Skirting Additive Error Barriers for Private Turnstile Streams
规避加性误差障碍的私有翻转流持续发布
AI总结 本文提出在私有翻转流中持续发布不同元素数量的方法，通过结合乘性和加性误差降低空间需求，同时探讨隐私与误差间的权衡。
Comments ICLR 2026
期刊&会议
ICLR
International Conference on Learning Representations · 会议 · Machine Learning
Learning-guided Kansa collocation for forward and inverse PDEs beyond linearity
基于学习的Kansa配点法用于超越线性的正向和反向PDEs
机构 * Department of Computer Science and Technology（计算机科学与技术系） ； Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学）
AI总结 本文提出基于学习的Kansa配点法，用于解决超越线性的正向和反向PDEs问题，通过扩展CNF框架并应用到耦合和非线性场景，实现高效求解与自调技术。
Comments Accepted for poster presentation at the ICLR 2026 Artificial Intelligence and Partial Differential Equations (AI&PDE) Workshop. Fangcheng Zhong and Chenliang Zhou are co-corresponding authors
The Geometry of Reasoning: Flowing Logics in Representation Space
推理的几何学：表示空间中的流动逻辑
AI总结 研究通过几何框架分析LLM推理过程，揭示其在表示空间中的流动特性，并验证逻辑结构与语义的关系。
Comments ICLR 2026. Code: https://github.com/MasterZhou1/Reasoning-Flow
Uni-NTFM: A Unified Foundation Model for EEG Signal Representation Learning
Uni-NTFM：一种用于EEG信号表示学习的统一基础模型
AI总结 Uni-NTFM通过融合神经科学原理，提出了一种统一的基础模型，用于EEG信号表示学习，实现了高容量和高效的功能模块化，优于现有模型。
Comments Published as a conference paper at ICLR 2026
Erase or Hide? Suppressing Spurious Unlearning Neurons for Robust Unlearning
擦除或隐藏？抑制虚假的反向学习神经元以实现稳健的反向学习
机构 * Seoul National University（首尔国立大学） ； Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所）
AI总结 本文提出Ssiuu方法，通过属性引导正则化有效抑制虚假反向学习神经元，提升反向学习的鲁棒性和准确性。
Comments accepted to ICLR 2026
Flattery, Fluff, and Fog: Diagnosing and Mitigating Idiosyncratic Biases in Preference Models
奉承、浮夸与雾：诊断和缓解偏好模型中的固有偏见
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学）
AI总结 本研究通过反事实数据增强方法缓解偏好模型中的固有偏见，减少校准错误和偏斜差异，提升模型可靠性。
Comments Published at ICLR 2026; Code and data available at https://github.com/anirudhb123/preference-model-biases
Tether: Autonomous Functional Play with Correspondence-Driven Trajectory Warping
Tether: 基于对应驱动轨迹扭曲的自主功能性玩耍
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； Dyna Robotics（Dyna机器人技术）
AI总结 Tether通过基于对应驱动的轨迹扭曲，实现从少量演示开始的自主多任务玩耍，生成高质量数据集并提升模仿策略性能。
Comments International Conference on Learning Representations (ICLR), 2026. Project website and code: https://tether-research.github.io
Policy myopia as a mechanism of gradual disempowerment in Post-AGI governance, Circa 2049
政策短视作为后AGI治理中渐进性失能的机制，约2049年
AI总结 本文探讨了后AGI治理中政策短视如何通过三个交织机制导致人类失能，并通过动态系统建模证明其在多系统中的自我强化效应。
Comments Accepted at the Post-AGI Science and Society Workshop at ICLR 2026. 16 Pages and 4 Figures
Inherited Goal Drift: Contextual Pressure Can Undermine Agentic Goals
继承性目标漂移：情境压力可能削弱代理目标
机构 * UC San Diego（加州大学圣地亚哥分校） ； Columbia University（哥伦比亚大学） ； Georgia Tech（佐治亚理工学院） ； MATS ； SPAR
AI总结 本文研究了语言模型在面对情境压力时目标漂移的继承性问题，发现模型在不同环境下表现出不一致的鲁棒性，强调了对训练后技术改进的必要性。
Comments 22 pages, 7 figures. Accepted at ICLR 2026 Lifelong Agents Workshop
Adaptive Methods Are Preferable in High Privacy Settings: An SDE Perspective
在高隐私设置中自适应方法更优：从随机微分方程的角度
机构 * University of Basel（巴塞尔大学） ； University of Zürich（苏黎世大学）
AI总结 通过SDE分析发现，在高隐私或大批次噪声场景中，自适应方法在隐私-效用权衡和学习率调整上更具优势。
Comments Accepted at ICLR 2026 (Poster)
