ICLR

Reasoning Structure of Large Language Models

大型语言模型的推理结构

Frédéric Berdoz, Luca A. Lanzendörfer, Fabian Farestam, Roger Wattenhofer

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 针对大型推理模型评估中隐藏不同推理结构的问题，提出基于逻辑谜题的基准测试和将非结构化轨迹转化为可验证推理图的方法，并定义推理效率指标，以量化分析推理拓扑结构。

Comments Accepted at ICML 2026 and presented at the ICLR 2026 workshop on LLM reasoning

Dynamic Objective Selection with Safeguards and LLM Oversight for Financial Decision-Making

动态目标选择与防护机制及大语言模型监督在金融决策中的应用

Keigo Sakurai, Takahiro Ogawa, Miki Haseyama, Anjyu Anan, Kei Nakagawa

机构 * Hokkaido University（北海道大学） ； Nomura Asset Management Co., Ltd.（日兴资产经营管理公司） ； Kobe University（Kobe大学） ； Osaka Metropolitan University（大阪市立大学） 纠错

AI总结 提出DOSS方法，通过将目标选择建模为分类问题并利用滚动窗口进行顺序更新，结合置信度感知门控和LLM监督，实现金融决策中动态目标选择，降低误选和过度切换风险。

Comments Accpeted to The 2nd Workskop on Advances in Financial AI Workshop: Towards Agentic and Responsible Systems at ICLR 2026

CP-Agent: Context-Aware Multimodal Reasoning for Cellular Morphological Profiling under Chemical Perturbations

CP-Agent: 化学扰动下细胞形态学轮廓的上下文感知多模态推理

Yuxin Zhang, Yiyao Li, Ping Shu Ho, Simon See, Zhenqin Wu, Kevin Tsia

机构 * Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电子与计算机工程系） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； School of Biomedical Engineering, The University of Hong Kong（香港大学生物医学工程学院） ； Nvidia AI Technology Center（NVIDIA人工智能技术中心） ； Advanced Biomedical Instrumentation Centre（先进生物医学仪器中心） 纠错

AI总结 提出CP-Agent，一种基于上下文感知对齐模块CP-CLIP的多模态大语言模型，用于生成药物扰动下细胞形态变化的可解释机制性解释，实现高精度处理与机制区分（最大F1分数0.896），并整合工具使用与推理生成结构化报告以加速药物发现。

Comments ICLR 2026

Deft Scheduling of Dynamic Cloud Workflows with Varying Deadlines via Mixture-of-Experts

基于混合专家模型的动态云工作流截止时间感知调度

Ya Shen, Gang Chen, Hui Ma, Mengjie Zhang

机构 * School of Engineering and Computer Science, Victoria University of Wellington（维多利亚大学工程与计算机科学学院） 纠错

AI总结 提出一种基于混合专家模型的深度强化学习调度策略DEFT，通过图自适应门控机制动态路由决策，有效降低执行成本和截止时间违反率。

Comments This paper has been accepted by the Fourteenth International Conference on Learning Representations (ICLR 2026)

Journal ref International Conference on Learning Representations (ICLR 2026)

Testing Most Influential Sets

最具影响力集合的检验

Lucas D. Konrad, Nikolas Kuschnig

机构 * Vienna University of Economics and Business（维也纳经济与商业大学） ； Monash University（墨尔本大学） 纠错

AI总结 针对小部分数据点可能过度影响模型结论的问题，基于线性最小二乘法推导精确影响公式并识别最大影响的极值分布，提出一个用于检验过度影响的假设检验框架。

Comments Published as a conference paper at ICLR 2026

The Diagonalized Newton Algorithm for Nonnegative Matrix Factorization

非负矩阵分解的对角化牛顿算法

Hugo Van hamme

AI总结 针对非负矩阵分解问题，提出一种对角化牛顿算法（DNA），在保持实现简单性的同时加速收敛，适用于高秩问题。

Comments 8 pages + references; International Conference on Learning Representations, 2013