ICLR

Synthesising Counterfactual Explanations via Label-Conditional Gaussian Mixture Variational Autoencoders

通过标签条件高斯混合变分自编码器合成反事实解释

Junqi Jiang, Francesco Leofante, Antonio Rago, Francesca Toni

机构 * Imperial College London（帝国理工学院伦敦分校） ； J.P. Morgan AI Research（摩根大通人工智能研究） ； King’s College London（伦敦国王学院） 纠错

AI总结 LAPACE通过标签条件高斯混合变分自编码器生成稳健且多样化的反事实解释路径，实现高效且模型无关的CE合成。

Comments Accepted at ICLR 2026. Camera-ready version

MobileLLM-R1: Exploring the Limits of Sub-Billion Language Model Reasoners with Open Training Recipes

MobileLLM-R1: 探索子十亿参数语言模型推理能力的极限与开放训练配方

Changsheng Zhao, Ernie Chang, Zechun Liu, Chia-Jung Chang, Wei Wen, Chen Lai, Sheng Cao, Yuandong Tian, Raghuraman Krishnamoorthi, Yangyang Shi, Vikas Chandra

机构 * Meta AI 纠错

AI总结 MobileLLM-R1通过开放训练配方在较少数据下实现子十亿参数模型的推理能力突破，显著超越现有模型。

Comments ICLR 2026

Alignment through Meta-Weighted Online Sampling: Bridging the Gap between Data Generation and Preference Optimization

通过元权重在线采样对齐：弥合数据生成与偏好优化之间的差距

Junming Yang, Ning Xu, Biao Liu, Shiqi Qiao, Xin Geng

机构 * School of Computer Science and Engineering, Southeast University, Nanjing, China（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用国家重点实验室） 纠错

AI总结 MetaAPO通过动态结合数据生成与模型训练，有效解决偏好优化中的分布不匹配问题，提升对齐效果并降低标注成本。

Comments Accepted by ICLR 2026

ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting

ProtoTS: 基于可解释时间序列预测的层次原型学习

Ziheng Peng, Shijie Ren, Xinyue Gu, Linxiao Yang, Xiting Wang, Liang Sun

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； DAMO Academy, Alibaba Group（阿里集团大模型学院） ； Hupan Laboratory（华平实验室） 纠错

AI总结 ProtoTS通过层次原型学习实现高精度且透明的时间序列预测，提供多级可解释性以增强模型理解和决策支持。

Comments ICLR 2026 Poster

Context and Diversity Matter: The Emergence of In-Context Learning in World Models

上下文与多样性至关重要：世界模型中情境学习的出现

Fan Wang, Zhiyuan Chen, Yuxuan Zhong, Sunjian Zheng, Pengtao Shao, Bo Yu, Shaoshan Liu, Jianan Wang, Ning Ding, Yang Cao, Yu Kang

机构 * Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人社会研究院） ； University of Science and Technology of China（中国科学技术大学） ； Anhui Province Key Laboratory of Intelligent Low-Carbon Information Technology and Equipment（安徽省智能低碳信息技术与设备重点实验室） 纠错

AI总结 本文研究了世界模型中情境学习的机制，揭示了环境识别和学习的核心作用，并探讨了长上下文和多样化环境对学习效果的影响。

Journal ref 2026 International Conference on Learning Representations (ICLR)

Efficient Ensemble Conditional Independence Test Framework for Causal Discovery

高效的因果发现条件独立性测试框架

Zhengkang Guan, Kun Kuang

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

AI总结 本文提出了一种高效的条件独立性测试框架，通过分组聚合策略降低计算复杂度并提升因果发现性能。

Comments Published as a conference paper at ICLR 2026

MEGS$^{2}$: Memory-Efficient Gaussian Splatting via Spherical Gaussians and Unified Pruning

MEGS$^{2}$: 通过球形高斯和统一剪枝实现内存高效的三维高斯散射

Jiarui Chen, Yikeng Chen, Yingshuang Zou, Ye Huang, Peng Wang, Yuan Liu, Yujing Sun, Wenping Wang

机构 * HKUST（香港科技大学） ； SZU（深圳大学） ； SYSU（南方科技大学） ； Adobe（Adobe公司） ； NTU（国立台湾大学） ； TAMU（德克萨斯大学奥斯汀分校） 纠错

