期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
TS-Attn：多事件视频生成的时序可分离注意力
机构 * Peking University（北京大学） ； Shenzhen Graduate School（深圳研究生院） ； Zhejiang University（浙江大学） ； Nankai University（南开大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanjing University（南京大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本文提出TS-Attn机制，解决多事件视频生成中时序不一致与注意力冲突问题，提升生成质量，实验表明在两个数据集上效果显著。
Comments ICLR 2026, code available at: https://github.com/Hong-yu-Zhang/TS-Attn
大语言模型是否在形式化中作弊？评估逻辑推理中的忠实性
机构 * EPFL（苏黎世联邦理工学院）
AI总结 本文评估了大语言模型在逻辑推理中的忠实性，发现统一生成方法在形式化过程中未表现出系统性作弊行为，但两种阶段流程揭示了两种不同的不忠实性模式。
Comments 25 pages, 4 figures, 22 tables. Published at the VerifAI-2 Workshop, ICLR 2026 (non-archival). Code and data: https://github.com/koreankiwi99/formalization-gaming
将自监督表示适配为潜在空间以实现高效生成
机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Apple（苹果公司）
AI总结 本文提出RepTok框架，通过自监督视觉Transformer生成单连续潜在token实现图像生成，通过微调语义token嵌入和生成解码器，提升重建精度并减少训练成本。
Comments ICLR 2026, Code: https://github.com/CompVis/RepTok
TimeOmni-1：通过时间序列激励大型语言模型的复杂推理
机构 * Griffith University（格里菲斯大学） ； Zhejiang University（浙江大学） ； NVIDIA（英伟达） ； Squirrel Ai Learning ； University of Palermo（帕尔米奥大学） ； Norwegian University of Science and Technology（挪威科学技术大学）
AI总结 本文提出TimeOmni-1，首个统一推理模型，通过时间序列推理解决多样化现实问题，提升因果发现和有效响应率。
Comments Accepted by the 14th International Conference on Learning Representations (ICLR 2026)
BoGrape: 图上贝叶斯优化的最短路径编码
AI总结 本文提出BoGrape，通过最短路径图核和混合整数规划方法，系统地将结构约束纳入贝叶斯优化，实现对未见图结构和节点属性的全局探索。
Comments 30 pages, 11 figures, 4 tables. Published as a conference paper at ICLR 2026
唤起语义相似性
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出基于生成模型可视化比较文本唤起的图像分布，通过杰弗里斯散度计算语义相似性，提升文本生成模型的可解释性与评估能力。
Comments ICLR 2026
拓扑神经网络的逻辑表达能力
机构 * Aalto University（阿alto大学） ； Federal Institute of Ceará（塞阿拉联邦理工学院） ； YaiYai Ltd（YaiYai公司）
AI总结 本文研究拓扑神经网络的逻辑表达能力，通过分析拓扑同构测试和引入拓扑计数逻辑，证明k-CCWL与TC_{k+2}及拓扑(k+2)-pebble游戏的等价性，确立了TNN的逻辑表达理论。
Comments 39 pages, Published at the 14th International Conference on Learning Representations (ICLR 2026)
Journal ref Proceedings of the 14th International Conference on Learning Representations (ICLR 2026)
从合成图先验学习后验预测分布用于节点分类
机构 * KAIST（韩国科学技术院）
AI总结 本文提出NodePFN，通过学习后验预测分布实现对任意图的通用节点分类，无需图特定训练，利用合成图先验生成多样化的图结构和特征-标签关系。
Comments Accepted to ICLR 2026. OpenReview: https://openreview.net/forum?id=FmxRzlu0rT
基于神经解释语言的梯度程序合成
机构 * AMLab, University of Amsterdam（阿姆斯特丹大学AMLab） ； Ndea ； Department of Computing Science, University of Alberta（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute (Amii), Edmonton, Canada（阿尔伯塔机器智能研究所（Amii），加拿大爱德蒙顿）
AI总结 本文提出神经语言解释器（NLI），通过端到端学习离散符号语言，结合梯度优化实现复杂程序合成，优于上下文学习和连续潜在程序网络。
Comments 26 pages, The International Conference on Learning Representations (ICLR)
验证何时有效？对LLM作为解决方案验证器的深入探讨
机构 * Agentic Learning AI Lab, New York University（代理学习人工智能实验室，纽约大学）
AI总结 研究探讨了在何种条件下验证有效，通过分析37个模型在9个基准测试中的表现，发现跨模型家族验证效果优于自验证，且验证收益随模型相似性增加而降低。
