Decentralized Nonconvex Optimization under Heavy-Tailed Noise: Normalization and Optimal Convergence
去中心化非凸优化中的重尾噪声：归一化与最优收敛
AI总结 本文研究了在去中心化设置下，非凸随机优化中的重尾噪声问题，提出GT-NSGDm算法，通过归一化、梯度跟踪和动量技术，实现最优非渐近收敛率。
Comments Accepted to ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
HAMLET: Switch your Vision-Language-Action Model into a History-Aware Policy
HAMLET: 将视觉-语言-动作模型转换为历史感知策略
机构 * KAIST（韩国科学技术院） ； UC Berkeley（伯克利大学）
AI总结 本文提出HAMLET框架，通过引入时刻标记和轻量记忆模块，使视觉-语言-动作模型能关注历史上下文，提升长周期任务表现，实验显示在多个基准测试中均取得显著提升。
Comments ICLR 2026. Project page: https://myungkyukoo.github.io/hamlet/
Pruning Long Chain-of-Thought of Large Reasoning Models via Small-Scale Preference Optimization
通过小规模偏好优化修剪大推理模型的长推理链
机构 * State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence（人工智能研究院） ； Hefei Comprehensive National Science Center（合肥综合性国家科学中心） ； Central China Normal University（中部师范大学） ； Meituan（美团） ； NeoShell
AI总结 本文提出LCPO方法，通过统一的Bradley-Terry损失框架，有效减少大推理模型的输出长度，同时保持推理性能，实验显示在多个基准上平均输出长度减少超过50%。
Comments 26 pages, 8 figures, ICLR'26
AudioX: A Unified Framework for Anything-to-Audio Generation
AudioX：一种用于任意到音频生成的统一框架
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Independent Researcher（独立研究者）
AI总结 本文提出AudioX框架，整合多种模态条件，通过多模态自适应融合模块提升生成质量，并构建大规模高质量数据集IF-caps，验证了其在文本到音频和文本到音乐生成中的优越性能。
Comments Accepted to ICLR 2026
Fast training of accurate physics-informed neural networks without gradient descent
快速训练准确的物理信息神经网络而无需梯度下降
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM Institute for Advanced Study（TUM高级研究学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Wageningen University & Research（瓦赫宁根大学与研究中心） ； KTH Royal Institute of Technology（皇家理工学院） ； Munich Data Science Institute（慕尼黑数据科学研究所）
AI总结 本文提出Frozen-PINN，通过空间时间分离原理和随机特征替代梯度下降，解决PINN在准确性和训练速度上的瓶颈，实现高效且因果的PDE求解。
Comments Accepted as an oral presentation (top 1.13% of all submissions) at ICLR 2026 (60 pages)
Journal ref The Fourteenth International Conference on Learning Representations, 2026
Figma2Code: Automating Multimodal Design to Code in the Wild
Figma2Code: 将多模态设计转换为代码的自动化
AI总结 本文提出Figma2Code任务，通过收集Figma文件元数据与设计图像，构建高质量数据集，评估多种多模态大语言模型，发现专有模型在视觉保真度上表现优异，但布局响应性和代码可维护性有限。
Comments ICLR 2026
SSD-GS: Scattering and Shadow Decomposition for Relightable 3D Gaussian Splatting
SSD-GS：散射与阴影分解用于可重照明的3D高斯点云
机构 * Victoria University of Wellington（惠灵顿维多利亚大学）
AI总结 SSD-GS通过分解反射率成四个组件，提升3D高斯点云在新型光照条件下的重建与真实重照明能力，尤其适用于各向异性金属和透明材料。
Comments Accepted to ICLR 2026. Code available at: https://github.com/irisfreesiri/SSD-GS
Binomial Gradient-Based Meta-Learning for Enhanced Meta-Gradient Estimation
二项式梯度基于元学习用于增强元梯度估计
