ICLR

Noisy-Pair Robust Representation Alignment for Positive-Unlabeled Learning

噪声对偶鲁棒表示对齐用于正样本未标记学习

Hengwei Zhao, Zhengzhong Tu, Zhuo Zheng, Wei Wang, Junjue Wang, Rusty Feagin, Wenzhe Jiao

机构 * Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； RIKEN（理化学研究所） ； The University of Tokyo（东京大学） 纠错

AI总结 NcPU通过噪声对偶鲁棒监督非对比损失和幻影标签歧义消除方案，提升正样本未标记学习在复杂数据集上的性能。

Comments Published at ICLR 2026

Routing, Cascades, and User Choice for LLMs

路由、级联与用户选择用于大语言模型

Rafid Mahmood

机构 * University of Ottawa（渥太华大学） ； NVIDIA（NVIDIA公司） 纠错

AI总结 本文研究了大语言模型路由策略与用户行为之间的博弈，揭示了提供者与用户在效用和成本排序上的不一致，提出了基于Stackelberg博弈的路由优化方法，并得出了单用户单提供者互动的阈值规则。

Comments 23 pages, accepted in ICLR 2026

Contextual and Seasonal LSTMs for Time Series Anomaly Detection

上下文和季节性LSTM用于时间序列异常检测

Lingpei Zhang, Qingming Li, Yong Yang, Jiahao Chen, Rui Zeng, Chenyang Lyu, Shouling Ji

机构 * Zhejiang University（浙江大学） ； Huawei Technologies（华为技术有限公司） ； Zhejiang Key Laboratory of Decision Intelligence（浙江省决策智能重点实验室） 纠错

AI总结 本文提出CS-LSTMs框架，通过结合上下文依赖和季节性模式，提升时间序列中细微异常的检测能力，并在基准数据集上验证了其有效性。

Comments Published as a conference paper at ICLR 2026

AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild

AutoFly：面向野外无人机自主导航的视觉-语言-动作模型

Xiaolou Sun, Wufei Si, Wenhui Ni, Yuntian Li, Dongming Wu, Fei Xie, Runwei Guan, He-Yang Xu, Henghui Ding, Yuan Wu, Yutao Yue, Yongming Huang, Hui Xiong

机构 * Southeast University（东南大学） ； Purple Mountain Labs（紫金山实验室） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 AutoFly是一种面向野外无人机自主导航的视觉-语言-动作模型，通过伪深度编码器和渐进两阶段训练策略，实现自主避障和规划，提升导航成功率。

Comments Acceped by ICLR 2026

AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception

AnyTouch 2: 通用光学触觉表征学习用于动态触觉感知

Ruoxuan Feng, Yuxuan Zhou, Siyu Mei, Dongzhan Zhou, Pengwei Wang, Shaowei Cui, Bin Fang, Guocai Yao, Di Hu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学光明学院） ； Beijing Key Laboratory of Research on Large Models（北京大型模型研究关键实验室） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Beijing Jiaotong University（北京交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing University of Posts（北京邮电大学） ； State Key Laboratory of Multimedia Information Processing, Peking University（北京大学多媒体信息处理国家重点实验室） 纠错

AI总结 AnyTouch 2 是一种通用光学触觉表征学习框架，通过大规模层次化触觉数据集提升动态触觉感知能力，实现物体层面与细粒度力感知的统一学习。

Comments Accepted by ICLR 2026

K-Sort Eval: Efficient Preference Evaluation for Visual Generation via Corrected VLM-as-a-Judge

K-Sort Eval: 通过校正VLM作为评判者实现视觉生成的高效偏好评估

Zhikai Li, Jiatong Li, Xuewen Liu, Wangbo Zhao, Pan Du, Kaicheng Zhou, Qingyi Gu, Yang You, Zhen Dong, Kurt Keutzer

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 K-Sort Eval通过后验校正和动态匹配策略，实现高效可靠的视觉生成模型偏好评估。

Comments ICLR 2026. Code is available at: https://github.com/zkkli/K-Sort-Eval

BiasScope: Towards Automated Detection of Bias in LLM-as-a-Judge Evaluation

BiasScope: 向LLM-as-a-Judge评估中的偏见检测自动化迈进

Peng Lai, Zhihao Ou, Yong Wang, Longyue Wang, Jian Yang, Yun Chen, Guanhua Chen

机构 * Southern University of Science and Technology（南方科技大学） ； Alibaba Group（阿里巴巴集团） ； Beihang University（北航） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 BiasScope通过自动化发现LLM-as-a-Judge评估中的潜在偏见，提升了评估的稳健性，并提出了更具有挑战性的JudgeBench-Pro基准。

