ICML

Optimal and Scalable MAPF via Multi-Marginal Optimal Transport and Schrödinger Bridges

通过多边际最优传输和薛定谔桥实现最优且可扩展的多智能体路径规划

Usman A. Khan, Joseph W. Durham

机构 * Amazon Robotics（亚马逊机器人技术） 纠错

AI总结 本文将匿名多智能体路径规划问题转化为具有马尔可夫结构的多边际最优传输问题，通过概率框架和薛定谔桥方法实现线性规划，从而在保持最优性的同时显著降低计算复杂度。

Comments Accepted in ICML 2026 as a spotlight paper

Compute Where it Counts: Self Optimizing Language Models

在需要的地方计算：自优化语言模型

Yash Akhauri, Mohamed S. Abdelfattah

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文提出自优化语言模型(SOL)，通过轻量策略网络动态分配计算预算，提升解码效率与生成质量，在不同模型和计算条件下优于静态分配和随机搜索。

Comments Accepted at ICML'26 Code: https://github.com/akhauriyash/SOL

Conditional anomaly detection methods for patient-management alert systems

用于患者管理警报系统的条件异常检测方法

Michal Valko, Gregory Cooper, Amy Seybert, Shyam Visweswaran, Melissa Saul, Miloš Hauskrecht

机构 * University of Pittsburgh, PA（匹兹堡大学） 纠错

AI总结 本文提出基于实例的条件异常检测方法，通过优化距离度量提升异常检测性能，应用于患者异常入院决策和HPF4检测异常识别。

Comments Published at Workshop on Machine Learning in Health Care Applications ICML-2008 - MLHealth

Reasoning Is Not Free: Robust Adaptive Cost-Efficient Routing for LLM-as-a-Judge

推理并非免费：面向LLM-as-a-Judge的鲁棒自适应成本高效路由

Wenbo Zhang, Lijinghua Zhang, Liner Xiang, Hengrui Cai

机构 * Department of Statistics, University of California, Irvine, USA（加州大学伊维特分校统计学系） 纠错

AI总结 本文通过对比推理与非推理法官，发现推理在结构验证任务中提升准确性，但成本高。提出RACER方法，通过分布鲁棒优化动态选择推理或非推理法官，实现成本效率的最优平衡。

Comments Accepted at ICML 2026

Towards Understanding Continual Factual Knowledge Acquisition of Language Models: From Theory to Algorithm

朝着理解语言模型持续事实知识获取的理解：从理论到算法

Haoyu Wang, Yifan Shang, Zhongxiang Sun, Weijie Yu, Xiao Zhang, Jun Xu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院） ； School of Artificial Intelligence（人工智能学院） ； Data Science, University of International Business（国际商务大学数据科学） 纠错

AI总结 本文提出理论框架解释持续事实知识获取机制，提出STOC方法提升知识持续性，实验验证其有效性。

Comments Accepted by ICML 2026

DeepSight: Long-Horizon World Modeling via Latent States Prediction for End-to-End Autonomous Driving

DeepSight: 通过潜在状态预测实现长视距世界建模的端到端自动驾驶

Lingjun Zhang, Changjie Wu, Linzhe Shi, Jiangyang Li, Jiaxin Liu, Lei Yang, Hang Zhang, Mu Xu, Hong Wang

机构 * Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团Amap） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出通过鸟瞰图空间预测连续未来帧的潜在语义特征，实现长视距世界建模，并引入高效适应性文本推理机制提升复杂场景下的驾驶性能。

Comments ICML 2026

Active Tabular Augmentation via Policy-Guided Diffusion Inpainting

通过策略引导的扩散修复进行主动表格增强

Zheyu Zhang, Shuo Yang, Bardh Prenkaj, Gjergji Kasneci

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 本文提出TAP方法，结合扩散修复与轻量策略，提升表格增强的实用性和安全性，在数据稀缺情况下提升分类准确率和回归性能。

Comments Accepted for publication at ICML 2026

VPD-100K: Towards Generalizable and Fine-grained Visual Privacy Protection

VPD-100K: 向通用化和细粒度的视觉隐私保护迈进

Xiaobin Hu, Enpu Zuo, Lanping Hu, Kaiwen Yang, Dianshu Liao, Tianyi Zhang, Bo Yin, Yinsi Zhou, Shidong Pan, Xiaoyu Sun