AI总结 MEGS$^{2}$通过球形高斯和统一剪枝技术，实现了3DGS的内存高效压缩，显著降低内存占用并保持高质量渲染。

Comments 20 pages, 8 figures. Accepted by ICLR 2026

Veritas: Generalizable Deepfake Detection via Pattern-Aware Reasoning

Veritas：通过模式感知推理实现通用的深度伪造检测

Hao Tan, Jun Lan, Zichang Tan, Ajian Liu, Chuanbiao Song, Senyuan Shi, Huijia Zhu, Weiqiang Wang, Jun Wan, Zhen Lei

机构 * School of Advanced Interdisciplinary Sciences (SAIS), University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS） ； Ant Group（蚂蚁集团） ； Shenzhen Institute of Advanced Technology (SIAT), Chinese Academy of Sciences（中国科学院深圳先进技术研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 Veritas通过模式感知推理，基于多模态大语言模型实现通用深度伪造检测，提升对未知伪造技术和数据领域的检测能力。

Comments ICLR 2026 Oral. Project: https://github.com/EricTan7/Veritas

Empowering Small VLMs to Think with Dynamic Memorization and Exploration

赋能小型视觉语言模型进行动态记忆与探索

Jiazhen Liu, Yuchuan Deng, Long Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 DyME通过动态选择记忆与探索策略，提升小型视觉语言模型的推理能力。

Comments Accepted by ICLR 2026

CoMind: Towards Community-Driven Agents for Machine Learning Engineering

CoMind：面向机器学习工程的社区驱动代理

Sijie Li, Weiwei Sun, Shanda Li, Ameet Talwalkar, Yiming Yang

AI总结 CoMind通过多代理系统和迭代并行探索机制，在Kaggle竞赛中实现了优于人类竞争者的性能，展示了社区驱动代理在机器学习工程中的潜力。

Comments ICLR 2026. Code available at https://github.com/comind-ml/CoMind

On the Lipschitz Continuity of Set Aggregation Functions and Neural Networks for Sets

关于集合聚合函数和集合神经网络的Lipschitz连续性

Giannis Nikolentzos, Konstantinos Skianis

机构 * Department of Informatics and Telecommunications University of Peloponnese（信息与通信技术系希腊皮洛斯大学） ； Department of Computer Science & Engineering University of Ioannina（计算机科学与工程系伊奥尼亚大学） 纠错

AI总结 本文研究了集合聚合函数和基于注意力的聚合函数的Lipschitz连续性，推导了处理多重集合神经网络的Lipschitz常数上界，并通过实验验证了其稳定性与泛化能力。

Comments Accepted at ICLR 2026

Tracing and Reversing Edits in LLMs

追踪和逆转大语言模型中的编辑

Paul Youssef, Zhixue Zhao, Christin Seifert, Jörg Schlötterer

机构 * Marburg University（马堡大学） ； University of Sheffield（谢菲尔德大学） 纠错

AI总结 本研究提出通过分析修改后的权重来追踪和逆转大语言模型中的恶意编辑，实现高准确率的检测与恢复，以增强模型安全性。

Comments Accepted at ICLR 2026

REA-RL: Reflection-Aware Online Reinforcement Learning for Efficient Reasoning

REA-RL：面向高效推理的反思意识在线强化学习

Hexuan Deng, Wenxiang Jiao, Xuebo Liu, Jun Rao, Min Zhang

机构 * Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen, China（计算与智能学院，哈尔滨工业大学深圳学院） ； Zhongguancun Academy, Beijing, China（中关村学院，北京） ； Xiaohongshu Inc.（小红书公司） 纠错

AI总结 REA-RL通过引入反思模型和反思奖励，提升在线强化学习中推理效率和性能平衡。

Comments Accepted by ICLR 2026

Multi-View Encoders for Performance Prediction in LLM-Based Agentic Workflows

多视角编码器在基于大语言模型的代理工作流性能预测中的应用

Patara Trirat, Wonyong Jeong, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出Agentic Predictor，通过多视角编码技术与跨领域预训练，实现高效准确的代理工作流性能预测，提升LLM代理系统设计效率。

Comments ICLR 2026, Project Page: https://deepauto-ai.github.io/agentic-predictor/

Efficient Degradation-agnostic Image Restoration via Channel-Wise Functional Decomposition and Manifold Regularization

通过通道级功能分解和流形正则化实现高效的退化无关图像恢复

Bin Ren, Yawei Li, Xu Zheng, Yuqian Fu, Danda Pani Paudel, Hong Liu, Ming-Hsuan Yang, Luc Van Gool, Nicu Sebe