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Minnesota（明尼苏达大学） ； Department of Computer Science（计算机科学系） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出BinomGBML方法，通过二项式展开提升元梯度估计精度，理论分析显示其误差界优于现有方法且在温和条件下呈超指数衰减，实验验证了方法的有效性。
Comments Accepted as poster at ICLR 2026. Code available at https://github.com/AbrahamJJM/binomgbml
Hessian-Enhanced Token Attribution (HETA): Interpreting Autoregressive LLMs
Hessian-Enhanced Token Attribution (HETA): 解释自回归语言模型
机构 * Department of Computer & Information Science & Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院） ； Department of Electrical Engineering and Computer Science, United States Military Academy（美国军事学院电子工程与计算机科学系）
AI总结 HETA提出了一种针对解码器-only语言模型的新型解释框架，结合语义过渡向量、Hessian敏感度评分和KL散度，提升上下文感知和因果解释能力，通过基准数据集验证其在生成任务中的优越性。
Comments Accepted at ICLR 2026
Correct Chains, Wrong Answers: Dissociating Reasoning from Output in LLM Logic
正确推理，错误答案：分离LLM中的推理与输出
AI总结 本文提出新型操作测试基准，区分操作逻辑与名称，揭示LLM在深度推理中存在策略与内容两类失败模式，验证名称不决定推理能力。
Comments 9 pages, 4 figures. ICLR 2026 Workshop on Logical Reasoning of LLMs
Reading Between the Pixels: Linking Text-Image Embedding Alignment to Typographic Attack Success on Vision-Language Models
在像素之间阅读：将文本-图像嵌入对齐与字体攻击成功性联系起来
机构 * Cisco Systems（思科系统）
AI总结 研究了视觉-语言模型中字体提示注入攻击的影响，发现字体大小、文本攻击有效性及嵌入距离对攻击成功率有显著影响，为防御策略提供实证指导。
Comments Accepted at ICLR 2026 Workshop on Agents in the Wild
TRIM: Hybrid Inference via Targeted Stepwise Routing in Multi-Step Reasoning Tasks
TRIM：通过多步推理任务中的目标逐步路由进行混合推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊）
AI总结 TRIM通过目标逐步路由在多步推理任务中提升推理效率，通过识别错误步骤并分配不同模型处理，实现更高的成本效率。
Comments Accepted at ICLR 2026
Guided Transfer Learning for Discrete Diffusion Models
指导式迁移学习用于离散扩散模型
机构 * Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出GTL方法，通过比率引导实现离散扩散模型的迁移学习，解决小数据下模型性能问题，展示在序列数据中效果显著，但存在源分布与目标分布重叠不足时的失效模式。
Comments Accepted at ICLR 2026 ReALM-GEN Workshop 9 pages (main text) + appendix
Journal ref ICLR 2026 ReALM-GEN Workshop
SAQ: Stabilizer-Aware Quantum Error Correction Decoder
SAQ：面向稳定子的量子纠错解码器
机构 * School of Electrical and Computer Engineering（电气与计算机工程学院）
AI总结 本文提出SAQ解码器，结合Transformer学习与约束感知后处理，实现接近最大似然准确率和线性计算可扩展性，优于现有神经和经典方法。
Comments Accepted to ICLR 2026
SPG: Sandwiched Policy Gradient for Masked Diffusion Language Models
SPG：用于遮蔽扩散语言模型的夹心策略梯度
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院） ； USC（南加州大学） ； UCLA（加州大学洛杉矶分校）
AI总结 本文提出SPG策略梯度方法，通过同时利用真实对数似然的上下界，解决扩散大语言模型在强化学习中对齐人类偏好或任务奖励的难题，实验显示其在多个任务中表现优异。
Comments ICLR 2026
Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching
离散指导匹配：用于离散流匹配的精确指导
机构 * School of Statistics, East China Normal University（华东师范大学统计学院） ； Department of Statistics, University of California, Los Angeles（加州大学洛杉矶分校统计系） ； Department of Industrial and Systems Engineering, University of Minnesota（明尼苏达大学工业与系统工程系） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