Articulation in Motion: Prior-free Part Mobility Analysis for Articulated Objects By Dynamic-Static Disentanglement
运动中的关节性：通过动态-静态解耦实现无先验知识的关节物体部分移动分析
机构 * School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出了一种无需先验知识的关节物体部分移动分析方法，通过动态-静态解耦实现高质量的3D重建与分割。
Comments Accepted by ICLR 2026. Project Page: https://haoai-1997.github.io/AiM/
SIGMark: Scalable In-Generation Watermark with Blind Extraction for Video Diffusion
SIGMark: 用于视频扩散模型的可扩展生成内水印与盲提取
机构 * Lenovo Research（联想研究院）
AI总结 SIGMark是一种用于视频扩散模型的可扩展生成内水印框架，通过盲提取技术实现无损水印并提升鲁棒性。
Comments Accepted to ICLR 2026
The Price of Robustness: Stable Classifiers Need Overparameterization
鲁棒性的代价：稳定分类器需要过参数化
机构 * Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Aleph Alpha Research（Aleph Alpha研究公司） ； University of Tromso（特罗姆瑟大学） ； DLR-German Aerospace Center（德国航空航天中心）
AI总结 该研究揭示了稳定分类器需要过参数化，通过建立泛化界限和鲁棒性定律，证明了过参数化对提高稳定性的重要性。
Comments 29 pages, 9 figures. Accepted at ICLR 2026
Journal ref In Proceedings of the Fourteenth International Conference on Learning Representations (ICLR), 2026
Rethinking Code Similarity for Automated Algorithm Design with LLMs
重新思考基于LLM的自动算法设计中的代码相似性
AI总结 BehaveSim通过分析问题解决行为轨迹，提升LLM-AAD性能并促进算法分析。
Comments Accepted to ICLR 2026
Echoing: Identity Failures when LLM Agents Talk to Each Other
回声：当大语言模型代理相互交谈时的身份失败
机构 * Salesforce AI Research（Salesforce AI研究）
AI总结 研究发现LLM代理在相互对话中出现身份失败现象，即回声，通过实验表明回声率高达70%，并提出结构化响应作为缓解措施。
Comments Published at ICLR workshop. Related blog post: https://www.salesforce.com/blog/agent-to-agent-interaction/
Map the Flow: Revealing Hidden Pathways of Information in VideoLLMs
映射流：揭示视频大语言模型中的隐藏信息路径
机构 * NAVER AI Lab（NAVER人工智能实验室）
AI总结 本研究通过机理可解释性技术揭示视频大语言模型中信息流的隐藏路径，展示了时间推理机制及提升模型可解释性和泛化能力的贡献。
Comments ICLR 2026, 32 pages, 39 figures, 8 tables
Reducing Belief Deviation in Reinforcement Learning for Active Reasoning
减少强化学习中的信念偏差以实现主动推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； ByteDance（字节跳动） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出$\mathbf{T^3}$方法，通过跟踪信念偏差并截断训练轨迹，提升LLM在主动推理中的训练稳定性与性能表现。
Comments Published as a conference paper at ICLR 2026 (Oral)
Human3R: Everyone Everywhere All at Once
Human3R: 人人处处一次完成
AI总结 Human3R通过统一框架实现一次完成的4D人体-场景重建，结合参数高效调优和单次前向传递，提升重建效率与性能。
Comments Page: https://fanegg.github.io/Human3R Code: https://github.com/fanegg/Human3R
Journal ref International Conference on Learning Representations (ICLR), 2026
Spectrum Tuning: Post-Training for Distributional Coverage and In-Context Steerability
频谱调节：面向分布覆盖和上下文可引导性的后训练
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出Spectrum Tuning方法，通过Spectrum Suite提升模型在多样化分布下的引导能力和输出空间覆盖性。
Comments ICLR 2026
D2E: Scaling Vision-Action Pretraining on Desktop Data for Transfer to Embodied AI
D2E：在桌面数据上扩展视觉-动作预训练以迁移到具身AI
机构 * Stanford University（斯坦福大学） ； Seoul National University（首尔国立大学）
AI总结 D2E通过桌面数据预训练，实现了具身AI任务的有效迁移，其框架包含三个组件，展示了在物理操作和导航任务中的高性能表现。
Comments Accepted to ICLR 2026
TTT3R: 3D Reconstruction as Test-Time Training
TTT3R: 3D重建作为测试时训练
机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Uni of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心）
AI总结 TTT3R通过测试时训练方法提升3D重建的长度泛化能力，实现全局姿态估计性能提升2倍，运行效率高且内存消耗低。