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽德人工智能大学） ； University of Trento（特伦托大学） ； ETH Zürich（苏黎世联邦理工学院） ； HKUST (GZ)（香港科技大学（广州）） ； Peking University（北京大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 MIRAGE通过通道级功能分解和流形正则化，在高效性与性能之间取得平衡，实现退化无关图像恢复的先进性能。

Comments Accepted by ICLR'2026, All-in-One Image Restoration, low-level vision, Transformer

Sparsity Forcing: Reinforcing Token Sparsity of MLLMs

稀疏性强制：强化多模态大语言模型的token稀疏性

Feng Chen, Yefei He, Lequan Lin, Chenhui Gou, Jing Liu, Bohan Zhuang, Qi Wu

机构 * AIML, University of Adelaide, Australia（AIML，澳大利亚阿德莱德大学） ； ZIP Lab, Zhejiang University, China（浙江工业大学ZIP实验室） ； University of Sydney, Australia（悉尼大学） ； Monash University, Australia（墨尔本大学） 纠错

AI总结 本文提出Sparsity Forcing方法，通过强化学习框架在多模态大语言模型中提升token稀疏性，实现75%的token减少与极小的精度损失。

Comments Accepted by ICLR 2026

Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning

Paper2Code: 从科学论文自动生成机器学习代码

Minju Seo, Jinheon Baek, Seongyun Lee, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； LG AI Research（LG人工智能研究所） 纠错

AI总结 Paper2Code通过多代理LLM框架自动生成机器学习论文的高质量代码实现，有效提升代码生成效率和准确性。

Comments ICLR 2026

Autoregressive Image Generation with Randomized Parallel Decoding

具有随机并行解码的自回归图像生成

Haopeng Li, Jinyue Yang, Guoqi Li, Huan Wang

AI总结 ARPG通过解耦的位置指导与内容表示，实现高效的随机顺序图像生成，提升推理速度和零样本泛化能力。

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

Semantic Parallelism: Redefining Efficient MoE Inference via Model-Data Co-Scheduling

语义并行：通过模型-数据协同调度重新定义高效的MoE推理

Yan Li, Zhenyu Zhang, Zhengang Wang, Pengfei Chen, Pengfei Zheng

机构 * Huawei Technologies（华为技术有限公司） ； Sun Yat-Sen University（中山大学） 纠错

AI总结 本文提出语义并行范式，通过模型-数据协同调度减少MoE推理中的通信成本，提升推理效率。

Comments Published as a conference paper at ICLR 2026

The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective

在线强化学习的样本复杂性：多模型视角

Michael Muehlebach, Zhiyu He, Michael I. Jordan

AI总结 本文从多模型视角探讨在线强化学习的样本复杂性，提出算法在不同动态系统中实现策略后悔的理论界，适用于非回合设定下的非线性动力系统。

Comments accepted at ICLR 2026; 37 pages, 6 figures

Revisiting Matrix Sketching in Linear Bandits: Achieving Sublinear Regret via Dyadic Block Sketching

重新审视线性老虎机中的矩阵压缩：通过双尺度块压缩实现亚线性遗憾

Dongxie Wen, Hanyan Yin, Xiao Zhang, Peng Zhao, Lijun Zhang, Zhewei Wei

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） 纠错

AI总结 本文提出双尺度块压缩方法，通过动态调整压缩大小，在无需先验知识的情况下实现线性老虎机的亚线性遗憾界。

Comments Accepted by ICLR 2026

TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation

TIGER：用于高效语音分离的时间-频率交织增益提取与重建

Mohan Xu, Kai Li, Guo Chen, Xiaolin Hu

机构 * Department of Computer Science and Technology, Institute for AI, BNRist, Tsinghua University（计算机科学与技术系、人工智能研究院、BNRist、清华大学） ； Tsinghua Laboratory of Brain and Intelligence (THBI), IDG/McGovern Institute for Brain Research, Tsinghua University（脑智能实验室（THBI）、IDG/麦克戈文脑科学研究院、清华大学） ； Chinese Institute for Brain Research (CIBR), Beijing（中国脑科学研究院） 纠错

AI总结 TIGER通过时间-频率交织增益提取与重建技术，在降低参数和计算成本的同时，实现了超越SOTA模型的语音分离性能。

Comments Accepted by ICLR 2025, demo page: https://cslikai.cn/TIGER/

FedDAG: Clustered Federated Learning via Global Data and Gradient Integration for Heterogeneous Environments

