询引导的时空频交互方法，通过整合问题引导的线索和频域特性，提升音频-视觉问答的性能。

Comments Accepted to ICLR 2026

Replayable Financial Agents: A Determinism-Faithfulness Assurance Harness for Tool-Using LLM Agents

可重播的金融代理：用于工具使用LLM代理的确定性-忠实性保证框架

Raffi Khatchadourian

AI总结 本文提出DFAH框架，用于评估金融代理的确定性和忠实性，发现决策确定性与准确性无显著相关性，强调需独立测量两者的多维评估方法。

Comments 27 pages, 5 figures, 9 tables | Code and data: https://github.com/ibm-client-engineering/output-drift-financial-llms | To appear in the 2nd ICLR Workshop on Advances in Financial AI: Towards Agentic and Responsible Systems (ICLR 2026)

DrivingGen: A Comprehensive Benchmark for Generative Video World Models in Autonomous Driving

DrivingGen：自主驾驶中生成视频世界模型的综合性基准

Yang Zhou, Hao Shao, Letian Wang, Zhuofan Zong, Hongsheng Li, Steven L. Waslander

机构 * University of Toronto（多伦多大学） ； CUHK MMLab（香港中文大学MMLab） 纠错

AI总结 DrivingGen提出首个综合性基准，用于评估生成驾驶世界模型的视觉真实性、轨迹合理性、时间一致性和可控性，揭示通用与专用模型间的权衡。

Comments ICLR 2026 Poster; Project Website: https://drivinggen-bench.github.io/

SALVE: Sparse Autoencoder-Latent Vector Editing for Mechanistic Control of Neural Networks

SALVE：稀疏自编码-潜在向量编辑用于神经网络的机理控制

Vegard Flovik

机构 * Group Research and Development, DNV（1 研究与发展组，DNV） 纠错

AI总结 SALVE通过稀疏自编码和潜在向量编辑，实现神经网络的机理控制与可解释性，提升模型的可控性和鲁棒性。

Comments Accepted to ICLR 2026, Trustworthy AI Workshop

SwiftTS: A Swift Selection Framework for Time Series Pre-trained Models via Multi-task Meta-Learning

SwiftTS: 一种基于多任务元学习的时序预训练模型快速选择框架

Tengxue Zhang, Biao Ouyang, Yang Shu, Xinyang Chen, Chenjuan Guo, Bin Yang

机构 * East China Normal University（华东师范大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

AI总结 SwiftTS通过多任务元学习方法，提出了一种高效的时序预训练模型快速选择框架，提升了模型在不同数据集和时间范围下的泛化能力和鲁棒性。

Comments Accepted by ICLR 2026

MoE-GS: Mixture of Experts for Dynamic Gaussian Splatting

MoE-GS：动态高斯散射的专家混合

In-Hwan Jin, Hyeongju Mun, Joonsoo Kim, Kugjin Yun, Kyeongbo Kong

机构 * Pusan National University（釜山国立大学） ； Electronics and Telecommunications Research Institute（电子电信研究所） 纠错

AI总结 MoE-GS通过专家混合技术提升动态高斯散射的渲染质量与效率，实现更一致的时空一致性结果。

Comments Accepted by ICLR 2026

Rethinking Driving World Model as Synthetic Data Generator for Perception Tasks

重新思考驾驶世界模型作为感知任务的合成数据生成器

Kai Zeng, Zhanqian Wu, Kaixin Xiong, Xiaobao Wei, Xiangyu Guo, Zhenxin Zhu, Kalok Ho, Lijun Zhou, Bohan Zeng, Ming Lu, Haiyang Sun, Bing Wang, Guang Chen, Hangjun Ye, Wentao Zhang

机构 * Peking University（北京大学） ； Xiaomi EV（小米电动车） ； Huazhong University of Science and Technology（华中科技大学） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京数据智能与安全重点实验室（北京大学）） ； Zhongguancun Academy（中关村学院） 纠错

AI总结 Dream4Drive通过生成高质量的合成数据提升自动驾驶感知任务性能

Journal ref ICLR 2026

Unified Multi-Modal Interactive & Reactive 3D Motion Generation via Rectified Flow

