ICML

Learning the Interaction Prior for Protein-Protein Interaction Prediction: A Model-Agnostic Approach

学习蛋白质-蛋白质相互作用的优先级：一种模型无关的方法

Ziqi Gao, Chenyi Zi, Zijing Liu, Ziqiao Meng, Yu Li, Jia Li

机构 * Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； National University of Singapore（新加坡国立大学） ； IDEA Research（IDEA研究院） 纠错

AI总结 本文提出L3-PPI方法，通过生物启发的L3路径正则化图提示学习，提升蛋白质相互作用预测性能。

Comments Accepted at ICML 2026

From Flat Facts to Sharp Hallucinations: Detecting Stubborn Errors via Gradient Sensitivity

从平面事实到尖锐幻觉：通过梯度敏感性检测顽固错误

Yee Zhing Liew, Andrew Huey Ping Tan, Anwar P. P. Abdul Majeed

机构 * School of Intelligent Manufacturing Ecosystem, Xi’an Jiaotong-Liverpool University, People’s Republic of China（智能制造生态系统学院，西安交通大学-利物浦大学，中华人民共和国） ； Department of Computer Science, University of Liverpool, United Kingdom（计算机科学系，利物浦大学，英国） ； Faculty of Engineering and Technology, Sunway University, Malaysia（工程与技术学院，Sunway大学，马来西亚） ； School of Robotics, Xi’an Jiaotong-Liverpool University, People’s Republic of China（机器人学院，西安交通大学-利物浦大学，中华人民共和国） 纠错

AI总结 本文提出通过梯度敏感性检测顽固错误，利用嵌入扰动梯度敏感性（EPGS）区分稳定知识与不稳定记忆，实验显示其优于熵基和表示基方法。

Comments Accepted to ICML 2026. Camera-ready version

MoshiRAG: Asynchronous Knowledge Retrieval for Full-Duplex Speech Language Models

MoshiRAG: 异步知识检索用于全双工语音语言模型

Chung-Ming Chien, Manu Orsini, Eugene Kharitonov, Neil Zeghidour, Karen Livescu, Alexandre Défossez

机构 * Toyota Technological Institute at Chicago（丰田技术研究所（芝加哥）） 纠错

AI总结 本文提出MoshiRAG，通过异步框架结合紧凑接口与选择性检索，提升全双工语音模型的事实性，同时保持交互性。

Comments Accepted to ICML 2026

Demystifying When Pruning Works via Representation Hierarchies

通过表示层次解析剪枝何时有效

Shwai He, Guoheng Sun, Haichao Zhang, Yun Fu, Ang Li

机构 * University of Maryland, College Park, USA（美国马里兰大学学院公园分校） ； Northeastern University, USA（美国东北大学） 纠错

AI总结 本文通过分析语言模型内部计算的三个空间，揭示剪枝在非生成任务中有效而在生成任务中失效的原因，为剪枝应用提供指导。

Comments ICML 2026. 24 pages, 21 figures, and 3 tables. Includes an appendix with supplementary experiments and derivations

Probing RLVR training instability through the lens of objective-level hacking

通过目标层面黑客的视角探查RLVR训练不稳定性

Yiming Dong, Kun Fu, Haoyu Li, Xinyuan Zhu, Yurou Liu, Lijing Shao, Jieping Ye, Zheng Wang

机构 * School of Physics, Peking University（北京大学物理学院） ； Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团） ； Kavli Institute for Astronomy and Astrophysics, Peking University（北京大学天文与天体物理研究院） ； National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台） 纠错

AI总结 本文通过目标层面黑客视角揭示RLVR训练不稳定性的根源，分析MoE模型中训练-推理差异异常增长的机制，为设计稳定的RLVR算法提供指导。

Comments Accepted by ICML 2026

Adversarial Flow Models

对抗流模型

Shanchuan Lin, Ceyuan Yang, Zhijie Lin, Hao Chen, Haoqi Fan

机构 * ByteDance Seed（字节跳动种子） 纠错

AI总结 本文提出对抗流模型，一种结合对抗与流方法的生成模型，通过对抗目标训练，稳定训练过程，提升生成性能。

Comments ICML 2026

Saving Foundation Flow-Matching Priors for Inverse Problems

为逆问题保存基础流匹配先验

Yuxiang Wan, Ryan Devera, Wenjie Zhang, Ju Sun

机构 * Department of Computer Science and Engineering, University of Minnesota, Minneapolis, Minnesota, USA（计算机科学与工程系，明尼苏达大学，明尼阿波利斯，明尼苏达州，美国） 纠错