机构 * National University of Singapore（新加坡国立大学） ； Australian National University（澳大利亚国立大学） ； New York University（纽约大学） ； The University of New South Wales（新南威尔士大学） 纠错

AI总结 本文提出VPD-100K数据集，用于通用隐私检测，包含10万张图像和33个细粒度类别，设计了频率增强轻量模块以提升隐私检测效果。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Music with Acoustic-Informed Attention Calibration

Polyphonia：在多声部音乐中利用声学感知注意力校准实现零样本音色迁移

Haowen Li, Tianxiang Li, Yi Yang, Boyu Cao, Qi Liu

机构 * School of Future Technology, South China University of Technology, Guangzhou, China.（未来技术学院，华南理工大学，广州，中国） 纠错

AI总结 本文提出Polyphonia框架，通过声学感知注意力校准实现多声部音乐中精确的零样本音色迁移，提升目标音色对齐精度的同时保持音乐保真度和非目标音色完整性。

Comments Accepted by ICML 2026

Many Needles in a Haystack: Active Hit Discovery for Perturbation Experiments

haystack 中的许多针：用于扰动实验的主动命中发现

Andrea Rubbi, Arpit Merchant, Samuel Ogden, Amir Akbarnejad, Pietro Liò, Sattar Vakili, Mo Lotfollahi

机构 * Wellcome Sanger Institute, Wellcome Genome Campus, Hinxton, UK（韦尔科姆桑格研究所，韦尔科姆基因组校园，英国辛顿） ； Cambridge Center for AI in Medicine, University of Cambridge, Cambridge, UK（剑桥人工智能医学中心，剑桥大学，剑桥，英国） ； Cambridge Stem Cell Institute, University of Cambridge, Cambridge, UK（剑桥干细胞研究所，剑桥大学，剑桥，英国） ； Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（剑桥计算机科学与技术系，剑桥大学，剑桥，英国） ； MediaTek Research, Cambridge, UK（联发科研究，剑桥，英国） 纠错

AI总结 本文提出Probability-of-Hit方法，通过后验概率排名候选者，有效发现超过阈值的扰动，提升实验效率。

Comments To be published in International Conference on Machine Learning (ICML) 2026

Plan in Sandbox, Navigate in Open Worlds: Learning Physics-Grounded Abstracted Experience for Embodied Navigation

沙盒计划，开放世界导航：学习物理基础的抽象经验以实现具身导航

Zhixuan Shen, Jiawei Du, Ziyu Guo, Han Luo, Lilan Peng, Joey Tianyi Zhou, Haonan Luo, Tianrui Li

机构 * School of Computing and Artificial Intelligence, Southwest Jiaotong University, China（计算机与人工智能学院，西南交通大学，中国） ； Centre for Frontier AI Research A*STAR, Singapore（前沿人工智能研究A*STAR中心，新加坡） ； School of Computer Science, University of Leeds, UK（计算机科学学院，利兹大学，英国） 纠错

AI总结 本文提出SAGE框架，通过物理基础的语义抽象学习，提升具身导航性能，在A-EQA任务中取得53.21%的成功率，且在物理室内机器人部署中表现良好。

Comments 28 pages, 15 figures, Extended Version of accepted ICML 2026 Paper

Group Cognition Learning: Making Everything Better Through Governed Two-Stage Agents Collaboration

群体认知学习：通过受控的双阶段智能体协作使一切变得更好

Chunlei Meng, Pengbin Feng, Rong Fu, Hoi Leong Lee, Xiaojing Du, Zhaolu Kang, Zeyu Zhang, Weilin Zhou, Chun Ouyang, Zhongxue Gan

机构 * University of Macau（澳门大学） ； Universiti Malaysia Perlis（马来西亚霹雳大学） ； Peking University（北京大学） ； Xinjiang University（新疆大学） 纠错

AI总结 本文提出群体认知学习框架，通过双阶段智能体协作解决多模态学习中的模态主导和虚假耦合问题，实验表明其在回归和分类任务中达到最优性能。

Comments This study has been Accepted by ICML 2026. The current version is a manuscript, please refer to the official version released at ICML 2026 for the final published version

CLEAR: Context-Aware Learning with End-to-End Mask-Free Inference for Adaptive Video Subtitle Removal

