ICLR

Chebyshev-Augmented One-Shot Transfer Learning for PINNs on Nonlinear Differential Equations

Chebyshev增强的一次式迁移学习用于非线性微分方程的PINN

Yiqi Rao, Pavlos Protopapas

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出结合Chebyshev多项式近似与一次式迁移学习，扩展了可应用于一次式PINN迁移的非线性函数类别，通过多项式非线性分解实现快速在线适应。

Comments 18 pages, 4 figures, 9 tables, accepted to ICLR 2026 Workshop on Artificial Intelligence and Partial Differential Equations

Multimodal Data Curation Through Ranked Retrieval

通过排序检索进行多模态数据整理

Pratyush Muthukumar, Harshil Kotamreddy, Sarah Amiraslani, Tomo Kanazawa, Ramani Akkati, Shaan Jain, Andrew Mathau

机构 * NVIDIA 纠错

AI总结 本文提出通过优化训练对和嵌入模型来提升多模态检索对齐，利用对称核子采样和专家嵌入引擎减少模态驱动的分离，有效缩小模态差距。

Comments ICLR DATA-FM 2026

CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation

CellxPert：一种多组学单细胞基础模型的推理时间MCMC引导方法用于计算机模拟扰动

Andac Demir, Erik W. Anderson, Jeremy L. Jenkins, Srayanta Mukherjee

机构 * Novartis Biomedical Research（诺华生物医学研究） 纠错

AI总结 CellxPert通过整合多组学数据，实现了对单细胞和空间多组学的统一表示，支持细胞类型注释、扰动响应预测和多组学整合，采用MCMC方法提升生物可解释性。

Journal ref ICLR Machine Learning for Genomics Explorations Workshop 2026

When Less Is More: Simplicity Beats Complexity for Physics-Constrained InSAR Phase Unwrapping

少即是多：为物理约束的InSAR相位解包裹，简单胜于复杂

Prabhjot Singh, Manmeet Singh

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； RediMinds Inc.（RediMinds公司） ； Western Kentucky University（韦伯斯特-肯特大学） 纠错

AI总结 本文挑战高复杂度计算机视觉架构在物理约束地物回归中的适用性，证明卷积局部性在平滑场回归中优于现代复杂度，提出简单物理约束的ML4RS方法。

Comments 9 pages, 5 figures, 2 tables. Oral presentation, ML4RS Workshop @ ICLR 2026

MambaSL: Exploring Single-Layer Mamba for Time Series Classification

MambaSL：探索单层Mamba用于时间序列分类

Yoo-Min Jung, Leekyung Kim

机构 * Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系） 纠错

AI总结 本文提出MambaSL，通过最小化修改单层Mamba的选择性SSM和投影层，基于四个时间序列分类特定假设，改进了Mamba在时间序列分类中的表现，并在统一协议下重新评估了20个基线模型，取得显著提升。

Comments accepted at ICLR 2026

Nearly-Optimal Bandit Learning in Stackelberg Games with Side Information

在有侧信息的Stackelberg博弈中近最优的探索学习

Maria-Florina Balcan, Martino Bernasconi, Matteo Castiglioni, Andrea Celli, Keegan Harris, Zhiwei Steven Wu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bocconi University（博科尼大学） ； Politecnico di Milano（米兰理工学院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了在有侧信息的Stackelberg博弈中在线学习问题，提出算法在Bandit反馈下达到O(T^{1/2})的 regret，优于之前的O(T^{2/3})。方法通过将问题转化为效用空间的线性上下文带宽问题，扩展到未知效用函数和拍卖、贝叶斯说服等场景。

Comments Accepted to ICLR 2026