Comments Accepted to ICLR 2026

Efficient-SAM2: Accelerating SAM2 with Object-Aware Visual Encoding and Memory Retrieval

Efficient-SAM2: 通过对象感知视觉编码和内存检索加速SAM2

Jing Zhang, Zhikai Li, Xuewen Liu, Qingyi Gu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； 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 Efficient-SAM2通过对象感知的视觉编码和内存检索技术，显著提升SAM2的推理效率，实现1.68倍加速且仅损失1.0%的准确性。

Comments ICLR 2026,Code is available at: https://github.com/jingjing0419/Efficient-SAM2

Cross-Modal Redundancy and the Geometry of Vision-Language Embeddings

跨模态冗余与视觉-语言嵌入的几何学

Grégoire Dhimoïla, Thomas Fel, Victor Boutin, Agustin Picard

机构 * Brown University（布朗大学） ； ENS Paris Saclay（巴黎萨克雷大学） ； IRT Saint Exupéry（IRT圣埃克苏佩里） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） 纠错

AI总结 本文通过等能假设和对齐稀疏自编码器，揭示了视觉-语言模型中跨模态对齐的几何结构，发现稀疏双模态原子承载了跨模态对齐信号，单模态原子解释了模态差距，去除单模态原子可消除差距而不影响性能。

Comments Published as a conference paper at ICLR 2026

Detecting and Mitigating Memorization in Diffusion Models through Anisotropy of the Log-Probability

通过概率的各向异性检测和缓解扩散模型中的记忆化

Rohan Asthana, Vasileios Belagiannis

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） 纠错

AI总结 通过分析概率各向异性，提出一种高效的扩散模型记忆化检测与缓解方法，提升检测效率并减少计算成本。

Comments Accepted at ICLR 2026

Temporal Concept Dynamics in Diffusion Models via Prompt-Conditioned Interventions

通过提示条件干预研究扩散模型中的时间概念动态

Ada Gorgun, Fawaz Sammani, Nikos Deligiannis, Bernt Schiele, Jonas Fischer

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； ETRO Department, Vrije Universiteit Brussel and imec（ETRO部门，布鲁塞尔自由大学和imec） 纠错

AI总结 通过提示条件干预研究扩散模型中概念随时间动态的变化，揭示不同阶段对特定概念的适应性，提升文本驱动图像编辑的效果。

Comments Accepted at the International Conference on Learning Representations 2026 (ICLR 2026). Code is available at: https://adagorgun.github.io/PCI-Project/

ReForm: Reflective Autoformalization with Prospective Bounded Sequence Optimization

ReForm：具有前瞻性有界序列优化的反思自动形式化

Guoxin Chen, Jing Wu, Xinjie Chen, Wayne Xin Zhao, Ruihua Song, Chengxi Li, Kai Fan, Dayiheng Liu, Minpeng Liao

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； Zhejiang University（浙江大学） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理重点实验室） 纠错

AI总结 ReForm通过整合语义一致性评估和前瞻性有界序列优化，提升自动形式化任务的准确性和语义保真度，实验表明其在四个基准上的性能提升了22.6个百分点。

Comments Camera Ready version for ICLR 2026. Code: https://github.com/Chen-GX/ReForm

Beyond Pairwise: Empowering LLM Alignment With Ranked Choice Modeling

超越成对：通过排名选择建模增强大语言模型对齐

Yuxuan Tang, Yifan Feng

机构 * Institute of Operations Research and Analytics（运营研究与分析研究所） ； National University of Singapore（新加坡国立大学） ； Department of Analytics and Operations（分析与运营系） ； NUS Business School（新加坡国立大学商学院） 纠错

AI总结 本文提出RCPO框架，通过最大似然估计结合排名选择建模，提升大语言模型对齐效果，实验显示其在多种模型和设置中均优于基线方法。

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

SHIELD: Suppressing Hallucinations In LVLM Encoders via Bias and Vulnerability Defense

SHIELD：通过偏差和脆弱性防御抑制LVLM编码器中的幻觉

Yiyang Huang, Liang Shi, Yitian Zhang, Yi Xu, Yun Fu

机构 * Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学） ； Khoury College of Computer Science, Northeastern University（计算机科学学院，东北大学） 纠错

AI总结 SHIELD通过减少统计偏差、对抗固有偏差和解决脆弱性，有效抑制LVLM编码器中的对象幻觉。

Comments ICLR 2026

Bandits with Single-Peaked Preferences and Limited Resources

带有单峰偏好和有限资源的老虎机

Omer Ben-Porat, Gur Keinan, Rotem Torkan

机构 * Technion—Israel Institute of Technology（技术ion—以色列理工学院） 纠错

AI总结 本文提出了一种基于单峰偏好的高效算法，用于解决带有有限资源的在线老虎机问题，实现了O~(UKT^{2/3})的后悔界。

Comments Accepted to the International Conference on Learning Representations 2026 (ICLR'26)

