ICLR

Structured Abductive-Deductive-Inductive Reasoning for LLMs via Algebraic Invariants

通过代数不变量实现LLMs的结构归纳-演绎-演绎推理

Sankalp Gilda, Shlok Gilda

机构 * DeepThought Solutions（深思科技） ； Department of Computer Science University of Florida（佛罗里达大学计算机科学系） 纠错

AI总结 本文提出通过代数不变量实现LLMs的结构归纳-演绎-演绎推理框架，通过五种代数不变量确保推理链中结论的可靠性，防止逻辑不一致的累积。

Comments 10 pages + 3 pages references. Accepted as a poster at the ICLR 2026 Workshop for LLM Reasoning

Majority Voting for Code Generation

代码生成中的多数投票

Tim Launer, Jonas Hübotter, Marco Bagatella, Ido Hakimi, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出基于功能共识的多数投票方法，通过测试输入的运行时执行签名选择最优解，提升代码生成性能，并应用于无标签的测试时强化学习。

Comments ICLR 2026 Test-Time Updates (TTU) Workshop

ProtoTTA: Prototype-Guided Test-Time Adaptation

ProtoTTA：基于原型的测试时间适应

Mohammad Mahdi Abootorabi, Parvin Mousavi, Purang Abolmaesumi, Evan Shelhamer

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Queen’s University（女王大学） ； Vector Institute（向量研究所） 纠错

AI总结 ProtoTTA通过利用中间原型信号提升模型在分布偏移下的鲁棒性，同时恢复原型激活的语义聚焦，改进了标准输出熵最小化方法。

Comments ICLR 2026 Test-Time Updates (TTU) Workshop

Evaluating LLM Simulators as Differentially Private Data Generators

评估LLM模拟器作为差分隐私数据生成器

Nassima M. Bouzid, Dehao Yuan, Nam H. Nguyen, Mayana Pereira

机构 * Capital One 纠错

AI总结 研究评估LLM模拟器在生成复杂合成数据中的有效性，发现其在欺诈检测中表现良好但存在分布偏移问题，需解决系统性偏差以提升应用潜力。

Comments Submitted to ICLR 2026. 6 pages + appendix

Mamba-SSM with LLM Reasoning for Feature Selection: Faithfulness-Aware Biomarker Discovery

Mamba-SSM结合LLM推理进行特征选择：面向生物标志物发现的可信度意识方法

Pushpa Kumar Balan, Aijing Feng

机构 * Department of Computer Science and Cybersecurity（计算机科学与网络安全系） 纠错

AI总结 本文研究LLM推理在过滤特征选择中的作用，通过Mamba-SSM提取基因并结合CoT提升预测性能，发现特征筛选能提高AUC并验证部分已知生物标志物。

Comments 9 pages, 4 figures. Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models

Training Flow Matching: The Role of Weighting and Parameterization

训练流匹配：加权与参数化的作用

Anne Gagneux, Ségolène Martin, Rémi Gribonval, Mathurin Massias

机构 * ENS de Lyon, CNRS, Université Claude Bernard Lyon 1, Inria, LIP, UMR 5668, France（里昂大学ENS、法国国家科学研究中心CNRS、里昂大学Claude Bernard Lyon 1、法国国家信息与自动化技术研究所Inria、里昂理工学院LIP、法国大学机构UMR 5668） 纠错

AI总结 本文研究去噪生成模型的训练目标，重点分析损失加权和输出参数化对数据流的影响，通过实验探讨不同因素对去噪精度和生成质量的影响。

Comments Published as a paper at the 2nd DeLTa Workshop, ICLR 2026

On Optimal Hyperparameters for Differentially Private Deep Transfer Learning

关于差分隐私深度迁移学习中的最优超参数

Aki Rehn, Linzh Zhao, Mikko A. Heikkilä, Antti Honkela

机构 * Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系） 纠错

AI总结 本文研究差分隐私迁移学习中剪裁界C和批量大小B的最优选择，揭示理论与实证结果的不匹配，并分析累积差分隐私噪声对批量大小的影响。

Comments ICLR 2026

EvoTest: Evolutionary Test-Time Learning for Self-Improving Agentic Systems

EvoTest: 为自改进智能体系统设计的进化测试时学习

Yufei He, Juncheng Liu, Yue Liu, Yibo Li, Tri Cao, Zhiyuan Hu, Xinxing Xu, Bryan Hooi

机构 * National University of Singapore（国立新加坡大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出EvoTest框架，通过进化方法在无需微调或梯度的情况下提升智能体性能，在J-TTL基准中超越传统方法，能赢得两局游戏。

Comments ICLR 2026