Comments Page: https://rover-xingyu.github.io/TTT3R/ Code: https://github.com/Inception3D/TTT3R
Journal ref International Conference on Learning Representations (ICLR), 2026
Prior-based Noisy Text Data Filtering: Fast and Strong Alternative For Perplexity
基于先验的噪声文本数据过滤：快速且强大的替代方法用于困惑度
机构 * Department of Artificial Intelligence（人工智能系）
AI总结 本文提出基于先验的噪声文本数据过滤方法，通过词频统计快速替代困惑度过滤，提升效率并保持性能。
Comments ICLR 2026
No Answer Needed: Predicting LLM Answer Accuracy from Question-Only Linear Probes
无需答案：从仅问题的线性探针预测LLM答案准确性
机构 * Universidad Internacional de Valencia（瓦伦西亚国际大学） ； University of Cambridge（剑桥大学） ； Independent Researcher（独立研究者）
AI总结 研究通过线性探针预测LLM答案准确性，发现模型在中间层预测能力饱和，但对数学推理问题泛化能力下降，揭示了LLM内部机制。
Comments Accepted (poster) to Principled Design for Trustworthy AI at ICLR 2026
MMTok: Multimodal Coverage Maximization for Efficient Inference of VLMs
MMTok: 为VLMs高效推理的多模态覆盖最大化
AI总结 MMTok通过多模态覆盖准则提升VLMs推理效率，结合视觉和文本信息优化标记选择，实现性能与速度的平衡。
Comments Accepted by ICLR 2026. Code: https://github.com/Ironieser/mmtok , Project Homepage: https://project.ironieser.cc/mmtok
Frame Guidance: Training-Free Guidance for Frame-Level Control in Video Diffusion Models
帧引导：基于帧级信号的无训练引导用于视频扩散模型的可控生成
机构 * KAIST（韩国国立科学技术院） ； NTU Singapore（南洋理工大学） ； Adobe Research（Adobe研究）
AI总结 帧引导通过帧级信号实现无训练的视频生成控制，支持多种任务如关键帧引导、风格化和循环，无需训练即可生成高质量视频。
Comments ICLR 2026. Project page: https://frame-guidance-video.github.io/
Automatic and Structure-Aware Sparsification of Hybrid Neural ODEs
混合神经ODEs的自动和结构感知稀疏化
机构 * Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种混合神经ODEs的自动稀疏化方法，结合领域知识与数据驱动正则化，以提高预测性能和稳定性，同时保持机理合理性。
Comments Accepted at The 14th International Conference on Learning Representations (ICLR) 2026
Doxing via the Lens: Revealing Location-related Privacy Leakage on Multi-modal Large Reasoning Models
通过镜头进行Doxing：揭示多模态大推理模型中的位置相关隐私泄露
机构 * University of Georgia（佐治亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； John Hopkins University（约翰·霍普金斯大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院市分校）
AI总结 本文研究了多模态大推理模型中的位置隐私泄露问题，提出DoxBench和GeoMiner框架，揭示模型在推断地理位置信息上的能力及隐私风险。
Comments Camera-ready version. Accepted as a poster at the 14th International Conference on Learning Representations (ICLR 2026). For official ICLR page, see https://iclr.cc/virtual/2026/poster/10006914
Robust Amortized Bayesian Inference with Self-Consistency Losses on Unlabeled Data
鲁棒的 amortized 贝叶斯推断与 unlabeled 数据上的 self-consistency 损失
AI总结 本文提出了一种半监督方法，利用 unlabeled 数据提升 amortized 贝叶斯推断在非模拟范围内的鲁棒性。
Comments Accepted to International Conference on Learning Representations (ICLR) 2026
NutriBench: A Dataset for Evaluating Large Language Models on Nutrition Estimation from Meal Descriptions
NutriBench：一个用于评估大语言模型从餐食描述中估算营养的基准数据集
机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 NutriBench通过评估大语言模型在餐食描述中估算营养的能力，为营养估算提供了新的研究方向和应用可能性。
Comments ICLR 2025
Direct Reward Fine-Tuning on Poses for Single Image to 3D Human in the Wild
基于姿态的直接奖励微调用于单图像到野外3D人体
机构 * Seoul National University（首尔国立大学）
AI总结 DrPose通过直接奖励微调提升单图像到3D人体重建的姿态一致性，利用姿态与图像配对数据训练，改进多视图扩散模型，提升动态和复杂姿态的重建质量。
Comments ICLR 2026, Project webpage: https://seunguk-do.github.io/drpose
