ICLR

INO-SGD: Addressing Utility Imbalance under Individualized Differential Privacy

INO-SGD：在个性化差分隐私下解决效用不平衡问题

Xiao Tian, Jue Fan, Rachael Hwee Ling Sim, Bryan Kian Hsiang Low

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局） 纠错

AI总结 本文提出INO-SGD算法，通过在每个批次中策略性降低权重，改善所有迭代中更隐私数据的性能，满足个性化差分隐私需求，解决现有方法无法兼顾隐私和效用的不足。

Comments Accepted to the 14th International Conference on Learning Representations (ICLR-26)

DiffAdapt: Difficulty-Adaptive Reasoning for Token-Efficient LLM Inference

DiffAdapt：面向令牌高效大语言模型推理的难度自适应推理

Xiang Liu, Xuming Hu, Xiaowen Chu, Eunsol Choi

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； New York University（纽约大学） 纠错

AI总结 本文提出DiffAdapt框架，通过分析推理轨迹中的熵分布，根据问题难度选择不同的推理策略，减少令牌使用量，提升推理效率。

Comments ICLR 26

Searching for Privacy Risks in LLM Agents via Simulation

通过模拟搜索LLM代理中的隐私风险

Yanzhe Zhang, Diyi Yang

机构 * Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出通过模拟搜索改进攻击与防御策略，发现攻击策略从直接请求演变为伪装和伪造同意等复杂手段，防御策略从规则约束升级为身份验证状态机，为隐私安全代理发展提供洞察。

Comments ICLR 2026

RNE: plug-and-play diffusion inference-time control and energy-based training

RNE: 可插拔的扩散推理时间控制与基于能量的训练

Jiajun He, José Miguel Hernández-Lobato, Yuanqi Du, Francisco Vargas

机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics 纠错

AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。

Comments Accepted at ICLR 2026

Steered LLM Activations are Non-Surjective

引导的LLM激活不是满射的

Aayush Mishra, Daniel Khashabi, Anqi Liu

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究探讨了激活引导是否能通过文本提示实现，证明引导行为在实际中无法通过提示复现，区分了白盒引导与黑盒提示的差异。

Comments 10 pages main text. ICLR 2026 Workshops (Sci4DL, Re-Align)

Automatic Image-Level Morphological Trait Annotation for Organismal Images

自动图像级形态学特征标注方法用于生物体图像

Vardaan Pahuja, Samuel Stevens, Alyson East, Sydne Record, Yu Su

机构 * The Ohio State University（俄亥俄州立大学） ； University of Maine（缅因大学） 纠错

AI总结 本文提出了一种基于稀疏自编码器的图像级形态学特征标注方法，通过构建Bioscan-Traits数据集，实现了对19000张昆虫图像的80000个特征标注，为大规模生态研究提供了可扩展的生物特征监督方法。

Comments ICLR 2026

Journal ref ICLR 2026

RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion

RIDER: 3D RNA逆向设计与强化学习引导的扩散

Tianmeng Hu, Yongzheng Cui, Biao Luo, Ke Li

机构 * University of Exeter（埃克塞特大学） ； Central South University（中南大学） 纠错

AI总结 RIDER通过强化学习引导扩散模型直接优化3D结构相似性，提升RNA逆向设计的结构准确性与多样性。

Comments Accepted as a conference paper at ICLR 2026

A Step to Decouple Optimization in 3DGS

在3DGS中实现优化解耦的一步

Renjie Ding, Yaonan Wang, Min Liu, Jialin Zhu, Jiazheng Wang, Jiahao Zhao, Wenting Shen, Feixiang He, Xiang Chen

机构 * National Engineering Research Center of Robot Visual Perception and Control Technology, School of Artificial Intelligence and Robitics, Hunan University（机器人视觉感知与控制技术国家工程研究中心，人工智能与机器人学院，湖南大学） ； Baidu Inc.（百度公司） ； Central South University（中南大学） 纠错

AI总结 本文针对3DGS优化中的耦合问题，提出解耦方法，通过稀疏Adam、重状态正则化和解耦属性正则化提升优化效率和表示效果。

Comments Accepted by ICLR 2026 (fixed typo)

Into the Rabbit Hull: From Task-Relevant Concepts in DINO to Minkowski Geometry

进入兔皮：从DINO中的任务相关概念到闵可夫斯基几何

Thomas Fel, Binxu Wang, Michael A. Lepori, Matthew Kowal, Andrew Lee, Randall Balestriero, Sonia Joseph, Ekdeep S. Lubana, Talia Konkle, Demba Ba, Martin Wattenberg

