ICLR

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

Stable Neural Stochastic Differential Equations in Analyzing Irregular Time Series Data

在分析不规则时间序列数据中稳定的神经随机微分方程

YongKyung Oh, Dong-Young Lim, Sungil Kim

机构 * Ulsan National Institute of Science and Technology（蔚山科学技术院） 纠错

AI总结 本文提出三种稳定的神经随机微分方程，通过设计漂移和扩散函数以维持稳定性并提升性能，实验表明其在处理不规则时间序列数据时有效。

Comments Published at the Twelfth International Conference on Learning Representations (ICLR 2024), Spotlight presentation (Notable Top 5%). https://openreview.net/forum?id=4VIgNuQ1pY

TS-Haystack: A Multi-Task Retrieval Benchmark for Long-Context Time-Series Reasoning

TS-Haystack：一种用于长上下文时间序列推理的多任务检索基准

Nicolas Zumarraga, Thomas Kaar, Ning Wang, William Tennien, Alpay Hasanli, Max Rosenblattl, Fan Wu, Kevin Riehl, Maxwell A. Xu, Markus Kreft, Kevin O'Sullivan, Elgar Fleisch, Paul Schmiedmayer, Robert Jakob, Patrick Langer

机构 * Agentic Systems Lab, ETH Zurich（1 非常规系统实验室，苏黎世联邦理工学院） ； Stanford University（2 斯坦福大学） ； Traffic Engineering Group, Institute for Transport Planning and Systems, ETH Zurich（3 交通工程组，交通规划与系统研究所，苏黎世联邦理工学院） ； University of Illinois Urbana-Champaign（4 印第安纳大学厄巴纳-香槟分校） ； Google（5 谷歌） ； Centre for Digital Health Interventions, ETH Zurich（6 数字健康干预中心，苏黎世联邦理工学院） ； Centre for Digital Health Interventions, University of St. Gallen（7 数字健康干预中心，圣加尔登大学） 纠错

AI总结 本文提出TS-Haystack基准，评估长上下文时间序列推理能力，发现现有TSLMs存在长上下文退化问题，代理检索框架在9/10任务中表现优异。

Comments Workshop version of this paper published at ICLR TSALM 2026. Benchmark generation code and datasets: https://github.com/AI-X-Labs/TS-Haystack

M3CoTBench: Benchmark Chain-of-Thought of MLLMs in Medical Image Understanding

M3CoTBench：医学图像理解中多模态大语言模型的思维链基准测试

Juntao Jiang, Jiangning Zhang, Yali Bi, Jinsheng Bai, Weixuan Liu, Weiwei Jin, Zhucun Xue, Yong Liu, Xiaobin Hu, Shuicheng Yan

机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） ； Zhejiang Provincial People’s Hospital（浙江省人民医院） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 提出M3CoTBench基准，通过多层级难度数据集和专用评估指标，系统评测多模态大语言模型在医学图像理解中的思维链推理正确性、效率、影响和一致性。

Comments 39 pages, 8 figures; accepted by ICLR 2026

Private Rate-Constrained Optimization with Applications to Fair Learning

私有率约束优化及其在公平学习中的应用

Mohammad Yaghini, Tudor Cebere, Michael Menart, Aurélien Bellet, Nicolas Papernot

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 针对差分隐私下的率约束优化问题，提出RaCO-DP算法，通过SGDA的拉格朗日形式处理约束，额外隐私代价仅限于每步小批量直方图估计，理论证明收敛，实验在公平约束下帕累托优于现有方法。

Comments ICLR 2026

Large Language Model Evaluation Via Multi AI Agents: Preliminary results

通过多AI代理评估大型语言模型：初步结果

Zeeshan Rasheed, Muhammad Waseem, Kari Systä, Pekka Abrahamsson

AI总结 本文提出多AI代理模型评估不同LLM性能，通过代码检索与验证，初步结果显示GPT-3.5 Turbo表现更优，未来将引入MBPP基准提升评估精度。

Comments 10 pages, 1 figure

Journal ref ICLR 2024 Workshop on Large Language Model (LLM) Agents, 2024

Data Provenance for Image Auto-Regressive Generation

图像自回归生成的数据溯源

Bihe Zhao, Louis Kerner, Michel Meintz, Tameem Bakr, Franziska Boenisch, Adam Dziedzic

机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全研究中心） 纠错

AI总结 提出后验框架，利用自回归生成模型输出中的特征模式进行图像溯源，无需修改生成过程或输出，适用于无水印场景。

Comments Accepted at ICLR 2026

Vivid-VR: Distilling Concepts from Text-to-Video Diffusion Transformer for Photorealistic Video Restoration

