ICLR

PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection

PaAno：基于片段的时序异常检测表示学习

Jinju Park, Seokho Kang

机构 * Department of Industrial Engineering, Sungkyunkwan University（成均馆大学工业工程系） 纠错

AI总结 PaAno提出一种轻量高效的时序异常检测方法，通过提取短时片段并使用1D卷积神经网络进行嵌入，结合三元组损失和预设任务损失提升表示学习效果，实验证明在多种评估指标上优于现有方法。

Comments Accepted by the 14th International Conference on Learning Representations (ICLR 2026)

Predicting LLM Reasoning Performance with Small Proxy Model

用小代理模型预测LLM推理性能

Woosung Koh, Juyoung Suk, Sungjun Han, Se-Young Yun, Jamin Shin

机构 * Trillion Labs ； KAIST AI（韩国科学技术院人工智能系） 纠错

AI总结 提出rBridge方法，通过任务对齐加权负对数似然，使小模型（≤1B）有效预测大模型推理性能，成本降低超100倍，在1B-32B规模上实现最强相关性。

Comments ICLR 2026

Selective Expert Guidance for Effective and Diverse Exploration in Reinforcement Learning of LLMs

选择性专家引导实现强化学习中有效且多样的探索

Zishang Jiang, Jinyi Han, Tingyun Li, Xinyi Wang, Sihang Jiang, Jiaqing Liang, Zhaoqian Dai, Shuguang Ma, Fei Yu, Yanghua Xiao

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Institute of Artificial Intelligence for Education, East China Normal University（华东师范大学上海智能教育研究院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； Ant Group（蚂蚁集团） 纠错

AI总结 提出MENTOR框架，仅在关键决策点提供专家引导，平衡探索的有效性与多样性，提升LLM在可验证奖励强化学习中的推理能力。

Comments Accepted by ICLR 2026

Verbosity Tradeoffs and the Impact of Scale on the Faithfulness of LLM Self-Explanations

冗长性权衡与规模对LLM自我解释忠实度的影响

Noah Y. Siegel, Nicolas Heess, Maria Perez-Ortiz, Oana-Maria Camburu

机构 * Google DeepMind（谷歌DeepMind） ； Centre for AI, University College London（伦敦大学学院人工智能中心） ； Imperial College London（伦敦帝国学院） ； University College London（伦敦大学学院） 纠错

AI总结 本文分析13个模型家族共75个模型的反事实忠实度，提出phi-CCT和F-AUROC两个新指标，发现更大更强的模型在所有指标上更忠实。

Comments ICLR 2026 Workshop on Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities 67 pages, 13 figures

Hey, That's My Model! Introducing Chain & Hash, An LLM Fingerprinting Technique

嘿，那是我的模型！引入链与哈希，一种大语言模型指纹识别技术

Mark Russinovich, Yanan Cai, Ahmed Salem

机构 * Microsoft（微软） 纠错

AI总结 提出一种基于链与哈希的LLM指纹识别框架，通过加密绑定提示与响应防止碰撞，并利用随机填充和元提示配置增强鲁棒性，实现可验证的所有权证明。

Comments Published at ICLR 2026

PETIMOT: A Novel Framework for Inferring Protein Motions from Sparse Data Using SE(3)-Equivariant Graph Neural Networks

PETIMOT：一种利用SE(3)-等变图神经网络从稀疏数据推断蛋白质运动的新框架

Valentin Lombard, Julien Nguyen Van, Sergei Grudinin, Elodie Laine

机构 * Department of Computational, Quantitative, and Synthetic Biology (CQSB), UMR 7238 IBPS, Sorbonne Université, CNRS（索邦大学国家科学研究中心计算、定量与合成生物学系（CQSB），UMR 7238 IBPS） ； Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学国家科学研究中心格勒诺布尔国立理工学院让·库尔实验室（LJK）） ； Institut universitaire de France (IUF)（法国大学研究院（IUF）） 纠错

AI总结 提出PETIMOT框架，利用SE(3)-等变图神经网络和预训练蛋白质语言模型，从稀疏实验数据推断蛋白质连续紧凑运动表示，在捕捉大/慢构象变化方面优于扩散、流匹配及传统物理模型。

Journal ref LMRL Workshop at ICLR 2025; Acta Crystallographica Section D 2026