机构 * Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Harvard University（哈佛大学） ； Dept. of Psychology, Harvard University（哈佛大学心理学系） ； Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind） ； Meta ； Goodfire 纠错

AI总结 本文通过分析DINOv2的任务相关概念，揭示了其在分类、分割和深度估计中的功能专业化，并提出闵可夫斯基表示假设以解释视觉Transformer的表示结构。

Comments Accepted at ICLR 2026

Journal ref ICLR 2024

ThinKV: Thought-Adaptive KV Cache Compression for Efficient Reasoning Models

ThinKV: 基于思维适应的KV缓存压缩以提高推理模型效率

Akshat Ramachandran, Marina Neseem, Charbel Sakr, Rangharajan Venkatesan, Brucek Khailany, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 本文提出ThinKV，通过混合量化-驱逐策略，根据思维重要性动态调整token精度，减少KV缓存占用，提升推理效率和吞吐量。

Comments ICLR 2026 (Oral)

Identifiability Challenges in Sparse Linear Ordinary Differential Equations

稀疏线性常微分方程中的可识别性挑战

Cecilia Casolo, Sören Becker, Niki Kilbertus

机构 * Technical University of Munich（慕尼黑技术大学） ； Helmholtz Munich（海德堡-慕尼黑研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 研究稀疏线性常微分方程的可识别性问题，发现其在实际稀疏度下存在正概率的不可识别性，并通过实验验证了这一理论结果对状态估计方法的影响。

Comments 9 pages, 4 figures

Journal ref The Fourteenth International Conference on Learning Representations, ICLR 2026

Bayesian Attention Mechanism: A Probabilistic Framework for Positional Encoding and Context Length Extrapolation

贝叶斯注意机制：一种用于位置编码和上下文长度外推的概率框架

Arthur S. Bianchessi, Yasmin C. Aguirre, Rodrigo C. Barros, Lucas S. Kupssinskü

机构 * MALTA – Machine Learning Theory and Applications Lab, PUCRS – Porto Alegre, Brazil（MALTA机器学习理论与应用实验室，PUCRS-波士顿实验室，巴西） ； Kunumi Institute, Brazil（昆米研究所，巴西） 纠错

AI总结 本文提出贝叶斯注意机制，通过概率模型将位置编码作为先验，统一了现有方法并改进了长上下文泛化能力，在500倍训练上下文长度下实现更准确的信息检索。

Comments Accepted to ICLR 2026

CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition

CONSIGN：通过分解的空间分组指导的符合性分割

Bruno Viti, Elias Karabelas, Martin Holler

机构 * Department of Mathematics and Scientific Computing（数学与科学计算系） ； University of Graz（格拉茨大学） ； BioTechMed-Graz（BioTechMed-格拉茨） ； IDea_Lab 纠错

AI总结 CONSIGN通过分解的空间分组指导，改进图像分割的不确定性量化，采用符合性预测框架，结合空间相关性，提升分割性能和不确定性估计质量。

Comments Accepted as poster at ICLR 2026

RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization

RECON：通过显式规范定向归一化实现鲁棒对称发现

Alonso Urbano, David W. Romero, Max Zimmer, Sebastian Pokutta

机构 * Department for AI in Society, Science, and Technology, Zuse Institute Berlin (ZIB)（人工智能与社会、科学与技术部门，柏林Zuse研究所） ； Cartesia AI ； Institute of Mathematics, Technische Universität Berlin（数学研究所，柏林技术大学） 纠错

AI总结 RECON通过显式规范定向归一化纠正任意规范，实现实例特定姿态分布的无监督发现，检测异常姿态并提升模型性能。

Comments Accepted as a conference paper at ICLR 2026

On Diffusion Modeling for Anomaly Detection

关于扩散模型在异常检测中的应用

Victor Livernoche, Vineet Jain, Yashar Hezaveh, Siamak Ravanbakhsh

机构 * School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Department of Physics, University of Montreal（蒙特利尔大学物理系） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

AI总结 本文探讨了扩散模型在无监督和半监督异常检测中的不同变体，提出扩散时间估计方法，在保持性能的同时显著提升推理效率。

Journal ref Proceedings of the International Conference on Learning Representations (ICLR 2024)