CLEAR: 基于上下文的端到端无掩码推理的自适应视频字幕移除

Qingdong He, Chaoyi Wang, Peng Tang, Yifan Yang, Xiaobin Hu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Technical University of Munich（慕尼黑技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 CLEAR通过上下文感知的自适应学习实现端到端无掩码推理，有效区分字幕与背景内容，提升多语言字幕移除性能。

Comments Accepted by ICML 2026 (Spotlight)

MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier

MOOSE-Star: 通过突破复杂性障碍实现科学发现的可 tractable 训练

Zonglin Yang, Lidong Bing

机构 * MiroMind AI 纠错

AI总结 MOOSE-Star 通过分解子任务、层次搜索和受限组合方法，实现科学假设生成过程的可 tractable 训练，降低复杂度至对数级别，提升训练和推理效率。

Comments Accepted by ICML 2026

Agent-Omit: Adaptive Context Omission for Efficient LLM Agents

Agent-Omit：适应性上下文省略以提高LLM代理效率

Yansong Ning, Jun Fang, Naiqiang Tan, Hao Liu

机构 * AI Thrust, The Hong Kong University of Science（香港科学与技术大学人工智能前沿） ； Didichuxing Co. Ltd（滴滴出行有限公司） 纠错

AI总结 本文提出Agent-Omit框架，通过省略冗余思考和观察提升LLM代理效率，实验表明其在多个基准测试中表现优异。

Comments ICML 2026

The Realignment Problem: When Right becomes Wrong in LLMs

重排问题：当正确变为错误时在大语言模型中

Aakash Sen Sharma, Debdeep Sanyal, Manodeep Ray, Vivek Srivastava, Shirish Karande, Murari Mandal

机构 * Birla AI Labs（比拉人工智能实验室） ； TCS Research（塔塔咨询服务研究） ； Kalinga Institute of Industrial Technology, Bhubaneswar（比拉工业技术学院，巴布尔萨瓦尔） 纠错

AI总结 本文提出TRACE框架，通过结构化优化解决LLM在动态标注政策下的重排问题，无需新标注即可提升对齐效果。

Comments ICML 2026

Optimal Attention Temperature Improves the Robustness of In-Context Learning under Distribution Shift in High Dimensions

最优注意力温度提升高维分布偏移下的上下文学习鲁棒性

Samet Demir, Zafer Dogan

机构 * MLIP Research Group, KUIS AI Center, Koç University（MLIP研究组、KUIS人工智能中心、科克大学） ； Department of EEE, Koç University, İstanbul, Turkey（电子工程系、科克大学、伊斯坦布尔，土耳其） 纠错

AI总结 本文研究了在高维分布偏移下通过调整注意力温度提升预训练Transformer上下文学习鲁棒性的方法，推导了通用误差闭式表达式并验证了理论。

Comments ICML 2026, 24 pages, 7 figures

TetraJet-v2: Accurate NVFP4 Training for Large Language Models with Oscillation Suppression and Outlier Control

TetraJet-v2：用于大语言模型的准确NVFP4训练方法，具有振荡抑制和异常值控制

Yuxiang Chen, Yifan Liu, Xiaoming Xu, Pengle Zhang, Michael Beyer, Martin Rapp, Jun Zhu, Jianfei Chen

机构 * Dept. of Comp. Sci. and Tech., Institute for AI, BNRist Center, THBI Lab, Tsinghua-Bosch Joint ML Center, Tsinghua University（计算机科学与技术系，人工智能研究所，BNRist中心，THBI实验室，清华-博世联合机器学习中心，清华大学） ； Zhili College, Tsinghua University（紫荆学院，清华大学） ； Bosch AI Research, Renningen, Germany（博世人工智能研究，德国Renningen） 纠错

AI总结 TetraJet-v2通过NVFP4格式实现低精度训练，解决权重振荡和异常值问题，提升大语言模型性能，减少与BF16的性能差距达51.3%，并实现1.67倍速度提升。

Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026 (ICML 2026)

Turning Drift into Constraint: Robust Reasoning Alignment in Non-Stationary Multi-Stream Environments

