ICLR

Aggregate-then-Calibrate for Human-centered Assessment with Theoretical Guarantees

面向以人为中心评估的聚合后校准方法（AtC）及理论保证

Zejun Xie, Xintong Li, Guang Wang, Desheng Zhang

AI总结 该研究针对以人为中心评估的两难问题，提出AtC两阶段框架，结合人类判断与模型分数，兼具理论保证，在半合成及真实数据集上提升了评估的准确性与鲁棒性。

Comments Accepted by ICLR 2026

LLM-Guided Retrieval for Prediction of Molecular Perturbation Responses

大语言模型引导的检索用于分子扰动响应预测

Betty Xiong, Jan-Christian Huetter, Gabriele Scalia, Tommaso Biancalani, Sepideh Maleki

机构 * Stanford University（斯坦福大学） ； Genentech（基因泰克） 纠错

AI总结 本研究提出LLM引导的检索方法，在Tahoe-100M数据集上优于多个基线，可提升分子扰动预测的方向准确率，是零样本分子扰动预测的关键驱动因素。

Comments Published at MLGenX @ ICLR 2026

Differentiable Lifting for Topological Neural Networks

拓扑神经网络的可微提升

Jorge Luiz Franco, Gabriel Duarte, Alexander Nikitin, Moacir Ponti, Diego Mesquita, Amauri H. Souza

机构 * University of São Paulo（圣保罗大学） ； Instituto Curvelo（库尔韦洛研究所） ； Federal Institute of Ceará（塞阿拉联邦学院） ； Aalto University（阿尔托大学） ； Getulio Vargas Foundation（热图利奥·瓦加斯基金会） 纠错

AI总结 针对拓扑神经网络（TNNs）图提升操作先验识别的缺陷，提出可微提升框架DiffLift，实验显示其在多基准分类任务上优于现有方法，最高提升45%。

Comments Published as a conference paper at ICLR 2026 (OpenReview: https://openreview.net/forum?id=eC89CbINIw). 20 pages, 4 figures

An Embedded RISC-V Evaluation of Kolmogorov--Arnold Networks in Hard-Constrained Recurrent Physics-Informed Models

硬约束循环物理信息模型中柯尔莫哥洛夫-阿诺德网络的嵌入式RISC-V评估

Enzo Nicolas Spotorno, Josafat Leal Filho

AI总结 本文在RISC-V嵌入式平台上评估硬约束循环物理信息模型的KAN残差分支，发现其部署时延迟和能耗高于MLP，量化后可靠性更差，不适合作为默认选择。

Comments 6 pages, submitted to SBESC 2026 as an extension to the ICLR Workshop Paper https://openreview.net/forum?id=iHpbQn99RB

On the Wings of Imagination: Conflicting Script-based Multi-role Framework for Humor Caption Generation

在想象之翼上：用于幽默标题生成的冲突脚本多角色框架

Wenbo Shang, Yuxi Sun, Jing Ma, Xin Huang

机构 * Hong Kong Baptist University（香港 Baptist 大学） 纠错

AI总结 本文提出基于幽默理论GTVH的HOMER框架，通过多角色LLM协作生成幽默标题，实验表明其在多模态幽默标题生成中优于现有方法。

Comments Paper published as a conference paper at ICLR 2026

T-TAMER: Provably Taming Trade-offs in ML Serving

T-TAMER：可证明地管控机器学习服务中的权衡

Yuanyuan Yang, Ruimin Zhang, Jamie Morgenstern, Haifeng Xu

机构 * Department of Computer Science & Engineering University of Washington（华盛顿大学计算机科学与工程系） ； Department of Computer Science University of Chicago（芝加哥大学计算机科学系） 纠错

AI总结 该研究针对机器学习服务中的权衡问题，提出通用框架T-Tamer，证明回溯是获得最优权衡的关键，通过实验验证基于回溯的策略能实现高效的准确率-延迟权衡，为相关模型设计提供理论基础。

Comments Correspondence should be addressed to yyangh at cs dot washington dot edu or haifengxu@uchicago.edu. This manuscript extends our earlier workshop version, which was accepted at the NeurIPS SPIGM 2025 Workshop, and has been accepted to ICLR 2026

Mathematical Reasoning for Unmanned Aerial Vehicles: A RAG-Based Approach for Complex Arithmetic Reasoning

无人机数学推理：基于检索增强生成的方法用于复杂算术推理

Mehdi Azarafza, Mojtaba Nayyeri, Faezeh Pasandideh, Steffen Staab, Achim Rettberg

机构 * Department of Computer Science（计算机科学系） ； Institute For Artificial Intelligence（人工智能研究所） ； Hamm-Lippstadt University of Applied Sciences（哈姆-利普施塔特应用科学大学） ； University of Stuttgart（斯图加特大学） 纠错

AI总结 本文提出RAG-UAV框架，通过引入领域文献提升LLM在无人机任务中的数学推理能力，实验表明检索显著提高准确率并减少错误选择。

Comments 15 pages, 7 figures, 4 appendix subsections

Journal ref ICLR 2026 Workshop on Logical Reasoning of Large Language Models