FedDAG: 通过全局数据和梯度整合进行异构环境下的集群联邦学习

Anik Pramanik, Murat Kantarcioglu, Vincent Oria, Shantanu Sharma

机构 * New Jersey Institute of Technology, USA（新泽西理工学院） ； Virginia Tech, USA（弗吉尼亚理工学院） 纠错

AI总结 FedDAG通过整合全局数据和梯度信息，提出了一种集群联邦学习框架，以提升异构环境下的模型性能和跨集群特征转移能力。

Comments This paper has been accepted in ICLR 2026

One2Scene: Geometric Consistent Explorable 3D Scene Generation from a Single Image

One2Scene: 从单张图像生成几何一致的可探索3D场景

Pengfei Wang, Liyi Chen, Zhiyuan Ma, Yanjun Guo, Guowen Zhang, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 One2Scene通过分解问题为三个子任务，实现从单张图像生成几何一致且可探索的3D场景。

Comments ICLR 2026

The False Promise of Zero-Shot Super-Resolution in Machine-Learned Operators

机器学习算子中零样本超分辨率的虚假承诺

Mansi Sakarvadia, Kareem Hegazy, Amin Totounferoush, Kyle Chard, Yaoqing Yang, Ian Foster, Michael W. Mahoney

机构 * University of Chicago（芝加哥大学） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； University of Stuttgart（斯图加特大学） ； Dartmouth College（达特茅斯学院） ； International Computer Science Institute（国际计算机科学研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了机器学习算子在零样本超分辨率中的局限性，提出了一种数据驱动的多分辨率训练方法以提高泛化能力。

Comments Published in the Proceedings of the International Conference on Learning Representations (ICLR), 2026

Semantic Regexes: Auto-Interpreting LLM Features with a Structured Language

语义正则表达式：通过结构化语言自动解释LLM特性

Angie Boggust, Donghao Ren, Yannick Assogba, Dominik Moritz, Arvind Satyanarayan, Fred Hohman

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Apple（苹果公司） 纠错

AI总结 语义正则表达式通过结构化语言自动解释LLM特性，提供精确且简洁的特征描述，提升模型可解释性分析的准确性和一致性。

Comments ICLR 2026

Universal Beta Splatting

通用贝塔散射

Rong Liu, Zhongpai Gao, Benjamin Planche, Meida Chen, Van Nguyen Nguyen, Meng Zheng, Anwesa Choudhuri, Terrence Chen, Yue Wang, Andrew Feng, Ziyan Wu

机构 * University of Southern California（南加州大学） ； United Imaging Intelligence（联合影像智能） 纠错

AI总结 通用贝塔散射提出了一种统一框架，通过各向异性贝塔核实现显式光场渲染，能有效处理复杂光传输和动态场景，优于现有方法。

Comments ICLR 2026

On the Generalization of SFT: A Reinforcement Learning Perspective with Reward Rectification

在SFT的泛化上：从强化学习视角的奖励校正

Yongliang Wu, Yizhou Zhou, Zhou Ziheng, Yingzhe Peng, Xinyu Ye, Xinting Hu, Wenbo Zhu, Lu Qi, Ming-Hsuan Yang, Xu Yang

机构 * Southeast University（东南大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 本文提出动态微调方法，通过奖励校正提升SFT的泛化能力，在多个任务中表现优于传统SFT。

Comments ICLR 2026

Mean Estimation from Coarse Data: Characterizations and Efficient Algorithms

从粗数据估计均值：特征化与高效算法

Alkis Kalavasis, Anay Mehrotra, Manolis Zampetakis, Felix Zhou, Ziyu Zhu

机构 * Yale University（耶鲁大学） ； Stanford University（斯坦福大学） ； IMC Trading（IMC交易） 纠错

AI总结 本文研究了从粗数据估计高斯均值的问题，解决了在凸分区下均值可识别性和计算高效估计的两个核心问题。

Comments Abstract truncated to arXiv limits. To appear in ICLR'26

SPARTA: Scalable and Principled Benchmark of Tree-Structured Multi-hop QA over Text and Tables

SPARTA：可扩展且原则性的树状多跳问答基准

Sungho Park, Jueun Kim, Wook-Shin Han

机构 * POSTECH 纠错

AI总结 SPARTA通过自动生成大规模表格-文本问答基准测试，揭示了跨模态推理的深层缺陷。

Comments 10 pages, 5 figures. Published as a conference paper at ICLR 2026. Project page: https://sparta-projectpage.github.io/

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