期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
神经网络与分区聚合集成对抗标签毒化攻击的精确认证
机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所）
AI总结 本文提出EnsembleCert框架，通过白盒知识提升分区聚合集成的认证鲁棒性，ScaLabelCert方法利用神经切线核实现神经网络对标签毒化攻击的精确认证，实验显示其在CIFAR-10上认证效果优于现有黑盒方法。
Comments Workshop on Principled Design for Trustworthy AI @ ICLR 2026
AtlasKV：在20GB VRAM中通过十亿级知识图谱增强大语言模型
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Theory Lab, Huawei（华为理论实验室）
AI总结 本文提出AtlasKV，一种通过十亿级知识图谱增强大语言模型的方法，利用子线性时间与内存复杂度实现高效知识整合，无需外部检索模块或长上下文先验。
Comments ICLR 2026
SimBench：大型语言模型模拟人类行为能力的基准测试
机构 * University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； Bocconi University（博科尼大学） ； University of Oxford（牛津大学）
AI总结 SimBench通过统一20个多样化的数据集，评估大型语言模型模拟人类行为的 fidelity，发现模型性能与模型大小呈对数线性关系，但与计算资源无关，且存在指令微调与模拟准确性之间的权衡。
Comments Accepted at ICLR 2026. Project Website: http://simbench.tiancheng.hu/ Data: https://huggingface.co/datasets/pitehu/SimBench
EEPO：通过采样后遗忘的探索增强策略优化
机构 * The Chinese University of Hong Kong（香港中文大学） ； Microsoft Research Asia（微软亚洲研究院） ； Hong Kong Baptist University（香港浸会大学） ； LMU Munich（慕尼黑大学） ； MoE Key Laboratory of High Confidence Software Technologies（教育部高可信软件技术重点实验室）
AI总结 EEPO通过两阶段 rollout 和自适应遗忘机制提升探索能力，在五个推理基准中超越 GRPO，取得显著性能提升。
Comments ICLR 2026
ChatInject: 利用聊天模板对LLM代理进行提示注入
机构 * Department of Artificial Intelligence, Chung-Ang University（中央大学人工智能系）
AI总结 研究提出ChatInject攻击，通过模拟聊天模板诱导LLM代理执行恶意指令，实验显示其攻击成功率显著高于传统方法，且现有防御措施对多轮对话变种效果有限。
Comments ICLR 2026
LingoLoop攻击：通过语言上下文和状态陷阱使大语言模型陷入无限循环
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Jiiov Technology（极奥科技）
AI总结 本文提出LingoLoop攻击，通过调整词性标注和隐藏状态限制，使多模态大语言模型生成冗长重复内容，导致资源耗尽和服务降级。
Comments Accepted to ICLR 2026. Code is available at: https://github.com/fuhaha824/LingoLoop-Attack
穿透欺骗：在多模态新闻中揭示误导性创作者意图
机构 * National University of Singapore（新加坡国立大学） ； Yunnan University（云南大学）
AI总结 本文提出DeceptionDecoded基准数据集，通过意图引导模拟框架生成12000组图像-描述对，旨在揭示多模态虚假信息中的误导性意图，评估14种最新视觉-语言模型，发现其在意图推理上存在不足，提出系统合成数据以提升模型意图理解能力。
Comments ICLR 2026
通过模块切换防御后门攻击
机构 * Macquarie University（麦考瑞大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University College London（伦敦大学学院）
AI总结 本文提出模块切换防御方法，通过验证理论依据和实验效果，展示其在减少后门攻击有效性方面优于现有方法，适用于深层网络和多种架构，实验表明其在较少模型情况下具有更强的防御能力。
Comments Accepted to ICLR 2026
图变换器的对抗鲁棒性
机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 研究图变换器在结构扰动下的对抗鲁棒性，设计了首个自适应攻击方法，评估了多种任务和扰动模型，发现图变换器在许多情况下存在严重脆弱性。
Comments TMLR 2025 (J2C-Certification: Presented @ ICLR 2026). A preliminary version appeared at the Differentiable Almost Everything Workshop at ICML 2024. Code available at https://github.com/isefos/gt_robustness