Comments Accepted at ICLR 2026 AI with Recursive Self-Improvement workshop
集成剪枝注意力头用于不确定性感知的高效变压器
机构 * U2IS, ENSTA, Institut Polytechnique de Paris（U2IS、ENSTA、巴黎理工学院） ； University of Trento（特伦托大学） ； NVIDIA ； University of Bergamo, Italy（意大利贝拉姆博大学） ； Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会） ； AMIAD, Pôle Recherche, Palaiseau（AMIAD、研究部、帕莱索）
AI总结 本文提出Hydra Ensembles，通过剪枝注意力头生成多样化成员并融合，实现高效变压器，在保持不确定性量化性能的同时，显著提升推理速度。
Comments ICLR 2026
PriorGuide: 基于先验适应的模拟推理测试阶段方法
机构 * Department of Computer Science, University of Helsinki, Finland（赫尔辛基大学计算机科学系，芬兰） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系）
AI总结 PriorGuide通过在测试阶段灵活调整训练好的扩散模型先验分布，提升模拟推理的适应性与实用性。
Comments Accepted at ICLR 2026. Camera-ready version. 38 pages, 8 figures
高效变换器概率模型的自回归推断
机构 * Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Department of Computer Science, University of Helsinki, Finland（芬兰赫尔辛基大学计算机科学系） ； Verda ； Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系）
AI总结 本文提出一种高效自回归缓冲机制，结合集基和自回归方法，实现多预测联合分布推断，提升采样和密度评估效率，实验显示性能接近全上下文重编码，速度和内存使用更优。
Comments Accepted at ICLR 2026. Camera-ready version. 39 pages, 20 figures
对齐之舞：联合训练代理以安全协作
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Johns Hopkins University（约翰·霍普金斯大学）
AI总结 本文提出WaltzRL框架，通过联合训练对话代理和反馈代理，解决LLM在安全与帮助性间的平衡问题，实验表明其有效降低不安全响应和过度拒绝率。
Comments ICLR 2026
超越线性探测：语言模型的动态安全监控
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） ； WhiteBox ； Martian
AI总结 本文提出Truncated Polynomial Classifiers (TPCs)，通过动态激活监控提升安全性能，实现灵活的成本控制，在有害提示分类中表现优异且更具可解释性。
Comments ICLR 2026; Minor revisions and clarifications
RepIt：通过概念特定拒绝向量引导语言模型
机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 RepIt通过隔离语言模型激活中的概念特定表示，揭示当前安全评估的漏洞，展示如何利用少量资源实现针对特定概念的拒绝抑制。
Comments ICLR 2026
BED-LLM：利用LLM和贝叶斯实验设计进行智能信息收集
机构 * University of Oxford（牛津大学） ； Apple（苹果公司） ； City University of Hong Kong（香港城市大学） ； University of Somewhere（某大学） ； Institute of Something（某研究所） ； Company Ltd（某有限公司）
AI总结 本文提出了一种基于贝叶斯实验设计框架的通用方法，通过迭代选择最大化信息增益的问题来提升LLM的信息收集能力，展示了BED-LLM在20 Questions游戏中优于传统提示方法的性能。
Comments Published at the International Conference on Learning Representations 2026
监视权重：无监督的细调大语言模型监控与控制
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出通过监控权重而非激活值来理解、监控和控制细调的大语言模型，能高精度检测细调引入的新行为，并在防回火攻击和模型去学习中表现出色。
Comments Published as a conference paper at ICLR 2026
高效且有效的多布尔架构大语言模型
机构 * Huawei Paris Research Center（华为巴黎研究中心）
AI总结 本文提出多布尔架构框架，通过布尔参数直接微调大语言模型，提升表示能力并降低复杂度，实验显示优于低比特量化和二值化方法。
Comments ICLR 2026 (Main Conference)
RESFL: 一种通过平衡隐私、公平性和效用来实现负责任的联邦学习的不确定性感知框架
机构 * Virginia Tech（弗吉尼亚理工大学） ； U.S. Army Research Laboratory（美国陆军研究实验室）
AI总结 RESFL框架通过结合对抗性隐私解耦和不确定性引导的公平性感知聚合，提升联邦学习中隐私与公平性的平衡，实验表明其在自动驾驶场景中提升了检测性能并降低了对抗攻击成功率。
Comments Accepted at ICLR 2026; camera-ready version
你指我学：用于处理医学影像分布偏移的交互分割模型在线适应
机构 * Department of Engineering Science（工程科学系）
AI总结 本文提出一种交互分割模型在线适应方法，通过增强对点击的响应和伪地面真实处理，提升模型在医学影像分布偏移下的适应能力。
Comments Accepted at 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