ICML

The Diffusion Duality

扩散对偶性

Subham Sekhar Sahoo, Justin Deschenaux, Aaron Gokaslan, Guanghan Wang, Justin Chiu, Volodymyr Kuleshov

机构 * School of Computer and Communication Sciences, EPFL（计算机与通信科学学院，瑞士洛桑联邦理工学院） 纠错

AI总结 Duo通过结合高斯扩散技术提升训练和采样效率，实现离散扩散模型在文本生成中的性能突破。

Comments ICML 2025. We provide the code at: https://github.com/s-sahoo/duo [v3] includes improved theory, clearer presentation, and a new future work section

Relative Error Fair Clustering in the Weak-Strong Oracle Model

弱强 oracle 模型中的相对误差公平聚类

Vladimir Braverman, Prathamesh Dharangutte, Shaofeng H. -C. Jiang, Hoai-An Nguyen, Chen Wang, Yubo Zhang, Samson Zhou

AI总结 本文在弱强 oracle 模型中提出了一种方法，通过 poly(k/ε·log n) 次查询获得 (1+ε) 核心集，用于公平 k-中位数聚类，并扩展到一般 (k,z) 聚类。

Comments ICML 2025

A Certified Unlearning Approach without Access to Source Data

无需访问源数据的认证删除方法

Umit Yigit Basaran, Sk Miraj Ahmed, Amit Roy-Chowdhury, Basak Guler

机构 * Department of Electrical and Computer Engineering, University of California, Riverside, CA, USA（加州大学河滨分校电子与计算机工程系） ； Brookhaven National Laboratory, Upton, NY, USA（布鲁克海文国家实验室） 纠错

AI总结 本文提出一种无需访问源数据的认证删除方法，通过替代数据集和噪声缩放技术，在不接触原始数据的情况下实现有效数据删除，并通过实验验证其在隐私保护中的有效性。

Comments Accepted by ICML 2025 Updated related work section to include relevant citation

Regularized Langevin Dynamics for Combinatorial Optimization

正则化 Langevin 动力学用于组合优化

Shengyu Feng, Yiming Yang

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出正则化 Langevin 动力学用于组合优化，通过避免局部极小值提升传统启发式方法和神经网络模型的性能。

Comments ICML 2025

Journal ref International conference on machine learning, 2025, PMLR

Understanding Generalization in Quantum Machine Learning with Margins

通过边距理解量子机器学习中的泛化能力

Tak Hur, Daniel K. Park

机构 * Department of Statistics and Data Science（统计与数据科学系） ； Yonsei University（延世大学） ； Department of Applied Statistics（应用统计学系） 纠错

AI总结 本文提出基于边距的泛化界限，通过量子信息理论与经典-量子混合方法提升量子机器学习的泛化能力。

Comments 18 pages, 6 figures

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:26338-26360, 2025

Feed Two Birds with One Scone: Exploiting Wild Data for Both Out-of-Distribution Generalization and Detection

用一个蛋糕喂两只鸟：利用野数据实现分布外泛化和检测

Haoyue Bai, Gregory Canal, Xuefeng Du, Jeongyeol Kwon, Robert Nowak, Yixuan Li

机构 * Institute for Foundations of Data Science, University of Wisconsin, Madison（数据科学基础研究院，威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin, Madison（计算机科学系，威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering, University of Wisconsin, Madison（电气与计算机工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种统一框架，通过利用野数据同时实现分布外泛化和检测，优于专门针对泛化或检测的基线方法。

Comments ICML 2023