ICLR

Can Transformers Really Do It All? On the Compatibility of Inductive Biases Across Tasks

变压器真的无所不能吗？论跨任务归纳偏差的兼容性

Damien Teney, Liangze Jiang, Hemanth Saratchandran, Simon Lucey

机构 * Idiap Research Institute（Idiap研究所） ； EPFL（洛桑联邦理工学院） ； Adelaide University（阿德莱德大学） 纠错

AI总结 研究探讨变压器对给定任务是否最优，提出为数据集优化变压器架构的方法，在算法玩具任务和代码语言建模数据集上实验，发现标准变压器非局部最优，简单替代方案有优劣，暗示有改进架构可支持多种能力。

Comments Published as a conference paper at ICLR 2026. https://github.com/idiap/lm-afs

When Drift Detectors cry Wolf: False Alarm Rates in continuous ML Monitoring

当漂移检测器发出错误警报时：连续机器学习监测中的误报率

Raj Shekhar Singh

机构 * Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校） 纠错

AI总结 研究连续机器学习监测中常用漂移检测器的误报率，通过实证分析PSI、KS等五种检测器，发现不同检测器对批量大小的敏感性不同，应用邦费罗尼校正有稳定性 - 敏感性权衡，为生产ML系统选择和校准检测器提供实用指南。

Comments Accepted in ICLR 2026 CAO workshop

Adaptive Mamba Neural Operators

自适应曼巴神经算子

Zeyuan Song, Zheyu Jiang

AI总结 研究如何准确求解任意几何形状和各种网格上的偏微分方程，提出自适应曼巴神经算子，通过构建竹内 - 马尔姆奎斯特系统集成再生核，在多个领域的基准问题上，其相对\(L^2\)误差优于现有求解器，为神经算子框架设计提供新范例。

Comments 22 pages, accepted by ICLR 2026 conference (https://openreview.net/forum?id=OenyzvFZPs)