Vivid-VR：基于文本到视频扩散变换器的文本概念蒸馏用于逼真视频修复

Haoran Bai, Xiaoxu Chen, Canqian Yang, Zongyao He, Sibin Deng, Ying Chen

机构 * Alibaba Group - Taobao & Tmall Group（阿里巴巴集团 - 淘宝天猫集团） 纠错

AI总结 本文提出Vivid-VR，通过文本到视频基础模型生成视频修复方法，利用ControlNet控制生成过程以保持内容一致性。为解决传统微调中的分布偏移问题，提出概念蒸馏策略，通过预训练T2V模型合成带文本概念的训练样本，提升纹理和时间一致性。

Comments Accepted by ICLR 2026; ICLR version of the paper: https://openreview.net/pdf?id=YV5Zgv8pdg

SSM Meets Video Diffusion Models: Efficient Long-Term Video Generation with Structured State Spaces

结构状态空间模型与视频扩散模型的结合：利用结构状态空间实现高效长时视频生成

Yuta Oshima, Shohei Taniguchi, Masahiro Suzuki, Yutaka Matsuo

机构 * The University of Tokyo（东京大学） 纠错

AI总结 本文提出利用结构状态空间模型作为视频扩散模型的时序特征提取器，以解决传统注意力层在生成长视频序列时的计算成本问题，实验表明结构状态空间模型在内存使用和性能上更具优势。

Comments Accepted as a workshop paper at ICLR 2024

Democratic ICAI: Debating Our Way to Steering Principles from Preferences

民主ICAI：通过辩论从偏好中推导指导原则

Kevin Kingslin, Anish Natekar, Ashutosh Ranjan, Vivek Srivastava, Savita Bhat, Shirish Karande

机构 * TCS Research（TCS研究） 纠错

AI总结 提出Democratic ICAI方法，通过结构化角色辩论收集多元理由，从偏好中提取更全面的指导原则，提升偏好预测准确性。

Comments Accepeted to the ICLR 2026 HCAIR Workshop, 40 pages

A Primer on SO(3) Action Representations in Deep Reinforcement Learning

深度强化学习中SO(3)动作表示入门

Martin Schuck, Sherif Samy, Angela P. Schoellig

AI总结 针对SO(3)动作表示在强化学习中的选择问题，系统评估了多种表示在PPO、SAC、TD3算法下的效果，发现切向量表示最可靠。

Comments Published at The Fourteenth International Conference on Learning Representations (ICLR 2026)

PreferThinker: Reasoning-based Personalized Image Preference Assessment

PreferThinker: 基于推理的个性化图像偏好评估

Shengqi Xu, Xinpeng Zhou, Yabo Zhang, Ming Liu, Tao Liang, Tianyu Zhang, Yalong Bai, Zuxuan Wu, Wangmeng Zuo

AI总结 提出预测-评估范式的推理框架，通过用户偏好画像和思维链推理实现个性化图像偏好评估，采用两阶段训练和相似性奖励提升性能。

Comments This paper is accepted by ICLR 2026

Does Aurora Encode Atmospheric Structure? Latent Regime Analysis and Attribution

Aurora 是否编码了大气结构？潜在状态分析及归因

Emma Kasteleyn, Ana Lucic

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文通过空间池化PCA和逐层相关性传播分析Aurora模型的内部表征，发现其潜在空间主要按季节周期组织，且模型关注与三维垂直结构一致的特征，表明模型无需显式指令即可学习气象一致性和垂直结构。

Comments Accepted at the FM4Science and Sci4DL workshops at ICLR 2026

Reconstruction Alignment Improves Unified Multimodal Models

重建对齐改进统一多模态模型

Ji Xie, Trevor Darrell, Luke Zettlemoyer, XuDong Wang

机构 * UC Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； Duke University（杜克大学） 纠错

AI总结 提出重建对齐（RECA），一种资源高效的后训练方法，利用视觉理解编码器嵌入作为密集文本提示，通过自监督重建损失对齐理解与生成，显著提升多种统一多模态模型的生成和编辑性能。

Comments 43 pages, 36 figures and 14 tables; accepted by ICLR 2026

To View Transform or Not to View Transform: NeRF-based Pre-training Perspective

视图变换还是不视图变换：基于NeRF的预训练视角

Hyeonjun Jeong, Juyeb Shin, Dongsuk Kum

机构 * KAIST（韩国科学技术院） 纠错

AI总结 提出NeRP3D检测器，避免视图变换与NeRF的冲突先验，保留预训练NeRF网络，实现连续3D表示学习，在nuScenes上提升场景重建和检测性能。

Comments The Fourteenth International Conference on Learning Representations (ICLR'26)

Reasoning as Attractor Dynamics: Latent Memory Retrieval via Gibbs-Weighted Energy Minimization