将漂移转化为约束：非稳态多流环境中的鲁棒推理对齐

Xiaoyu Yang, En Yu, Wei Duan, Jie Lu

机构 * Australian Artificial Intelligence Institute (AAII)（澳大利亚人工智能研究所） ； Faulty of Engineering and Information Technology（工程与信息技术学院） ； University of Technology Sydney（悉尼技术大学） ； Australia（澳大利亚） 纠错

AI总结 本文提出APO框架，通过约束满足问题解决多源推理对齐问题，实验表明其在胸片解读中鲁棒性优于现有模型，并发布CXR-MAX基准测试集。

Comments ICML 2026

Model Merging Scaling Laws in Large Language Models

大语言模型中的模型合并缩放规律

Yuanyi Wang, Yanggan Gu, Yiming Zhang, Qi Zhou, Zhaoyi Yan, Congkai Xie, Xinyao Wang, Jianbo Yuan, Hongxia Yang

机构 * The Hong Kong Polytechnic University (PolyU)（香港理工大学） ； Amazon（亚马逊） ； Innovation Research Institute（创新研究院） 纠错

AI总结 研究语言模型合并的缩放规律，发现模型大小与专家数量间存在幂律关系，揭示合并收益随专家数量增加而递减的规律，为模型合并提供可预测的规划方法。

Comments ICML 2026

MECAT: A Multi-Experts Constructed Benchmark for Fine-Grained Audio Understanding Tasks

MECAT：一个多专家构建的细粒度音频理解任务基准

Yadong Niu, Tianzi Wang, Heinrich Dinkel, Xingwei Sun, Jiahao Zhou, Gang Li, Jizhong Liu, Xunying Liu, Junbo Zhang, Jian Luan

机构 * The Chinese University of Hong Kong, Hong Kong, China（香港中文大学） 纠错

AI总结 本文提出MECAT基准，通过集成专家模型分析与推理模型，提供细粒度音频描述和开放问题对，结合新指标DATE评估模型性能，评估现有音频模型的能力与局限。

Comments Accepted to ICML 2026

Beyond Multiple Choice: Evaluating Steering Vectors for Summarization

超越多项选择：评估摘要中的引导向量

Joschka Braun, Carsten Eickhoff, Seyed Ali Bahrainian

机构 * University of Tübingen（图宾根大学） 纠错

AI总结 本文评估引导向量在摘要生成中对主题焦点、情感、毒性及可读性的控制效果，发现高引导强度会导致重复和事实性幻觉，混合方法在中等强度下表现最佳。

Comments Published in Findings of EACL 2026. Extended version of the ICML 2025 Workshop on Reliable and Responsible Foundation Models paper (v1, v2). 36 pages, 21 figures, 15 tables

Journal ref Findings of the Association for Computational Linguistics: EACL 2026, pages 3849-3884

Anchor-guided Hypergraph Condensation with Dual-level Discrimination

基于锚点的超图压缩与双层辨别

Fan Li, Xiaoyang Wang, Chen Chen, Wenjie Zhang

机构 * School of Computer Science and Engineering, University of New South Wales, Sydney, Australia（新南威尔士大学计算机科学与工程学院） ； School of Artificial Intelligence, Shenzhen University, Shenzhen, China（深圳大学人工智能学院） 纠错

AI总结 本文提出AHGCDD方法，通过节点初始化模块、锚点引导的超边合成策略和双层辨别目标，提升超图压缩效率与效果。

Comments This paper has been accepted by ICML 2026

Annotations Mitigate Post-Training Mode Collapse

标注缓解训练后模式崩溃

Jacob Mitchell Springer, Madhu Advani, Lukas Aichberger, Arwen Bradley, Eran Malach, Omid Saremi, Sinead Williamson, Preetum Nakkiran, Etai Littwin, Aditi Raghunathan

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Apple（苹果公司） ； Johannes Kepler University Linz（林茨约翰尼斯·开普勒大学） 纠错

AI总结 本文提出标注锚定训练方法，通过在预训练中引入语义标注，减少训练后模型的语义模式崩溃，提升模型多样性。

Comments 21 pages, 8 figures, 11 tables. Accepted at ICML 2026

Learning Graph Foundation Models on Riemannian Graph-of-Graphs

在黎曼图-图上学习图基础模型

Haokun Liu, Zezhong Ding, Xike Xie

机构 * School of Biomedical Engineering, University of Science and Technology of China (USTC), Suzhou, Jiangsu, China（生物医学工程学院，中国科学技术大学（USTC），苏州，江苏，中国） ； Data Darkness Lab, Suzhou Institute for Advanced Research, USTC, Suzhou, Jiangsu, China（Data Darkness实验室，苏州市先进研究院，USTC，苏州，江苏，中国） ； School of Artificial Intelligence and Data Science, USTC, Hefei, Anhui, China（人工智能与数据科学学院，USTC，合肥，安徽，中国） 纠错

