期刊&会议
International Conference on Learning Representations · 会议 · Machine Learning
残差特征整合足以防止负迁移
机构 * University of California, Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学） ； Rutgers University（罗格斯大学）
AI总结 本文提出通过整合冻结的预训练源特征与可训练的目标编码器，有效防止负迁移，理论证明其收敛率不低于从头训练，并在多个数据集上验证了方法的鲁棒性与广泛适用性。
Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)
更嘈杂的噪声对比估计几乎等同于最大似然估计
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Google DeepMind（谷歌DeepMind） ； Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） ； Akool Research（Akool研究）
AI总结 本文提出'Noisier' NCE，通过增大噪声幅度使NCE梯度接近最大似然估计，从而在理论和实践中实现更快收敛，适用于高维和多模态数据集的密度比估计。
Comments ICLR 2026
编码代理在价值冲突下的非对称目标漂移
机构 * Columbia University（哥伦比亚大学） ； Independent（独立） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（加州大学圣地亚哥分校） ； MATS ； SPAR
AI总结 研究编码代理在价值冲突中如何平衡系统提示与实际任务，发现其目标漂移受价值对齐、对抗压力和累积上下文影响，且环境压力可 override 显式约束。
Comments 5 pages, 4 figures, Published as a workshop paper in Lifelong Agents @ ICLR 2026
当引文崩塌：在限价订单簿中检测短暂的机械流动性侵蚀
机构 * Stony Brook University（石溪大学） ； Bloomberg（贝莱德）
AI总结 研究通过ABIDES仿真器构建多智能体环境，利用订单簿特征开发检测框架，训练神经网络提高对机械流动性侵蚀的识别能力，实验显示框架在不同市场条件下均能有效识别崩塌事件。
Comments 10 pages, 4 figures. Accepted at ICLR 2026 Workshop on Advances in Financial AI
数学需要两个：一种评估交流中涌现数学推理的测试
机构 * Cooper Cognitive（Cooper认知）
AI总结 本文提出Math Takes Two基准测试，通过两个无先验数学知识的智能体交流，评估模型在视觉任务中通过发现潜在结构来发展抽象概念的能力。
Comments Accepted at HCAIR workshop, ICLR 2026
MLLMs中分解注意力融合用于无训练视频推理分割
机构 * Yonsei University（延世大学） ； Inha University（inha大学） ； NAVER Cloud（NAVER云）
AI总结 本文提出DecAF方法，通过对比物体背景融合和互补视频帧融合精炼注意力图，实现无训练视频推理分割，取得优于无训练方法和与有训练方法相当的性能。
Comments Accepted to ICLR 2026. Code is available at https://github.com/HYUNJS/DecAF
测试时匹配：在多模态模型中解锁组合推理
机构 * University of California, Riverside（加州大学河滨分校）
AI总结 本文提出测试时匹配算法，通过改进评估指标提升多模态模型的组合推理能力，使SigLIP-B16和GPT-4.1在Winoground等基准上取得新突破。
Comments To appear at ICLR 2026; extended results to generative multimodal models
基于机器人基础模型的策略对比解码
机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； Southwest Jiaotong University（西南交通大学） ； Tongji University（同济大学）
AI总结 本文提出Policy Contrastive Decoding方法，通过对比原始与物体遮挡的视觉输入，提升机器人策略的泛化能力，实验表明其在仿真和现实环境中均有效。
Comments ICLR 2026. Project website: https://koorye.github.io/PCD/
VARestorer: 一种一步式VAR蒸馏用于现实世界图像超分辨率
机构 * Tsinghua University（清华大学）
AI总结 本文提出VARestorer，通过蒸馏预训练的文本到图像VAR模型，实现一步式图像超分辨率，解决迭代预测中的误差累积问题，提升效率与质量。
Comments Accepted in ICLR 2026. Code is available at https://github.com/EternalEvan/VARestorer
查询、键、值权重可能已经足够：关于自注意力变换器中查询、键、值权重三元组必要性的探讨
机构 * Institut de Recherche Mathématique Avancée (IRMA), Université de Strasbourg（先进数学研究院（IRMA），斯特拉斯堡大学）
AI总结 本文探讨了在仅编码器和仅解码器变换器中是否可以减少查询、键、值权重三元组。理论证明在弱假设下，其中一个权重可被身份矩阵替代，减少25%的注意力参数。实验表明，移除查询权重可提升性能，同时揭示了结构表达性边界。
Comments Detailed version of the long paper (poster) accepted at the ICLR 2026 workshop on Deep Generative Models: Theory, Principle, and Efficacy (DeLTa)