推理作为吸引子动力学：通过吉布斯加权能量最小化的潜在记忆检索

Kanishk Awadhiya

机构 * Independent Researcher（独立研究者） 纠错

AI总结 提出将大语言模型视为高维稠密联想记忆，通过吉布斯加权能量最小化从潜在吸引子中检索正确推理链，在GSM8K上提升Phi-3.5性能5.38%。

Comments Accepted at ICLR Workshop 2026

Natural Identifiers for Privacy and Data Audits in Large Language Models

大型语言模型中用于隐私和数据审计的自然标识符

Lorenzo Rossi, Bartłomiej Marek, Franziska Boenisch, Adam Dziedzic

机构 * CISPA Helmholtz Center for Information Security（CISPA 欧洲信息安全中心） 纠错

AI总结 提出自然标识符（NIDs）解决LLM隐私审计难题，无需重训练即可进行事后差分隐私审计和数据集推断。

Comments Accepted at ICLR 2026

Parallel Manifold Steering: Efficient Adaptation of Large Associative Memories via Residual Energy Shaping

并行流形引导：通过残差能量塑形实现大型联想记忆的高效适应

Kanishk Awadhiya

机构 * Independent Researcher（独立研究员） 纠错

AI总结 提出H-Res机制，通过残差能量塑形在不改变全局平衡或扩展序列长度的情况下调节Transformer的能量景观，实现高效任务适应，在联想检索任务上比全局权重修改提升26%并消除提示方法的计算开销。

Comments Accepted at ICLR Workshop 2026

Co-occurring associated retained concepts in Diffusion Unlearning

扩散模型遗忘中的共现关联保留概念

Miso Kim, Georu Lee, Yunji Kim, Hoki Kim, Jinseong Park, Woojin Lee

机构 * Dongguk University-Seoul（东国大学-首尔） ； Chung-Ang University（Chung-Ang 大学） ； Korea Institute for Advanced Study（韩国高级研究院） 纠错

AI总结 针对扩散模型遗忘中误删良性共现概念的问题，提出CARE评分量化保留程度，并设计ReCARE框架通过自动构建CARE集实现稳健遗忘，平衡概念擦除、整体效用与共现概念保留。

Comments Accepted as a poster at ICLR 2026. Code available at https://github.com/damilab/CARE

Emergent Coordination in Multi-Agent Language Models

多智能体语言模型中的涌现协调

Christoph Riedl

机构 * D’Amore-McKim School of Business（达莫-麦克金商学院） ； Khoury College of Computer Sciences（科里学院计算机科学学院） ； Network Science Institute（网络科学研究所） ； Northeastern University（东北大学） 纠错

AI总结 研究探讨多智能体系统是否形成更高层次结构，提出信息论框架通过数据驱动方法检测动态涌现，验证身份差异化与目标互补性，揭示交互模式与集体智慧原理的关联。

Journal ref International Conference on Learning Representations (ICLR 2026)

Selective Rotary Position Embedding

选择性旋转位置嵌入

Sajad Movahedi, Timur Carstensen, Arshia Afzal, Frank Hutter, Antonio Orvieto, Volkan Cevher

机构 * ELLIS Institute Tübingen（图宾根埃利斯研究所） ； LIONS, EPFL（日内瓦理工学院LIONS实验室） ； University of Freiburg（弗赖堡大学） ； Max-Planck-Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Prior Labs（Prior实验室） 纠错

AI总结 本文提出选择性RoPE，一种输入依赖的旋转嵌入机制，适用于线性和softmax变压器，通过任意角度旋转提升语言建模和复杂序列任务性能。

Comments ICLR 2026

Riemann-Bench: A Benchmark for Moonshot Mathematics

Riemann-Bench: 面向登月级数学的基准测试

Suhaas Garre, Erik Knutsen, Sushant Mehta, Edwin Chen

机构 * Surge AI 纠错

AI总结 提出Riemann-Bench基准，由专家设计研究级数学问题，评估AI系统超越奥数水平的推理能力，结果显示前沿模型得分低于10%。

Comments Accepted to Logical Reasoning of Large Language Models, ICLR 2026

ParallelBench: Understanding the Trade-offs of Parallel Decoding in Diffusion LLMs

ParallelBench: 理解扩散大语言模型中并行解码的权衡

Wonjun Kang, Kevin Galim, Seunghyuk Oh, Minjae Lee, Yuchen Zeng, Shuibai Zhang, Coleman Hooper, Yuezhou Hu, Hyung Il Koo, Nam Ik Cho, Kangwook Lee

机构 * FuriosaAI ； UW-Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； Seoul National University（首尔国立大学） ； KRAFTON ； Ludo Robotics Project（Ludo机器人项目） 纠错

AI总结 针对扩散LLM并行解码导致生成质量下降的问题，通过信息论分析和合成实验揭示其根本限制，并提出首个专门基准ParallelBench，系统评估发现并行解码在现实任务中质量损失严重，且现有策略无法根据任务难度调整并行度。