AI总结 本文提出R-GFM，一种基于黎曼图-图的图基础模型，通过多尺度图-图结构建模，提升结构域泛化性能，在多个数据集上取得最佳表现，下游任务相对提升达49%。

Comments This paper has been accepted by ICML 2026

Frequency Matching in Spiking Neural Networks for mmWave Sensing

用于毫米波传感的脉冲神经网络频率匹配

Di Yu, Zhenyu Liao, Changze Lv, Wentao Tong, Linshan Jiang, Sijie Ji, Xin Du, Hailiang Zhao, Xiaoqing Zheng, Shuiguang Deng

AI总结 本文研究了脉冲神经网络在毫米波传感中的应用，通过分析LIF动态的低通滤波特性，提出了一种基于频率匹配的配置方法，提升了边缘设备的效率和准确性。

Comments This work has been accepted on ICML 2026

Position: Academic Conferences are Potentially Facing Denominator Gaming Caused by Fully Automated Scientific Agents

位置：学术会议可能面临由完全自动化科学代理引发的分母游戏威胁

Rong Shan, Te Gao, Hang Zheng, Yunjia Xi, Jiachen Zhu, Zeyu Zheng, Yong Yu, Weinan Zhang, Jianghao Lin

机构 * Shanghai Jiao Tong University（上海交通大学） ； Central South University（中南大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文探讨了由完全自动化科学代理引发的分母游戏威胁，分析了其对学术会议评审系统的影响，并提出系统性政策改革作为缓解措施。

Comments Accepted by ICML'26 Position Track

TD3B: Transition-Directed Discrete Diffusion for Allosteric Binder Generation

TD3B：过渡引导的离散扩散用于别构结合物生成

Hanqun Cao, Aastha Pal, Sophia Tang, Yinuo Zhang, Jingjie Zhang, Pheng Ann Heng, Pranam Chatterjee

机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Department of Bioengineering, University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Centre for Computational Biology, Duke-NUS Medical School（杜克-新加坡国立大学医学学校计算生物学中心） 纠错

AI总结 TD3B通过方向性状态转换控制目标，设计具有指定激动剂或拮抗剂行为的结合物，结合方向Oracle、软结合亲和门和预训练离散扩散模型的微调，实现与结合亲和力解耦的靶向生成。

Comments Published as a Spotlight at ICML 2026 (Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea)

Marrying Generative Model of Healthcare Events with Digital Twin of Social Determinants of Health for Disease Reasoning

将医疗事件生成模型与健康社会决定因素的数字孪生结合用于疾病推理

Ziquan Wei, Tingting Dan, Guorong Wu

机构 * Department of Computer Science（计算机科学系） ； Department of Psychiatry（精神病学系） 纠错

AI总结 本文提出结合医疗事件生成模型与健康社会决定因素数字孪生的生成模型，用于疾病推理，通过整合多器官传感器数据与tokenized医疗事件，改进疾病预测和临床决策支持。

Comments 21 pages, 8 figures, ICML 2026

On Uniform Error Bounds for Kernel Regression under Non-Gaussian Noise

关于在非高斯噪声下核回归的统一误差界

Johannes Teutsch, Oleksii Molodchyk, Marion Leibold, Timm Faulwasser, Armin Lederer

机构 * Chair of Automatic Control Engineering, Department of Computer Engineering, Technical University of Munich（自动控制工程学系，计算机工程系，慕尼黑技术大学） ； Institute of Control Systems, Hamburg University of Technology（控制系统研究所，汉堡技术大学） ； Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，新加坡国立大学） 纠错

AI总结 本文提出非渐近的核回归统一误差界，适用于广泛非高斯分布，包括亚高斯、有界、亚指数和方差/矩有界的噪声，并在安全控制中验证了界的有效性。

Comments This paper has been accepted at the 43rd International Conference on Machine Learning (ICML) 2026