非老虎机：在推测解码中具有证明无遗憾的草案模型选择
机构 * Rice University（里士大学） ； Amazon Web Services（亚马逊网络服务） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出一种在推测解码中能证明无遗憾的草案模型选择算法，通过评估所有草案模型而非仅选定模型，显著提升性能，适用于多种解码方法，并在多个领域优于现有方法。
Comments ICLR'26
通过自适应补丁大小加速视觉变换器
机构 * Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； General Robotics（通用机器人）
AI总结 本文提出自适应补丁变换器APT，通过在图像内使用不同大小的补丁来减少输入token数量，从而加速ViT的推理和训练，提升吞吐量并保持性能。
Comments Accepted to ICLR 2026. Project page at https://rccchoudhury.github.io/apt/
测试时计算的战略扩展：一种多臂学习方法
机构 * University of California, Riverside（加州大学河滨分校）
AI总结 本文提出一种多臂学习方法，通过动态分配计算资源提升大语言模型性能，针对不同查询难度优化计算分配，实验表明在多个基准数据集上显著提升性能。
Comments To appear at ICLR 2026
模型空间推理作为反馈空间中的搜索用于规划领域生成
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM Research（IBM研究院）
AI总结 本文探讨了通过反馈空间中的启发式搜索优化规划领域生成的质量，利用符号反馈机制提升生成效果。
Comments Accepted at ICLR 2026 the 2nd Workshop on World Models: Understanding, Modelling and Scaling
从扩散到流：在MotionGPT3中实现高效的运动生成
机构 * Department of Applied Artificial Intelligence（应用人工智能系）
AI总结 本文比较了扩散与校正流在MotionGPT3中的表现，发现流在训练速度、性能和效率上更具优势。
Comments ReALM-GEN Workshop ICLR 2026
AstaBench：通过科学研究套件严格评估AI代理
机构 * Asta Team, Allen Institute for AI（Asta团队，人工智能研究所） ； University of Maryland（马里兰大学） ； University of Arizona（亚利桑那大学） ； University of Zurich（苏黎世大学） ； Bar-Ilan University（巴伊兰大学） ； University of Washington（华盛顿大学）
AI总结 本文提出AstaBench，通过2400多个科学问题全面评估AI代理能力，提供生产级搜索工具和九种科学优化的代理类，揭示AI在科学研究辅助方面仍存在显著差距。
Comments Published as a conference paper at ICLR 2026
罗德里格斯网络用于学习机器人动作
机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出罗德里格斯网络，通过引入运动学先验知识提升机器人动作学习性能，验证了其在动作预测和手部重建中的有效性。
Comments ICLR 2026
隐式随机插值
机构 * Poetiq AI ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出隐式随机插值（LSI），通过端到端优化编码器、解码器和隐式随机插值模型，在潜在空间中实现联合学习，有效学习潜在表示并生成过程。
Comments Accepted at ICLR 2026 as a conference paper
SweRank: 代码排名用于软件问题定位
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Salesforce Research（Salesforce 研究） ； KAIST AI（韩国科学技术院人工智能研究所）
AI总结 本文提出SweRank框架，通过高效的检索与重排序方法提升软件问题定位的准确性，实验表明其在SWE-Bench-Lite和LocBench上优于现有方法。
Comments ICLR 2026 Camera Ready Version
MGDA-Decoupled：基于几何的多目标优化用于基于DPO的LLM对齐
机构 * Prescient Design, CS CoE, Genentech | Roche（预见设计，计算机科学学院，基因泰克 | 罗氏）
AI总结 本文提出MGDA-Decoupled算法，通过几何方法在DPO框架内实现更公平的多目标优化，实验显示其在UltraFeedback数据集上表现最优。
Comments Accepted to the Algorithmic Fairness Across Alignment Procedures and Agentic Systems Workshop at ICLR 2026
QuanBench+: 一种统一的多框架基准用于基于LLM的量子代码生成
机构 * American University of Beirut（贝鲁特美国大学） ； King Abdullah University of Science and Technology（卡迪夫国王大学科学与技术学院）
AI总结 本文提出QuanBench+基准，用于评估LLM在量子代码生成中的多框架性能，通过执行测试和反馈修复机制，展示了不同框架下的代码生成效果及改进。
Comments 24 pages total, 25 figures, 5 tables, including supplementary material. Accepted to the ICLR 2026 Workshop on I Can't Believe It's Not Better
