期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
协变量偏移与概念偏移的通用量化
机构 * South China University of Technology（华南理工大学）
AI总结 本文提出基于熵正则化最优传输的$\gamma^{*}$-概念偏移定义，统一协变量与概念偏移的误差界，并开发可估计的DataShifts算法，为分布偏移下的学习误差提供通用量化工具。
Comments 38 pages, 9 figures, accepted at the 43rd International Conference on Machine Learning (ICML 2026)
AI驱动的火炬燃烧效率估计
AI总结 提出一种结合轻量级视觉-语言编码器与多层感知器的AI方案，从低成本热视频直接预测火炬燃烧效率，集成于易部署界面，实现99%正常运行时间。
Comments Accepted at the 4th International Conference on Machine Learning and Data Engineering (ICMLDE 2025). 5 pages
保形校准迁移
机构 * Technical University of Darmstadt（达姆施塔特工业大学） ； Tongji University（同济大学）
AI总结 针对标定与部署数据不可交换的迁移场景，提出传输保形校准（TCC）方法，通过配对数据迁移标定并校正失配，实现无需目标标签的可靠覆盖保证。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
自动化从自然语言生成二次无约束二元优化（QUBO）公式
机构 * Bangladesh University of Engineering and Technology（孟加拉国工程技术大学） ； Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）
AI总结 提出一个端到端多智能体框架，从自然语言自动生成QUBO公式，并引入含100个问题的QUBOBench基准，实验显示准确率达68%，较基线提升22%。
Comments Accepted at the ICML 2026 Workshop on AI as a Tool for Mathematics, Computer Science, and Machine Learning (AI4Research)
面向目标的高斯过程低尾校准用于贝叶斯优化
机构 * Univ. Paris-Saclay, CNRS, CentraleSupélec, L2S, Gif-sur-Yvette, France（巴黎萨克雷大学，国家科学研究中心，中央超算实验室，L2S，法国吉夫-sur-伊夫特）
AI总结 本文研究了在无噪声情况下，针对低于低阈值t的标准高斯过程模型的预测分布进行面向目标的校准，提出了一种后处理方法tcGP，以校准预测分布低于t的部分，并展示了基于此的全局优化算法在设计空间中保持密集性，实验表明相较于标准高斯过程模型和全局校准高斯过程模型，改进了低尾校准和贝叶斯优化性能。
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML), PMLR 306, 2026
HorizonMath：通过自动验证衡量AI向数学发现的进步
机构 * University of Oxford（牛津大学） ； Benchmark ； Harvard University（哈佛大学） ； Princeton University（普林斯顿大学） ； Ellison Institute of Technology（Ellison技术研究所）
AI总结 HorizonMath通过自动验证框架评估AI在数学发现中的进展，针对需要深入数学洞察但验证简单的难题，发现部分模型提出改进现有结果的解决方案。
Comments ICML AI4Math Best Paper Award
这是什么语言？问你的分词器
机构 * EPFL（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出基于UnigramLM分词算法的UniLID方法，通过比较字符串在各语言单字分布下的似然进行语言识别，在低资源和细粒度方言场景下显著提升样本效率。
Comments In Proceedings of ICML 2026
CoGe-GCD：以组合泛化重构广义类别发现
机构 * The University of Hong Kong（香港大学） ； Xiamen University（厦门大学） ； Shenzhen University（深圳大学）
AI总结 CoGe-GCD通过组合感知和泛化归纳两阶段，将广义类别发现重构为组合泛化问题，在标准基准上提升全类准确率、未知类别估计和几何质量，且开销极小。
Comments Accepted at **ICML 2026**
OpenDiscoveryTrace：用于评估AI科学家工作流程的过程轨迹
AI总结 OpenDiscoveryTrace提供558条AI科学智能体轨迹，通过9字段过程追踪揭示仅输出评估无法发现的行为差异，支持过程级评估与智能体审计。
Comments Best Dataset Award, ICML 2026 Workshop on AI for Science (AI Scientists: Tools, Co-authors, or Founders?). Code: https://github.com/aayambansal/OpenDiscoveryTrace Dataset: https://huggingface.co/datasets/aayambansall/OpenDiscoveryTrace
后训练语言模型以实现跨语言一致性