Comments Accepted at ICLR 2026. Project Page: https://parallelbench.github.io

Unmasking LAION-5B: Age, Gender, Race, and Emotion Biases in Large-Scale Image Datasets

揭开LAION-5B的面纱：大规模图像数据集中的年龄、性别、种族和情感偏见

Iris Dominguez-Catena, Daniel Paternain, Mikel Galar

机构 * Institute of Smart Cities (ISC), Department of Statistics, Computer Science and Mathematics（智能城市研究所（ISC），统计、计算机科学与数学系） 纠错

AI总结 本研究利用FairFace、DeepFace和Emo-AffectNet模型分析LAION-5B数据集中的年龄、性别、种族和情感偏见，发现年轻白人男性过度代表，少数族裔和中老年女性不足，以及情感与人口属性的刻板关联。

Comments Published as a paper at 3rd DATA-FM workshop @ ICLR 2026, Brazil

DUET: Decentralized Bilevel Optimization without Lower-Level Strong Convexity

DUET: 无需下层强凸性的去中心化双层优化

Zhen Qin, Zhuqing Liu, Songtao Lu, Yingbin Liang, Jia Liu

机构 * Department of Electrical and Computer Engineering, The Ohio State University（俄亥俄州立大学电气与计算机工程系） ； Department of Computer Science and Engineering, University of North Texas（北卡罗来纳州立大学计算机科学与工程系） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） 纠错

AI总结 针对去中心化双层优化中下层强凸性限制，提出单循环算法DUET，通过引入递减二次正则化消除该假设，并利用梯度跟踪处理数据异质性，实现近似KKT稳定点收敛。

Comments Published as a conference paper at ICLR 2025

Journal ref Published as a conference paper at ICLR 2025

Real-Time Procedural Learning From Experience for AI Agents

实时经验学习的AI代理

Dasheng Bi, Yubin Hu, Mohammed N. Nasir

机构 * Altrina（阿尔特里纳） 纠错

AI总结 PRAXIS通过实时存储和检索行动后果，提升AI代理在动态环境中的任务完成效率与可靠性。

Journal ref ICLR 2026 MemAgents Workshop; WWW '26 Agentic Web Workshop

House of Dextra: Cross-embodied Co-design for Dexterous Hands

Dextra之家：为灵巧手的跨具身体验共设计

Kehlani Fay, Darin Anthony Djapri, Anya Zorin, James Clinton, Ali El Lahib, Hao Su, Michael T. Tolley, Sha Yi, Xiaolong Wang

机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

AI总结 本文提出一种共设计框架，通过学习任务特定的手形态和互补的灵巧控制策略，实现机器人手的高效设计与控制，可在24小时内完成设计、训练、制造和部署。

Comments Code and videos: https://an-axolotl.github.io/HouseofDextra/

Journal ref International Conference on Learning Representations (ICLR), 2026

Understanding and Improving Shampoo and SOAP via Kullback-Leibler Minimization

通过Kullback-Leibler最小化理解并改进洗发水与SOAP

Wu Lin, Scott C. Lowe, Felix Dangel, Runa Eschenhagen, Zikun Xu, Roger B. Grosse

机构 * Vector Institute（向量研究所） ； University of Cambridge（剑桥大学） ； Microsoft（微软） ； University of Toronto（多伦多大学） 纠错

AI总结 本文通过将估计过程转化为KL散度最小化下的协方差估计，改进了Shampoo和SOAP，提出KL-Shampoo和KL-SOAP方法，在神经网络预训练中表现更优，且无需依赖Adam。

Comments an extended version of the ICLR 2026 paper (added a paragraph in Sec 3.2 about short-sided KL-Shampoo as scaled Muon when momentum is disabled)

OFMU: Optimization-Driven Framework for Machine Unlearning

OFMU：面向机器遗忘的优化驱动框架

Sadia Asif, Mohammad Mohammadi Amiri

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

AI总结 提出OFMU，一种基于惩罚的双层优化框架，通过层次结构优先遗忘并保持保留性能，在视觉和语言基准上优于现有方法。

Comments Under review at ICLR 2026

Johnson-Lindenstrauss Lemma Guided Network for Efficient 3D Medical Segmentation

Johnson-Lindenstrauss引理引导的高效3D医学分割网络

Jinpeng Lu, Linghan Cai, Yinda Chen, Guo Tang, Songhan Jiang, Haoyuan Shi, Zhiwei Xiong

机构 * University of Science and Technology of China（中国科学技术大学） ； Dresden University of Technology（德累斯顿理工大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

AI总结 提出VeloxSeg，通过双流CNN-Transformer架构（PWA和JLC）结合格拉姆矩阵空间解耦知识迁移，在低计算预算下实现多模态3D医学图像高效分割，Dice提升26%，GPU吞吐量提升11倍。

Comments 30 pages, 12 figures. Accepted at ICLR 2026