AI总结 本文提出FMPlug框架，通过实例引导和高斯性正则化提升基础流匹配模型在逆问题中的性能，尤其适用于样本少的科学问题。

Comments Accepted by ICML 2026

Calibrated Multimodal Representation Learning with Missing Modalities

校准的多模态表示学习与缺失模态

Xiaohao Liu, Xiaobo Xia, Jiaheng Wei, Shuo Yang, Xiu Su, See-Kiong Ng, Tat-Seng Chua

机构 * National University of Singapore（国立新加坡大学） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Central South University（中南大学） 纠错

AI总结 本文提出CalMRL，通过校准缺失模态导致的不完整对齐问题，从锚点偏移角度提供理论见解，结合先验知识和模态间联系，解决优化难题，验证了方法的有效性。

Comments Accepted by ICML 2026

Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning

大规模多智能体强化学习中的脆弱智能体识别

Simin Li, Zihao Mao, Zheng Yuwei, Linhao Wang, Ruixiao Xu, Chengdong Ma, Zhiqian Liu, Xin Yu, Yuqing Ma, Xin Wang, Jie Luo, Bo An, Yaodong Yang, Weifeng Lv, Xianglong Liu

机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； 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） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

AI总结 本文研究大规模多智能体强化学习中的脆弱智能体识别问题，提出通过分层对抗性去中心化均值场控制框架，结合Fenchel-Rockafellar变换和强化学习算法，有效识别脆弱智能体并降低计算复杂度。

Comments Accepted by ICML 2026

DAG: A Dual Correlation Network for Time Series Forecasting with Exogenous Variables

DAG：一种用于具有外生变量的时间序列预测的双相关网络

Xiangfei Qiu, Yuhan Zhu, Zhengyu Li, Xingjian Wu, Bin Yang, Jilin Hu

机构 * School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国） 纠错

AI总结 本文提出DAG网络，通过时间与通道维度的双相关模块，提升外生变量在时间序列预测中的利用效率，改进现有方法对历史和未来外生变量相关性的建模能力。

Comments Accepted by ICML 2026

Probabilistic Modeling of Latent Agentic Substructures in Deep Neural Networks

深度神经网络中潜在代理子结构的概率建模

Su Hyeong Lee, Risi Kondor, Richard Ngo

机构 * Department of Statistics, University of Chicago（芝加哥大学统计学系） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） 纠错

AI总结 本文提出基于概率建模的智能代理理论，探讨了代理通过加权对数池化实现递归结构，并揭示了在LLM中代理对齐现象的数学框架。

Comments Accepted by ICML 2026

Understanding the Performance Gap in Preference Learning: A Dichotomy of RLHF and DPO

理解偏好学习中的性能差距：RLHF和DPO的二元性

Ruizhe Shi, Minhak Song, Runlong Zhou, Zihan Zhang, Maryam Fazel, Simon S. Du

机构 * University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Amazon Inc.（亚马逊公司） 纠错

AI总结 本文分析RLHF和DPO性能差距的来源，揭示模型规格误差对方法选择的影响，指出在线DPO在特定条件下优于其他方法，揭示两阶段学习的统计优势。

Comments ICML accepted version

Semantic Integrity Matters: Benchmarking and Preserving High-Density Reasoning in KV Cache Compression

语义完整性至关重要：在KV缓存压缩中基准测试与保持高密度推理

Xiang Liu, Zhenheng Tang, Hong Chen, Peijie Dong, Zeyu Li, Xiuze Zhou, Bo Li, Xuming Hu, Xiaowen Chu

机构 * The Hong Kong University of Science（香港科学与技术大学） ； Guangzhou HKUST Fok Ying Tung Research Institute（广州HKUST傅种群研究院） 纠错

AI总结 本文提出KVFundaBench基准测试，揭示了在高密度推理中压缩导致的严重任务依赖性退化问题，并提出ShotKV方法，通过分离prefill和解码阶段以优先保持语义完整性，提升了长上下文生成任务的准确率并降低了延迟。

Comments ICML 2026