ICLR

Machine Unlearning under Retain-Forget Entanglement

机器遗忘中的保留-遗忘纠缠

Jingpu Cheng, Ping Liu, Qianxiao Li, Chi Zhang

机构 * National University of Singapore（新加坡国立大学） ； University of Nevada Reno（内华达大学里诺分校） ； Institute for Functional Intelligent Materials（功能智能材料研究所） 纠错

AI总结 本文提出一种两阶段优化框架，解决保留与遗忘样本间的纠缠问题，通过增强遗忘集损失并保留无关样本准确性，结合梯度投影和Wasserstein-2距离正则化，提升遗忘任务的可靠性与准确性。

Comments ICLR 2026 camera-ready

Environment Maps: Structured Environmental Representations for Long-Horizon Agents

环境地图：面向长周期智能体的结构化环境表示

Yenchia Feng, Chirag Sharma, Karime Maamari

机构 * Distyl AI 纠错

AI总结 本文提出环境地图，通过整合异构证据构建结构化图表示，提升长周期任务的鲁棒性。在WebArena基准上，环境地图使智能体成功率提升至28.2%，优于基线方法。

Comments 9 pages, 5 figures, accepted to ICLR 2026 the 2nd Workshop on World Models; updated formatting issue

AgentTrace: Causal Graph Tracing for Root Cause Analysis in Deployed Multi-Agent Systems

AgentTrace: 多智能体系统部署中的因果图追踪用于根本原因分析

Zhaohui Geoffrey Wang

机构 * USC Viterbi School of Engineering（南加州大学维特比工程学院） 纠错

AI总结 AgentTrace通过构建因果图追踪多智能体系统部署中的根本原因，实现高精度和低延迟的故障诊断，优于启发式和LLM基线方法。

Comments 11 pages, 1 figure, 19 tables. Published at ICLR 2026 Workshop on Agents in the Wild. Camera-ready version with revised layout and framework overview figure

Dual-objective Language Models: Training Efficiency Without Overfitting

双目标语言模型：无需过拟合的训练效率

David Samuel, Lucas Georges Gabriel Charpentier

机构 * University of Oslo（奥斯陆大学） ； National Library of Norway（挪威国家图书馆） 纠错

AI总结 本文结合自回归和掩码扩散训练目标，提出灵活的语言模型，优于单一目标模型。通过训练50个模型，证明双目标训练在效率与抗过拟合间取得最佳平衡。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

Fluent Alignment with Disfluent Judges: Post-training for Lower-resource Languages

流畅对齐与不流畅评判：低资源语言的后训练方法

David Samuel, Lilja Øvrelid, Erik Velldal, Andrey Kutuzov

机构 * Language Technology Group, University of Oslo（奥斯陆大学语言技术组） 纠错

AI总结 本文提出一种低资源语言的后训练方法，通过不流畅评判模型保持语言模型的流畅性，通过挪威语案例研究验证了基于策略的训练方法在无需额外数据时的有效性。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

IVEBench: Modern Benchmark Suite for Instruction-Guided Video Editing Assessment

IVEBench：现代指令引导视频编辑评估基准套件

Yinan Chen, Jiangning Zhang, Teng Hu, Yuxiang Zeng, Zhucun Xue, Qingdong He, Chengjie Wang, Yong Liu, Xiaobin Hu, Shuicheng Yan

机构 * Zhejiang University（浙江大学） ； Tencent Youtu Lab（腾讯优图实验室） ； Shanghai Jiao Tong University（上海交通大学） ； University of Auckland（奥克兰大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 IVEBench通过引入多样化的视频数据库和多维评估协议，解决现有视频编辑基准在评估指令引导视频编辑方面的不足，提供全面的人类对齐评估结果。

Comments Accepted by ICLR 2026. Equal contributions from first two authors. Project page: https://ryanchenyn.github.io/projects/IVEBench Code: https://github.com/RyanChenYN/IVEBench Dataset: https://huggingface.co/datasets/Coraxor/IVEBench

A.I.R.: Enabling Adaptive, Iterative, and Reasoning-based Frame Selection For Video Question Answering

A.I.R.: 为视频问答实现适应性、迭代性和基于推理的帧选择

Yuanhao Zou, Shengji Jin, Andong Deng, Youpeng Zhao, Jun Wang, Chen Chen

机构 * University of Central Florida（中佛罗里达大学） ； Weill Cornell Medicine（威尔康奈尔医学院） 纠错

AI总结 本文提出A.I.R方法，通过深度语义分析和高效迭代循环提升视频问答的帧选择效果，实验表明其在性能和计算效率上均优于现有方法。

Comments ICLR 2026 Paper

MemoryCD: Benchmarking Long-Context User Memory of LLM Agents for Lifelong Cross-Domain Personalization

MemoryCD：LLM代理跨领域终身个性化长期上下文用户记忆基准测试

Weizhi Zhang, Xiaokai Wei, Wei-Chieh Huang, Zheng Hui, Chen Wang, Michelle Gong, Philip S. Yu

机构 * Roblox ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Cambridge（剑桥大学） 纠错

AI总结 MemoryCD通过12个多样化领域和4种个性化任务，评估14种先进LLM基模型与6种记忆方法在单域和跨域场景下的长期上下文用户记忆能力，揭示现有方法在跨领域终身个性化中的不足。

Comments Published as a workshop paper in Lifelong Agent @ ICLR 2026

A Neural Score-Based Particle Method for the Vlasov-Maxwell-Landau System

基于神经网络的分数粒子方法用于Vlasov-Maxwell-Landau系统

Vasily Ilin, Jingwei Hu

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文提出一种基于神经网络的分数粒子方法，用于解决Vlasov-Maxwell-Landau系统中的碰撞问题，通过隐式分数匹配训练神经网络，提高了计算效率和准确性。

Comments presented at ICLR AI&PDE workshop

From Pixels to Patches: Pooling Strategies for Earth Embeddings

从像素到拼接：地球嵌入的池化策略

Isaac Corley, Caleb Robinson, Inbal Becker-Reshef, Juan M. Lavista Ferres

机构 * Wherobots ； Microsoft AI for Good Research Lab（微软人工智能造福研究实验室） 纠错

AI总结 研究提出三种池化策略以提升地理嵌入的泛化能力，通过基准测试发现统计池化和协方差池化在空间分割任务中表现更优，比均值池化提升50%以上。

Comments ICLR 2026 ML4RS Workshop