Nudging the Boundaries of LLM Reasoning

推动大语言模型推理边界的 nudging

Justin Chih-Yao Chen, Becky Xiangyu Peng, Prafulla Kumar Choubey, Kung-Hsiang Huang, Jiaxin Zhang, Mohit Bansal, Chien-Sheng Wu

机构 * Salesforce AI Research（Salesforce AI研究） 纠错

AI总结 NuRL通过自动生成提示提升大语言模型推理上限，解决传统RL无法学习无法解决样本的问题。

Comments ICLR 2026 (Camera-Ready)

THOR: Tool-Integrated Hierarchical Optimization via RL for Mathematical Reasoning

THOR：通过强化学习进行工具集成的分层优化以实现数学推理

Qikai Chang, Zhenrong Zhang, Pengfei Hu, Jun Du, Jiefeng Ma, Yicheng Pan, Jianshu Zhang, Quan Liu, Jianqing Gao

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） 纠错

AI总结 THOR通过强化学习实现工具集成的分层优化，提升数学推理和代码生成能力。

Comments 22 pages, 13 figures, ICLR 2026

PersonaX: Multimodal Datasets with LLM-Inferred Behavior Traits

PersonaX: 多模态数据集与LLM推断行为特征

Loka Li, Wong Yu Kang, Minghao Fu, Guangyi Chen, Zhenhao Chen, Gongxu Luo, Yuewen Sun, Salman Khan, Peter Spirtes, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Australian National University（澳大利亚国立大学） 纠错

AI总结 PersonaX通过多模态数据集结合LLM推断行为特征，推动多模态特征分析与因果推理发展。

Comments ICLR 2026

The Devil behind the mask: An emergent safety vulnerability of Diffusion LLMs

面具背后的魔鬼：扩散语言模型的新兴安全漏洞

Zichen Wen, Jiashu Qu, Zhaorun Chen, Xiaoya Lu, Dongrui Liu, Zhiyuan Liu, Ruixi Wu, Yicun Yang, Xiangqi Jin, Haoyun Xu, Xuyang Liu, Weijia Li, Chaochao Lu, Jing Shao, Conghui He, Linfeng Zhang

机构 * EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Chicago（芝加哥大学） 纠错

AI总结 DIJA揭示了扩散语言模型的安全漏洞，通过构造对抗性提示利用双向建模和并行解码机制，使有害内容在对齐训练模型中得以生成。

Comments Accepted by ICLR 2026

TAMMs: Change Understanding and Forecasting in Satellite Image Time Series with Temporal-Aware Multimodal Models

TAMMs: 卫星图像时间序列中基于时序感知的多模态模型用于变化理解和预测

Zhongbin Guo, Yuhao Wang, Ping Jian, Chengzhi Li, Xinyue Chen, Zhen Yang, Ertai E

机构 * School of Computer Science & Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学） ； School of Computing, National University of Singapore（计算学院，新加坡国立大学） 纠错

AI总结 TAMMs通过时序感知多模态模型统一执行卫星图像时间序列中的变化理解和未来预测，提升长程时间动态建模能力。

Comments Published as a conference paper at The Fourteenth International Conference on Learning Representations (ICLR 2026)

GeoGramBench: Benchmarking the Geometric Program Reasoning in Modern LLMs

GeoGramBench: 评估现代大语言模型中的几何程序推理

Shixian Luo, Zezhou Zhu, Yu Yuan, Yuncheng Yang, Lianlei Shan, Yong Wu

机构 * Li Auto Inc.（利亚特公司） 纠错

AI总结 GeoGramBench通过评估现代大语言模型在几何程序推理中的能力，揭示了其在空间推理任务中的显著不足。

Comments Accepted to ICLR 2026

Deconstructing Positional Information: From Attention Logits to Training Biases

解构位置信息：从注意力logits到训练偏见

Zihan Gu, Ruoyu Chen, Han Zhang, Hua Zhang, Yue Hu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Antai College of Economics and Management, Shanghai Jiao Tong University（上海交通大学安泰经济管理学院） 纠错

AI总结 本文通过分析注意力logits和位置编码形式，揭示了乘法编码在整合位置与语义信息上的优势，并发现训练过程中存在的单头沉积模式。

Comments Accepted by ICLR 2026

Is the Reversal Curse a Binding Problem? Uncovering Limitations of Transformers from a Basic Generalization Failure