AI总结 本文提出了一种新的离散数据指导框架，通过推导所需分布的精确转移率，提高采样效率，并展示了其在能量引导模拟和文本到图像生成中的有效性。
Comments Published as a conference paper at ICLR 2026
ProRe: A Proactive Reward System for GUI Agents via Reasoner-Actor Collaboration
ProRe：通过推理器-执行器协作的GUI代理前瞻性奖励系统
机构 * NTU（国立新加坡大学） ； Microsoft Research（微软研究院） ； Tsinghua University（清华大学） ； HKUST（香港理工大学）
AI总结 ProRe通过推理器与领域特定评估器协作，提升GUI代理奖励准确性与F1分数，实验显示奖励准确性和F1分数提升达5.3%和19.4%。
Comments 23 pages, 12 figures, ICLR'2026
Journal ref The Fourteenth International Conference on Learning Representations, 2026
Rapid training of Hamiltonian graph networks using random features
利用随机特征快速训练哈密顿图网络
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； TUM Institute for Advanced Study（技术大学高级研究学院） ； Munich Data Science Institute（慕尼黑数据科学研究所）
AI总结 本文提出利用随机特征构建参数的方法，使哈密顿图网络在训练速度上提升150-600倍，同时保持准确性，适用于大规模物理系统模拟。
Comments Accepted to ICLR 2026
Journal ref In Proceedings of the International Conference on Learning Representations (ICLR), 2026
Understanding and Improving Continuous Adversarial Training for LLMs via In-context Learning Theory
通过上下文学习理论理解并改进LLMs的连续对抗训练
机构 * Provable Responsible AI and Data Analytics (PRADA) Lab（可证责任AI与数据分析实验室） ； King Abdullah University of Science and Technology（卡布斯大学）
AI总结 本文基于上下文学习理论，首次对LLMs的连续对抗训练进行了理论分析，提出通过引入奇异值正则化项提升对抗训练的鲁棒性与实用性。
Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)
Algorithmic Analysis of Dense Associative Memory: Finite-Size Guarantees and Adversarial Robustness
密集关联记忆的算法分析：有限规模保证与对抗鲁棒性
机构 * Independent Researcher（独立研究者）
AI总结 本文通过算法分析，为密集关联记忆的检索动态提供有限规模保证，并证明其在高加载条件下具有对抗鲁棒性，同时展示了容量保证和收敛时间。
Comments 21 pages, 9 figures, Accepted in New Frontiers in Associative Memory workshop at ICLR 2026
TimeSeriesExamAgent: Creating Time Series Reasoning Benchmarks at Scale
时间序列考试代理：大规模创建时间序列推理基准测试
机构 * Technical University of Munich（慕尼黑技术大学） ； Auton Lab, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院自主实验室）
AI总结 本文提出TimeSeriesExamAgent，通过模板灵活性与LLM代理创造力结合，创建涵盖医疗、金融和天气领域的综合性时间序列推理基准测试，验证LLM在时间序列理解上的能力与局限。
Journal ref Proc. Int. Conf. Learn. Representations ICLR (2026)
Turbo-DDCM: Fast and Flexible Zero-Shot Diffusion-Based Image Compression
Turbo-DDCM：快速且灵活的零样本扩散图像压缩
机构 * Technion – Israel Institute of Technology（技术学院—以色列理工学院） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会）
AI总结 本文提出Turbo-DDCM，一种快速且高效的零样本扩散图像压缩方法，通过优化噪声向量处理和编码协议，提升压缩效率并保持性能。
Comments ICLR 2026. Code is available at https://amitvaisman.github.io/turbo_ddcm/
Point Prompting: Counterfactual Tracking with Video Diffusion Models
点提示：基于视频扩散模型的反事实跟踪
机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学）
AI总结 本文提出利用视频扩散模型进行零样本点跟踪，通过提示模型在视频中标记移动点，实现反事实生成，实验表明其跟踪效果优于传统方法且能克服遮挡。