通过修正流实现统一的多模态交互与反应3D运动生成

Prerit Gupta, Shourya Verma, Ananth Grama, Aniket Bera

机构 * Department of Computer Science Purdue University（计算机科学系 哈佛大学） 纠错

AI总结 DualFlow通过修正流实现多模态双人运动生成，提升运动质量与节奏同步性。

Comments Under review at ICLR 2026

QuantSparse: Comprehensively Compressing Video Diffusion Transformer with Model Quantization and Attention Sparsification

QuantSparse: 通过模型量化和注意力稀疏化全面压缩视频扩散变换器

Weilun Feng, Chuanguang Yang, Haotong Qin, Mingqiang Wu, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Yulun Zhang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 QuantSparse通过结合模型量化和注意力稀疏化，实现视频扩散变换器的高效压缩，提升性能并减少存储与推理时间。

Comments Accepted by ICLR 2026

Towards Strategic Persuasion with Language Models

面向语言模型的战略说服

Zirui Cheng, Jiaxuan You

AI总结 本文基于贝叶斯说服理论，利用人类说服数据集构建环境，通过强化学习训练语言模型进行战略说服，验证了LLMs在不同规模下的说服能力

Comments ICLR 2026

Quantized Visual Geometry Grounded Transformer

量化视觉几何基础变换器

Weilun Feng, Haotong Qin, Mingqiang Wu, Chuanguang Yang, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Yulun Zhang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院人工智能安全国家重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出QuantVGGT，首个针对大规模VGGT的量化框架，通过双平滑细粒度量化和噪声过滤多样化采样技术，在保持高精度的同时实现显著的内存减少和加速。

Comments Accepted by ICLR 2026

Faster Gradient Methods for Highly-Smooth Stochastic Bilevel Optimization

更高效的梯度方法用于高光滑随机双层优化

Lesi Chen, Junru Li, El Mahdi Chayti, Jingzhao Zhang

机构 * Tsinghua University（清华大学） ； Shanghai Qizhi Institude（上海启智研究所） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） 纠错

AI总结 本文提出F²SA-p方法，通过高阶有限差分提升随机双层优化的收敛速度，达到近最优的复杂度界。

Comments ICLR 2026; Add one additional author compared to v1

Sharpness-Aware Machine Unlearning

尖锐性感知的机器无学习

Haoran Tang, Rajiv Khanna

AI总结 本文提出Sharp MinMax方法，通过分离模型学习保留信号和无学习遗忘信号，提升无学习性能，同时发现SAM在特定条件下会牺牲去噪能力。

Comments Accepted to ICLR 2026

CyclicReflex: Improving Reasoning Models via Cyclical Reflection Token Scheduling

CyclicReflex: 通过循环反思标记调度提升推理模型

Chongyu Fan, Yihua Zhang, Jinghan Jia, Alfred Hero, Sijia Liu

AI总结 CyclicReflex通过循环反思标记调度提升推理模型性能，采用动态三角波调节反思标记logits，无需额外计算成本。

Comments Accepted to ICLR 2026

Rethinking Continual Learning with Progressive Neural Collapse

重新思考连续学习与渐进神经崩溃

Zheng Wang, Wanhao Yu, Li Yang, Sen Lin

机构 * Department of Computer Science, University of Houston, USA（德克萨斯大学休斯顿分校计算机科学系） ； Department of Computer Science, University of North Carolina at Charlotte, USA（北卡罗来纳大学夏洛特分校计算机科学系） 纠错

AI总结 本文提出渐进神经崩溃（ProNC）框架，通过动态扩展ETF目标，缓解连续学习中的灾难性遗忘问题，实现更灵活高效的模型学习。

Comments Our work is accepted by ICLR 2026

Open-World Reinforcement Learning over Long Short-Term Imagination

开放世界长期短期想象强化学习

Jiajian Li, Qi Wang, Yunbo Wang, Xin Jin, Yang Li, Wenjun Zeng, Xiaokang Yang

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能大模型关键实验室、人工智能研究院、上海交通大学） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院、技术东院） ； School of Computer Science and Technology, East China Normal University（计算机科学与技术学院、华东师范大学） 纠错

AI总结 本文提出LS-Imagine方法，通过扩展想象 horizon 提高开放世界强化学习中长期收益的探索效率。

Comments Accepted by ICLR 2025 Oral. Project page: https://qiwang067.github.io/ls-imagine