全景成对失真图
机构 * Huawei Technologies（华为技术有限公司）
AI总结 本文提出全景成对失真图任务，通过区域结构化组成图像对，改进现有方法对整体图像分析的局限性，构建PandaSet数据集、PandaBench基准和Panda架构，揭示多模态大语言模型在区域级失真理解上的不足。
Comments Accepted to ICLR 2026
通过遗忘集无关的去学习来缓解隐私风险
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文提出部分盲去学习方法Reload，通过梯度优化和结构化权重稀疏化有效去除训练数据影响，实验证明其在去学习效率和隐私保护方面优于传统方法。
Comments 50 pages, 20 figures, Published at The Fourteenth International Conference on Learning Representations
Journal ref Proceedings of The Fourteenth International Conference on Learning Representations (ICLR), 2026
WaveMoE: 一种用于时间序列预测的小波增强混合专家基础模型
机构 * Sun Yat-sen University（中山大学） ； Xiaomi Corporation（小米集团） ； National University of Singapore（新加坡国立大学）
AI总结 WaveMoE通过整合小波域表示提升时间序列预测能力，采用双路径架构和共享专家路由机制，实验表明其在16个基准数据集上具有提升预测性能的潜力。
Comments Presented at ICLR 2026 TSALM Workshop (1st Workshop on Time Series in the Age of Large Models)
PepBenchmark：肽机器学习的标准基准
机构 * Zhongguancun Academy（中关村学院） ； University of Science and Technology of China（中国科学技术大学） ； Nankai University（南开大学） ； Tianjin University（天津大学）
AI总结 本文提出PepBenchmark，为肽药物发现提供标准化基准，包含统一的数据集、预处理流程和评估协议，涵盖四种主要方法家族，推动肽机器学习方法的发展。
Journal ref ICLR 2026
打乱数据，扩大步长：在固定步长SGD中更精确的偏倚
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Archimedes Research Unit（阿基米德研究单位）
AI总结 本文研究了在有限和最小-最大优化问题中，通过随机重洗数据和Richardson-Romberg外推的组合，提升固定步长SGD的收敛性，提供理论保证和实验验证。
Comments Accepted in ICLR 2026 Conference
对齐的智能体，偏见的蜂群：测量多智能体系统中的偏见放大
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 研究通过实验分析多智能体系统拓扑结构和反馈循环对偏见的影响，发现结构复杂性并不保证伦理鲁棒性，指出系统复杂性可能加剧偏见。
Comments Accepted by ICLR 2026
STDDN：一种基于物理的深度学习框架用于人群模拟
机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； School of Software, Beihang University（北京航空航天大学软件学院） ； Beijing Digital Native Digital City Research Center（北京数字原生数字城市研究中心）
AI总结 本文提出STDDN框架，通过引入流体动力学的连续方程，结合神经普通微分方程和动态图学习模块，改进人群模拟的物理约束与效率，实现更稳定和高效的模拟性能。
Journal ref International Conference on Learning Representations (ICLR), 2026
诊断LLM代理记忆中的检索与利用瓶颈
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of North Carolina（北卡罗来纳大学）
AI总结 本文通过3x3实验分析写入策略、检索方法和记忆利用行为对性能的影响，发现检索方法是主要瓶颈，且原始分块存储在无需LLM调用时表现优异。
Comments Accepted at the MemAgents Workshop, ICLR 2026
小规模训练能否可靠地指导数据整理？重新审视代理模型实践
机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Virginia Tech（弗吉尼亚理工大学）
AI总结 本文探讨了小规模代理模型训练在数据整理中的可靠性问题，指出固定配置协议与全规模模型开发流程的差异，并提出通过降低学习率提升小规模实验的可靠性。
Comments ICLR 2026
FlowBind: 任意到任意生成的高效方法
机构 * KAIST（韩国科学技术院）
AI总结 本文提出FlowBind框架，通过共享潜在空间和双向流实现高效任意模态生成，减少数据和计算成本，实验显示生成质量与传统方法相当。
Comments ICLR 2026
BézierFlow：学习Bézier随机插值调度器用于少步生成
机构 * KAIST（韩国科学技术院）
AI总结 BézierFlow通过学习Bézier随机插值调度器，实现少步生成的性能提升，采用轻量训练方法，在10次NFE内提升2-3倍性能，且训练时间仅需15分钟。