Comments ICLR 2026. Project link: https://point-prompting.github.io
Robust Federated Inference
鲁棒联邦推断
机构 * EPFL（苏黎世联邦理工学院） ； University of Copenhagen（哥本哈根大学） ； Sorbonne Université and Université Paris Cité, CNRS, LPSM（巴黎索邦大学和巴黎cité大学，法国国家科学研究中心，巴黎数学研究所）
AI总结 本文提出鲁棒联邦推断框架，通过结合对抗训练与测试时鲁棒聚合，提升非线性聚合器的鲁棒性，在多个基准测试中准确率提升4.7-22.2%。
Comments Accepted at ICLR 2026
SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From
SeedPrints: 指纹甚至能告诉你是哪种种子训练了你的大型语言模型
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出SeedPrints方法，通过随机初始化偏倚实现LLM的内在指纹识别，解决了传统指纹方法在大规模预训练阶段可靠性不足的问题，实现了从初始化到全生命周期的身份验证。
Comments Accepted to ICLR 2026. The code repository linked on OpenReview is outdated; the latest code is available via the final arXiv version
ASGuard: Activation-Scaling Guard to Mitigate Targeted Jailbreaking Attack
ASGuard：激活-缩放防护：缓解针对性劫持攻击
机构 * Korea University（韩国大学） ； AIGEN Sciences（AIGEN公司）
AI总结 本文提出ASGuard框架，通过电路分析识别与针对性劫持相关的注意力头，训练通道缩放向量重新校准激活，结合预防性微调提升模型拒绝能力，有效降低攻击成功率并保持模型性能。
Comments ICLR 2026, 29 pages, 11 figures
Replicable Reinforcement Learning with Linear Function Approximation
可重复的强化学习与线性函数逼近
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出可重复的强化学习算法，针对线性函数逼近问题，设计了高效的随机设计回归和协方差估计算法，并在生成模型和片段设置中实现了可证明高效的可重复RL算法，通过实验验证了其对神经策略的一致性影响。
Comments ICLR 2026
Navigating the Accuracy-Size Trade-Off with Flexible Model Merging
通过灵活模型合并导航精度-大小权衡
机构 * EPFL（苏黎世联邦理工学院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出FlexMerge框架，灵活生成不同规模的合并模型，并揭示不同算法在精度与规模权衡中的表现差异，验证了其在视觉和NLP任务中的有效性。
Comments Accepted at ICLR 2026
BAH Dataset for Ambivalence/Hesitancy Recognition in Videos for Digital Behavioural Change
用于数字行为改变视频中矛盾/犹豫识别的BAH数据集
机构 * LIVIA, Dept. of Systems Engineering, ETS Montreal, Canada（LIVIA系统工程系，蒙特利尔埃克塞特学院，加拿大） ； LIVIA, Dept. of Software and IT Engineering, ETS Montreal, Canada（LIVIA软件与IT工程系，蒙特利尔埃克塞特学院，加拿大） ； Dept. of Health, Kinesiology, & Applied Physiology, Concordia University, Montreal, Canada（健康、运动科学与应用生理学系，康科迪亚大学，蒙特利尔，加拿大） ； Montreal Behavioural Medicine Centre, CIUSSS Nord-de-l’Ile-de-Montréal, Canada（蒙特利尔行为医学中心，北岛-蒙特利尔医疗与社会服务委员会，加拿大）
AI总结 本文提出BAH数据集，用于多模态识别视频中的矛盾/犹豫，包含1427个视频，旨在为机器学习模型提供训练数据，通过专家标注和基准测试展示识别挑战。
Comments 46 pages, 21 figures, ICLR 2026
Variational Autoencoding Discrete Diffusion with Enhanced Dimensional Correlations Modeling
变分自编码离散扩散与增强的维度相关性建模
机构 * School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Center for Statistical Science, Peking University（北京大学统计科学中心） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Huawei Foundation Model Dept（华为基金会模型部门） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出VADD框架，通过潜在变量建模增强离散扩散，提升样本质量，尤其在少量去噪步骤时表现优异。
Comments ICLR 2026 Poster; 24 pages, 13 figures