机构 * ETH Zürich（苏黎世联邦理工学院） ； CLCG, University of Groningen（格罗宁根大学CLCG中心） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 针对多语言模型对翻译等价提示响应不一致的问题，提出基于信息论的跨语言一致性定义，并开发后训练方法直接一致性优化（DCO）以提升一致性。
Comments ICML 2026. The first two authors contributed equally. Codes available at: https://github.com/Betswish/ConsistencyRL
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), 2026
视频生成中的时间状态传输：诊断与校正频谱失衡
机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Harbin Engineering University（哈尔滨工程大学） ； University of Newcastle（纽卡斯尔大学） ； Shenzhen University（深圳大学）
AI总结 本文提出频谱张力诊断与频谱传输稳态调节方法，用于识别并校正视频生成中时间状态传输的失衡，提升时间一致性与视觉质量。
Comments **Best Paper** Award! ICML 2026 F2S Workshop
重访生成扩散模型中的谱表示
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Adobe Research（奥多比研究院）
AI总结 本文通过扰动核视角统一谱表示学习与扩散模型，提出自监督谱对齐方法，并证明其优化等价于表示空间中的扩散分数蒸馏，在图像和3D点云上提升生成质量。
Comments ICML 2026
离线强化学习中扩散策略的噪声空间策略梯度
机构 * TRATON CV AB（特拉顿CV公司） ； KTH Royal Institute of Technology（瑞典皇家理工学院）
AI总结 针对扩散策略与强化学习整合的挑战，提出噪声空间Q函数和策略梯度（NSPG），通过KL正则化回归形式优化噪声潜在变量，在D4RL和OGBench基准上验证了有效性。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
随机连续蒙特卡洛树搜索中的幂均值估计
机构 * Hanoi University of Science and Technology（河内科技大学）
AI总结 本文提出算法\Algname，将幂均值备份与多项式探索奖励结合，实现连续随机MDP中MCTS的多项式速率收敛，并实验验证其有效性。
Comments Published at the International Conference on Machine Learning (ICML 2025)
二阶平滑规划与最优传输贝尔曼平滑
机构 * Hanoi University of Science and Technology（河内理工大学）
AI总结 针对生成模型下的规划问题，提出基于最优传输平滑贝尔曼备份的二阶规划器SecondOrderSmoothCruiser，将预言机复杂度从一阶的$\widetilde O(\varepsilon^{-4})$降至$\widetilde O(\varepsilon^{-3})$。
Comments Published at the International Conference on Machine Learning (ICML 2026)
双潜记忆路由用于视觉-语言推理
机构 * Nanjing University（南京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
AI总结 针对多模态大模型长序列推理中视觉证据丢失问题，提出双潜记忆路由机制，通过视觉与推理记忆分离及动态路由，以少量参数提升推理性能。
Comments Accepted as a Spotlight at ICML 2026; 17 pages, 7 figures
自然语言引导的、与生成器无关的蛋白结合剂筛选
机构 * Kim Jaechul Graduate School of AI, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院金在哲人工智能研究生院） ； LG AI Research（LG人工智能研究院） ； Seoul National University（首尔大学） ； Korea Electronics Technology Institute (KETI)（韩国电子技术研究院）
AI总结 该研究提出用LLM生成排序策略，从已生成的蛋白结合剂池中筛选候选，在10目标和3目标测试中均优于基线，为蛋白结合剂筛选提供了可解释的后处理方法。
Comments Accepted at ICML 2026 Workshop on Generative and Agentic AI for Biology
过度思考：放大推理权重以提取学习到的秘密
AI总结 研究针对语言模型黑盒审计可能遗漏隐藏信息的问题，提出“过度思考”方法，通过特定模型构建及新策略放大推理，经实验证明该方法能更频繁揭示隐藏信息，不同秘密浮现方式有别。
Comments Accepted at ICML 2026. 9 pages, 6 figures
激活与影响感知秩 (AIR)：保持功能的SVD压缩用于大语言模型
机构 * Fraunhofer HHI（弗劳恩霍夫研究所）
AI总结 提出AIR框架，基于SVD和反向信号影响度量，通过单次交替最小二乘扫描实现权重矩阵的低秩近似，在参数保留≤60%时困惑度比SVD-LLM(W)改善>18%，并减少90%校准数据。
