ICLR

Event Embedding of Protein Networks : Compositional Learning of Biological Function

蛋白质网络的事件嵌入：生物功能的组合学习

Antonin Sulc

机构 * Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室） 纠错

AI总结 本文研究了在蛋白质-蛋白质相互作用网络中强制严格组合结构是否能产生有意义的几何组织。通过Event2Vec模型训练64维表示，并与基于Word2Vec的DeepWalk基线进行比较，发现组合结构显著提升了路径连贯性、功能类比准确性及层次路径组织。

Comments Machine Learning for Genomics Explorations (MLGenX) ICLR 2026 Workshop

Sparkle: A Robust and Versatile Representation for Point Cloud based Human Motion Capture

Sparkle：一种稳健且多功能的点云基于人体动作捕捉表示

Yiming Ren, Yujing Sun, Aoru Xue, Kwok-Yan Lam, Yuexin Ma

机构 * ShanghaiTech University（上海科技大学） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） 纠错

AI总结 本文提出Sparkle，一种结合骨骼关节和表面锚点的结构化表示，通过层次模块学习几何连续性和运动学约束，实现高精度、鲁棒性和泛化能力。

Comments Accepted at ICLR 2026

CASCADE: Cascaded Scoped Communication for Multi-Agent Re-planning in Disrupted Industrial Environments

CASCADE：多智能体重新规划中的级联作用域通信

Mingjie Bi

AI总结 本文提出CASCADE机制，通过显式作用域控制实现多智能体在受扰工业环境中的重新规划，解决通信预算和延迟约束下的协调问题，提升鲁棒性。

Comments Published at ICLR 2026 Workshop on AI for Mechanism Design and Strategic Decision Making

Children's Intelligence Tests Pose Challenges for MLLMs? KidGym: A 2D Grid-Based Reasoning Benchmark for MLLMs

儿童智力测试对大语言模型构成挑战？KidGym：一种基于二维网格的推理基准测试用于大语言模型

Hengwei Ye, Yuanting Guan, Yuxuan Ge, Tianying Zhu, Zhenhan Guan, Yijia Zhong, Yijing Zhang, Han Zhang, Yingna Wu, Zheng Tian

机构 * ShanghaiTech University（上海科技大学） 纠错

AI总结 本文提出KidGym，一种基于二维网格的推理基准测试，用于评估大语言模型的执行、感知推理、学习、记忆和规划能力，通过12个独特任务测试模型适应性和发展潜力，揭示当前模型的局限性。

Comments Accepted at ICLR 2026

Spatial Reasoning is Not a Free Lunch: A Controlled Study on LLaVA

空间推理并非免费午餐：对LLaVA的受控研究

Nahid Alam, Leema Krishna Murali, Siddhant Bharadwaj, Patrick Liu, Timothy Chung, Drishti Sharma, Akshata A., Kranthi Kiran, Wesley Tam, Bala Krishna S Vegesna

机构 * Cohere Labs Community（Cohere Labs社区） ； Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国学院） ； Eisai Inc.（卫材公司） ； EleutherAI ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文通过LLaVA框架探讨了空间推理能力不足的原因，发现图像编码器设计和位置编码结构对空间理解有显著影响，但无法完全解决空间推理问题。

Comments Accepted as a poster at ICLR 2026 workshop ICBINB, typo fixed

When Agents Persuade: Rhetoric Generation and Mitigation in LLMs

当代理体说服：大语言模型中的修辞生成与缓解

Julia Jose, Ritik Roongta, Rachel Greenstadt

机构 * New York University（纽约大学） 纠错

AI总结 研究探讨大语言模型在被提示生成宣传内容时的表现，通过专门模型分析其修辞手法，并发现通过监督微调等方法可有效减少此类内容生成。

Comments Accepted to the ICLR 2026 Workshop on Agents in the Wild (AgentWild). 20 pages including appendix, 3 figures

FIRE: Frobenius-Isometry Reinitialization for Balancing the Stability-Plasticity Tradeoff

FIRE：弗罗贝尼乌斯-等距重初始化以平衡稳定性-可塑性权衡

Isaac Han, Sangyeon Park, Seungwon Oh, Donghu Kim, Hojoon Lee, Kyung-Joong Kim

机构 * Gwangju Institute of Science and Technology (GIST)（光州科学技术院） ； Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Holiday Robotics 纠错

AI总结 FIRE通过量化稳定性与可塑性，平衡神经网络在非平稳数据训练中的稳定性与可塑性权衡，优于传统重初始化方法。

Comments ICLR'26 (oral)

Distilling the Thought, Watermarking the Answer: A Principle Semantic Guided Watermark for Large Reasoning Models

提炼思维，标注答案：一种基于原则语义的水印方法用于大型推理模型

Shuliang Liu, Xingyu Li, Hongyi Liu, Dong Fang, Yibo Yan, Bingchen Duan, Qi Zheng, Lingfeng Su, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； LIGHTSPEED（光速） 纠错

AI总结 本文提出ReasonMark，一种专为推理密集型LLM设计的水印框架，通过分离生成过程为无干扰的思维阶段和水印标注的答案阶段，利用关键性评分提取语义关键标记，提升水印鲁棒性与推理质量。

Comments 31 pages, Published in ICLR 2026

CLoD-GS: Continuous Level-of-Detail via 3D Gaussian Splatting

CLoD-GS：通过3D高斯散射实现连续细节层次

Zhigang Cheng, Mingchao Sun, Yu Liu, Zengye Ge, Luyang Tang, Mu Xu, Yangyan Li, Peng Pan