Comments ICLR 2026, Project page: https://bezierflow.github.io
图生成的离散贝叶斯采样推断
机构 * School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Listen Labs
AI总结 本文提出GraphBSI，一种基于贝叶斯采样推断的图生成模型，通过在分布参数连续空间中迭代优化信念，有效处理离散结构，并在分子和合成图生成中取得最佳性能。
Journal ref ICLR 2026
近端监督微调
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Large Language Model Department, Tencent（腾讯大语言模型部） ； University of Macau（澳门大学）
AI总结 本文提出近端监督微调（PSFT），通过引入信任区域方法约束策略漂移，提升模型在新领域中的泛化能力，实验显示其在跨领域泛化和长期稳定性方面优于传统监督微调。
Comments ICLR 2026
认知推理的混合：类脑的专业化模块推理
机构 * EPFL（瑞士联邦理工学院洛桑） ； Brain and Cognitive Sciences at MIT（麻省理工学院脑与认知科学系） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所）
AI总结 本文提出MiCRo模型，通过类脑专业化模块实现认知行为，提供可解释的推理模块，支持动态路由并优于基线模型。
Comments ICLR 2026. Project Page at https://cognitive-reasoners.epfl.ch
GoT-R1：通过强化学习提升MLLM的视觉生成推理能力
机构 * HKU MMLAB（香港大学多媒体实验室） ； CUHK MMLAB（香港中文大学多媒体实验室） ； Sensetime（商汤科技） ； Beihang University（北京航空航天大学） ； SUAT（上海人工智能实验室）
AI总结 GoT-R1通过强化学习提升视觉生成中的语义-空间推理能力，改进了复杂提示下的图像生成效果，实验表明在T2I-CompBench基准上表现优异。
Comments Github page refer to: https://github.com/gogoduan/GoT-R1. Published as a conference paper at ICLR 2026
学习颜色等变表示
机构 * Princeton University（普林斯顿大学） ； University of Oxford（牛津大学）
AI总结 本文提出颜色等变图卷积神经网络，解决颜色变化下的等变问题，通过提升等变性并扩展到饱和度和亮度变化，提升模型泛化能力和样本效率。
Comments Accept to The 13th International Conference on Learning Representations (ICLR 2025)
AI组织在效果上更优但对齐程度更低
机构 * Anthropic ； Constellation Institute（星座研究所） ； MATS Program（MATS项目）
AI总结 研究显示，AI组织在实现业务目标上更有效，但对齐程度低于单一AI代理，通过两个实际场景验证了这一结论，强调了在能力与安全研究中考虑AI代理交互系统的重要性。
Comments ICLR Workshop Version
关系探测：面向金融预测的语言模型到图适应
机构 * University College Dublin（都柏林大学） ； Massive Dublin
AI总结 本文提出关系探测方法，通过将语言模型头部替换为关系头部，直接从隐藏状态生成关系图，并与下游任务联合训练，提升金融预测性能。
Comments Accpeted by The 2nd Workskop on Advances in Financial AI Workshop: Towards Agentic and Responsible Systems at ICLR 2026
基于信用的ICPC风格编码：当代理必须为每个决定付费
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文提出USACOArena，通过引入严格的信用经济机制，使代理在决策时考虑成本，解决资源受限下的高效编码问题。
Comments Accepted by ICLR 2026
学习层次化和几何感知的图表示以实现文本到CAD
机构 * South China University of Technology（华南理工大学） ； Zhuzhou CRRC Times Electric Co., Ltd.（株洲中车时代电气股份有限公司） ； Guangdong University of Technology（广东工业大学）
AI总结 本文提出层次化和几何感知的图表示，通过结构预测和约束建模提升CAD代码生成的几何精度和约束满足能力，同时引入渐进课程学习策略和12K数据集进行实验验证。
Comments Accepted by ICLR 2026
大语言模型的新混合微调范式：算法设计与收敛分析框架
机构 * University of Maryland（马里兰大学） ； University of Texas Arlington（德克萨斯大学阿灵顿分校）
AI总结 本文提出一种混合微调方法，结合零阶和一阶优化方法更新LLM和PEFT模块，通过混合平滑条件理论分析其收敛性，并在多种下游任务中验证了有效性。
Comments Accepted by ICLR 2026
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