Comments Accepted at the ICML 2026 Workshop on Resource-Adaptive Foundation Model Inference (AdaptFM), Seoul, South Korea (non-archival)
从Rashomon理论到PRAXIS：高效决策树Rashomon集
机构 * Stanford University（斯坦福大学）
AI总结 针对决策树Rashomon集计算开销大的问题，提出PRAXIS算法，在运行时和内存使用上实现数量级改进，并能恢复几乎完整的Rashomon集。
Comments ICML 2026
R3DM：通过动态模型在多智能体强化学习中实现角色发现与多样性
AI总结 R3DM通过动态模型最大化智能体角色、观察轨迹与预期未来行为间的互信息，提升多智能体协作效率，实验表明其在SMAC和SMACv2环境中显著提升胜率。
Comments 21 pages, To appear in the International Conference of Machine Learning (ICML 2025)
CoT并非真理链：对用于虚假新闻生成的推理LLM的实证内部分析
AI总结 研究揭示推理LLM在生成虚假新闻时，即使拒绝有害请求，其内部推理仍可能传播不安全内容，通过分析框架和指标揭示潜在风险并挑战安全假设。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
文本具有曲率
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta
AI总结 本文提出Texture，一种文本原生的词级曲率信号，通过定义和应用曲率检测与利用，建立文本曲率范式，提升长上下文推断和生成性能。
Comments ICML 2026
多目标图自监督学习的反馈控制
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊）
AI总结 ControlG通过反馈控制框架解决多目标图自监督学习中的目标协调问题，通过时间分配优化提升性能并揭示学习驱动因素。
Comments ICML 2026
改进的维度依赖性：具有梯度变化的老虎机凸优化
机构 * National Key Laboratory for Novel Software Technology, Nanjing University, China（新型软件技术国家实验室，南京大学，中国） ； School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学，中国）
AI总结 本文改进了老虎机凸优化中梯度变化的维度依赖性，通过非连续梯度变化的分析，提升了凸和强凸函数的性能，并在动态和通用遗憾最小化及老虎机游戏中建立了新的理论界。
Comments ICML 2026
RePro：训练语言模型忠实回收网络数据用于预训练
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
AI总结 RePro通过强化学习训练小型语言模型，忠实改写网络数据用于预训练，在多个模型规模上显著提升下游任务准确率，并提高数据效率2-3倍。
Comments Published at ICML 2026
KTO：模型对齐作为前景理论优化
机构 * Stanford University（斯坦福大学） ； Contextual AI
AI总结 KTO提出一种基于前景理论的人类感知损失，直接最大化生成效用而非偏好似然，在1B至30B规模上匹配或超越偏好方法，并指出最优损失依赖归纳偏差。
Comments ICML 2024
不要丢弃Dropout：优化层稀疏性以实现高效的大语言模型训练与推理
机构 * Cerebras Systems（瑟布雷布拉斯系统公司） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 本研究针对LLM预训练中缺失层Dropout的问题，通过超2400项实验，优化层Dropout的关键参数，证明其可降低训练FLOPs、提升效率并实现1.5倍推理加速，为高效LLM训练与推理提供了最佳实践。
Comments This is a slightly extended version of the paper published at ICML 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
深度微压缩：面向微控制器的结构化剪枝与位打包量化
机构 * PowerLabs Technologies（PowerLabs科技公司）
AI总结 本文提出面向裸机微控制器的硬件感知深度学习压缩流水线Deep Microcompression，整合结构化剪枝等技术，在LeNet-5上实现高压缩比，还实现了标准CNN在2KB SRAM的ATmega328P上的部署。
Comments Presented at the Global South ML Workshop at the International Conference on Machine Learning (ICML 2026), Seoul, South Korea
BeaconKV：由信标查询引导的键值缓存压缩，用于实现高效的大型推理模型推理
机构 * Hanyang University（汉阳大学） ； Sungkyunkwan University（成均馆大学）
AI总结 BeaconKV是一种无需训练的KV缓存压缩方法，通过维护代表查询聚类的信标查询预测需重访的KV对，在4种开源LRMs上实现最高5.8倍内存缩减，同时保留高准确率并提升4.3倍以上吞吐量，性能优于现有方法。
Comments ICML 2026. Code: https://github.com/aiha-lab/BeaconKV
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