反向诅咒是否是一个束缚问题？从基本泛化失败中揭示变换器的局限性

Boshi Wang, Huan Sun

机构 * The Ohio State University（俄亥俄州立大学） 纠错

AI总结 本文通过揭示变换器在概念绑定方面的局限性，首次突破反向诅咒并提升模型泛化能力。

Comments ICLR 2026

Neural Force Field: Few-shot Learning of Generalized Physical Reasoning

神经力场：基于少量样本的学习通用物理推理

Shiqian Li, Ruihong Shen, Yaoyu Tao, Chi Zhang, Yixin Zhu

机构 * Institute for AI, Peking University（人工智能研究院，北京大学） ； School of Psychological and Cognitive Sciences, Peking University（心理学与认知科学学院，北京大学） ； School of EECS, Peking University（电子工程学院，北京大学） ； School of Integrated Circuits, Peking University（集成电路学院，北京大学） ； State Key Lab of General AI, Peking University（通用人工智能国家重点实验室，北京大学） ； Beijing Key Laboratory of Behavior and Mental Health, Peking University（北京行为与心理健康重点实验室，北京大学） 纠错

AI总结 神经力场通过力场表示实现基于少量样本的学习通用物理推理，有效提升物理动态的泛化能力。

Comments 27 pages, ICLR 2026

Latent Safety-Constrained Policy Approach for Safe Offline Reinforcement Learning

潜在安全约束策略方法用于安全离线强化学习

Prajwal Koirala, Zhanhong Jiang, Soumik Sarkar, Cody Fleming

机构 * Iowa State University（爱荷华州立大学） 纠错

AI总结 本文提出了一种潜在安全约束策略方法，通过条件变分自动编码器和受约束奖励-回报最大化框架，实现了安全离线强化学习中的安全性和奖励优化的平衡。

Journal ref International Conference on Learning Representations (ICLR), 2025

EffoVPR: Effective Foundation Model Utilization for Visual Place Recognition

EffoVPR: 有效利用基础模型进行视觉位置识别

Issar Tzachor, Boaz Lerner, Matan Levy, Michael Green, Tal Berkovitz Shalev, Gavriel Habib, Dvir Samuel, Noam Korngut Zailer, Or Shimshi, Nir Darshan, Rami Ben-Ari

机构 * OriginAI ； The Hebrew University of Jerusalem（海法大学） 纠错

AI总结 EffoVPR通过有效利用基础模型提升视觉位置识别的性能，结合自注意力层提取特征和单阶段池化方法，实现更优的识别效果和特征紧凑性。

Comments ICLR 2025

Journal ref International Conference on Learning Representations (ICLR), 2025

Amortising Inference and Meta-Learning Priors in Neural Networks

在神经网络中实现推理和元学习先验的 amortization

Tommy Rochussen, Vincent Fortuin

机构 * Helmholtz AI（海德堡人工智能研究所） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Technical University of Munich（慕尼黑技术大学） ； University of Technology Nuremberg（纽伦堡技术大学） 纠错

AI总结 本文提出了一种在神经网络中通过amortized变分推断学习权重先验的方法，用于贝叶斯深度学习和概率元学习，实现了灵活的生成模型和新的元学习能力。

Comments Accepted at ICLR 2026

On the Expressive Power of GNNs for Boolean Satisfiability

关于GNNs在布尔可满足性问题中的表达能力

Saku Peltonen, Roger Wattenhofer

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文研究了GNNs在SAT求解中的表达能力，通过WL测试发现其无法区分可满足与不可满足实例，并分析了不同SAT实例对表达性需求的影响。

Comments Accepted at ICLR 2026

Trapped by simplicity: When Transformers fail to learn from noisy features

陷入简单性：当Transformer无法从噪声特征中学习时

Evan Peters, Ando Deng, Matheus H. Zambianco, Devin Blankespoor, Achim Kempf

机构 * University of Waterloo（滑铁卢大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） 纠错

AI总结 本文研究了Transformer在噪声特征下的学习能力，发现其在某些布尔函数上表现优异，但在随机k-junta函数上因简单性偏见和敏感度差异而失效。

Comments 13+12 pages, 7 figures. Accepted at ICLR 2026

Journal ref International Conference on Learning Representations, 2026

Revisiting [CLS] and Patch Token Interaction in Vision Transformers

重新审视 Vision Transformers 中的 [CLS] 和 Patch Token 交互

Alexis Marouani, Oriane Siméoni, Hervé Jégou, Piotr Bojanowski, Huy V. Vo

AI总结 本文研究了 Vision Transformers 中 [CLS] 和 Patch Token 的交互，提出专业化处理路径以提升密集预测任务的性能，实验显示在保持分类准确性的前提下，分割性能提升超过 2 mIoU。

Comments To be published as a conference paper at ICLR 2026