机构 * Tsinghua University（清华大学） ； AMAP（高德地图） 纠错

AI总结 本文提出CLoD-GS框架，利用3D高斯散射技术实现连续细节层次，通过动态调整高斯体透明度，实现单模型的平滑细节渐变，减少存储开销和视觉瑕疵。

Comments Accepted by ICLR 2026 poster

Adaptive Data-Knowledge Alignment in Genetic Perturbation Prediction

适应性数据-知识对齐在基因扰动预测中的应用

Yuanfang Xiang, Lun Ai

机构 * Nanjing University（南京大学） ； EMBL-EBI（欧洲生物信息学研究所） 纠错

AI总结 本文提出ALIGNED框架，通过整合数据驱动学习与现有知识，解决基因扰动预测中数据与知识不一致的问题，提升预测一致性与生物知识重构能力。

Comments Accepted at ICLR 2026

MOLM: Mixture of LoRA Markers

MOLM：LoRA标记的混合

Samar Fares, Nurbek Tastan, Noor Hussein, Karthik Nandakumar

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； Michigan State University (MSU)（密歇根州立大学） 纠错

AI总结 本文提出MOLM，一种基于路由的LoRA标记方法，通过轻量级LoRA适配器在残差和注意力块中实现参数扰动，提升水印的鲁棒性和隐蔽性。

Comments ICLR 2026

HARP: Hallucination Detection via Reasoning Subspace Projection

通过推理子空间投影进行幻觉检测：HARP

Junjie Hu, Gang Tu, ShengYu Cheng, Jinxin Li, Jinting Wang, Rui Chen, Zhilong Zhou, Dongbo Shan

AI总结 HARP通过推理子空间投影方法检测大语言模型中的幻觉，通过分解隐藏状态空间并应用SVD提升鲁棒性，实验显示在TriviaQA上达到92.8%的AUROC。

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

HUMOF: Human Motion Forecasting in Interactive Social Scenes

HUMOF：交互社交场景中的人体运动预测

Caiyi Sun, Yujing Sun, Xiao Han, Zemin Yang, Jiawei Liu, Xinge Zhu, Siu Ming Yiu, Yuexin Ma

机构 * ShanghaiTech University（上海科技大学） ； The University of Hong Kong（香港大学） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 本文提出HUMOF方法，通过层次化交互特征表示和粗到细交互推理模块，提升复杂场景中人体运动预测的准确性，实现在四个公开数据集上的最佳性能。

Comments Accepted by ICLR 2026

MambaVoiceCloning: Efficient and Expressive Text-to-Speech via State-Space Modeling and Diffusion Control

MambaVoiceCloning：通过状态空间建模和扩散控制实现高效的表达性文本到语音

Sahil Kumar, Namrataben Patel, Honggang Wang, Youshan Zhang

机构 * Yeshiva University（叶史瓦大学） ； Chuzhou University（滁州学院） 纠错

AI总结 MambaVoiceCloning通过状态空间建模和扩散控制，在推理过程中完全使用状态空间模型，去除所有注意力和显式RNN结构，提升质量和稳定性。

Comments Accepted at ICLR 2026

QUEST: A robust attention formulation using query-modulated spherical attention

QUEST: 一种使用查询调节球面注意力的鲁棒注意力方法

Hariprasath Govindarajan, Per Sidén, Jacob Roll, Fredrik Lindsten

机构 * Linköping University（林雪平大学） ； Qualcomm Auto Ltd Sweden Filial（高通汽车瑞典分公司） 纠错

AI总结 本文提出QUEST，通过将键约束在超球面潜在空间中，提升注意力机制的稳定性与鲁棒性，适用于视觉及其他领域，实现训练稳定性和性能提升。

Comments Accepted to ICLR 2026

Can LLMs Perceive Time? An Empirical Investigation

大语言模型能感知时间吗？一项实证研究

Aniketh Garikaparthi

机构 * TCS Research（塔塔咨询服务公司研究院） 纠错

AI总结 研究探讨大语言模型在时间估计上的局限性，通过68项任务和四类模型进行实验，发现模型在预任务估计、相对排序和事后回忆中均存在显著误差，表明模型缺乏对自身推理时间的体验性认知。

Comments ICLR 2026 I Can't Believe It's Not Better Workshop

Experiential Reflective Learning for Self-Improving LLM Agents

经验反思学习用于自我改进的LLM代理

Marc-Antoine Allard, Arnaud Teinturier, Victor Xing, Gautier Viaud

机构 * Illuin Technology 纠错

AI总结 本文提出经验反思学习框架，通过反思任务轨迹生成可迁移的启发式方法，提升LLM代理在Gaia2基准上的任务完成可靠性与成功率。

Comments Published as a conference paper at the ICLR 2026 MemAgents Workshop

LocationReasoner: Evaluating LLMs on Real-World Site Selection Reasoning

LocationReasoner: 评估大语言模型在真实世界选址推理中的能力

Miho Koda, Yu Zheng, Ruixian Ma, Mingyang Sun, Devesh Pansare, Fabio Duarte, Paolo Santi

AI总结 本文提出LocationReasoner基准测试，评估大语言模型在复杂现实选址场景中的推理能力，发现先进模型在实际应用中表现有限，且代理策略常因过度推理而效果不佳。

Comments ICLR 2026 Workshop on Efficient Spatial Reasoning