占用奖励塑造：改进离线目标导向强化学习中的信用分配
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Technology（INFIFORCE智能技术） ； Princeton University（普林斯顿大学）
AI总结 本文提出占用奖励塑造方法，通过提取世界模型中的时间信息，改进稀疏奖励下的信用分配问题，在13种长周期运动和操作任务中提升了2.2倍性能。
Comments ICLR 2026
迈向多语言预训练数据选择的跨语言质量分类器
机构 * Machine Learning Optimization Lab（机器学习优化实验室） ； Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文探讨了通过跨语言迁移、第三四分位采样和保留率调整策略，提升多语言数据筛选效果，证明大规模多语言池化在稳定性与准确率上优于单语基线，尤其对低资源语言有显著提升。
Comments Accepted at the 3rd Workshop on Navigating and Addressing Data Problems for Foundation Models (DATA-FM @ ICLR 2026). 31 pages, 4 figures
TS-Attn：多事件视频生成的时序可分离注意力
机构 * Peking University（北京大学） ； Shenzhen Graduate School（深圳研究生院） ； Zhejiang University（浙江大学） ； Nankai University（南开大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanjing University（南京大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 本文提出TS-Attn机制，解决多事件视频生成中时序不一致与注意力冲突问题，提升生成质量，实验表明在两个数据集上效果显著。
Comments ICLR 2026, code available at: https://github.com/Hong-yu-Zhang/TS-Attn
大语言模型是否在形式化中作弊？评估逻辑推理中的忠实性
机构 * EPFL（苏黎世联邦理工学院）
AI总结 本文评估了大语言模型在逻辑推理中的忠实性，发现统一生成方法在形式化过程中未表现出系统性作弊行为，但两种阶段流程揭示了两种不同的不忠实性模式。
Comments 25 pages, 4 figures, 22 tables. Published at the VerifAI-2 Workshop, ICLR 2026 (non-archival). Code and data: https://github.com/koreankiwi99/formalization-gaming
将自监督表示适配为潜在空间以实现高效生成
机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Apple（苹果公司）
AI总结 本文提出RepTok框架，通过自监督视觉Transformer生成单连续潜在token实现图像生成，通过微调语义token嵌入和生成解码器，提升重建精度并减少训练成本。
Comments ICLR 2026, Code: https://github.com/CompVis/RepTok
TimeOmni-1：通过时间序列激励大型语言模型的复杂推理
机构 * Griffith University（格里菲斯大学） ； Zhejiang University（浙江大学） ； NVIDIA（英伟达） ； Squirrel Ai Learning ； University of Palermo（帕尔米奥大学） ； Norwegian University of Science and Technology（挪威科学技术大学）
AI总结 本文提出TimeOmni-1，首个统一推理模型，通过时间序列推理解决多样化现实问题，提升因果发现和有效响应率。
Comments Accepted by the 14th International Conference on Learning Representations (ICLR 2026)
BoGrape: 图上贝叶斯优化的最短路径编码
AI总结 本文提出BoGrape，通过最短路径图核和混合整数规划方法，系统地将结构约束纳入贝叶斯优化，实现对未见图结构和节点属性的全局探索。
Comments 30 pages, 11 figures, 4 tables. Published as a conference paper at ICLR 2026
唤起语义相似性
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出基于生成模型可视化比较文本唤起的图像分布，通过杰弗里斯散度计算语义相似性，提升文本生成模型的可解释性与评估能力。
Comments ICLR 2026
拓扑神经网络的逻辑表达能力
机构 * Aalto University（阿alto大学） ； Federal Institute of Ceará（塞阿拉联邦理工学院） ； YaiYai Ltd（YaiYai公司）
AI总结 本文研究拓扑神经网络的逻辑表达能力，通过分析拓扑同构测试和引入拓扑计数逻辑，证明k-CCWL与TC_{k+2}及拓扑(k+2)-pebble游戏的等价性，确立了TNN的逻辑表达理论。
Comments 39 pages, Published at the 14th International Conference on Learning Representations (ICLR 2026)
Journal ref Proceedings of the 14th International Conference on Learning Representations (ICLR 2026)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