期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
稀疏自编码器是否在语言模型中识别推理特征？
机构 * UC Berkeley（加州大学伯克利分校） ； UCSF（旧金山大学）
AI总结 研究稀疏自编码器在大语言模型中识别推理相关内部特征的可靠性，提出基于因果token注入的评估框架，发现许多候选特征对token级干预敏感，需通过反证法验证其推理相关性。
Comments In Forty-Third International Conference on Machine Learning (2026)
少监督，多观察：基于原型引导的提示方法实现无训练核实例分割
机构 * Stony Brook University（石溪大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出SPROUT框架，通过组织学先验知识构建滑片特定参考原型，利用部分最优传输方案指导特征对齐，使SAM模型无需训练即可实现精准核分割。
Comments ICML 2026; 44 pages, 25 figures, 26 tables; Code at https://github.com/Y-Research-SBU/SPROUT
EvolveR：通过经验驱动的生命周期实现自进化大语言模型代理
机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； East China Normal University（华东师范大学） ； Fudan University（复旦大学） ； Central South University（中南大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 EvolveR通过闭环经验生命周期实现LLM代理的自进化，结合离线自蒸馏和在线交互，利用策略强化机制迭代优化，提升多跳问答任务性能。
Comments Accepted by ICML 2026
位置：AI评估应基于能力理论
机构 * MIT EECS, Cambridge, USA（麻省理工学院电子工程与计算机科学系，剑桥，美国）
AI总结 本文提出AI评估应基于明确的能力理论，通过实验证明评估结果受建模假设影响显著，提出Evaluation Card促进透明化评估实践。
Comments ICML 2026 Position Paper Track
大语言模型代理是封闭生态系统的解药
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Institute for Decentralized AI（去中心化人工智能研究所）
AI总结 本文提出通过大语言模型代理实现通用互操作性，打破封闭平台垄断，促进数据端到端迁移，同时探讨其带来的安全与法律挑战。
Comments Published at the ICML 2026 Position Paper track
反学习不是删除：调查机器反学习在大语言模型中的可逆性
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Santa Cruz（加州大学圣克ruz分校） ； Huawei Technologies（华为技术有限公司） ； Research Centre for Privacy and Security Technologies in Future Smart Systems, PolyU（未来智能系统中的隐私与安全技术研究中心，PolyU）
AI总结 研究揭示大语言模型反学习的可逆性问题，提出表示层面分析框架，通过PCA相似度、CKA和Fisher信息等指标评估表示漂移，发现四种遗忘模式，指出数据来源影响重学效率，揭示不可逆遗忘的挑战。
Comments ICML 2026, accepted to appear
自动无监督集成异常检测模型选择——扩展版
机构 * Department of Software Engineering, FPT University, Vietnam（FPT大学软件工程系） ； Department of Information Technology, Can Tho University of Technology, Vietnam（胡志明市技术大学信息科技系） ； School of Business, RMIT University, Vietnam（RMIT大学商学院） ； Department of Computer Science, Aalborg University, Denmark（阿阿尔堡大学计算机科学系） ； School of Data Science and Engineering, East China Normal University, China（华东师范大学数据科学与工程学院）
AI总结 本文提出MetaEns框架，通过学习预测边际增益模型，自动选择高质异常检测模型集成，无需标注数据，实验显示其在39个真实数据集上表现优异。
Comments 25 pages. An extended version of "Automatic Unsupervised Ensemble Outlier Model Selection" accepted at ICML 2026
一种信息论准则用于高效数据合成
机构 * CFCS, School of Computer Science, Peking University, Beijing, China（计算机科学系，北京大学，北京，中国） ； Department of Information Management, Peking University, Beijing, China（信息管理系，北京大学，北京，中国）
AI总结 本文提出信息开放循环的准则，指出合成数据的有效性取决于外部信号注入任务相关信息，从而提升模型效率与泛化能力。
Comments 12 pages. Camera-ready version for ICML 2026
专家反击：在专家层面解读混合专家语言模型
机构 * Department of Informatics, University of Hamburg, Hamburg, Germany（汉堡大学信息学院）
AI总结 研究通过k稀疏探测比较MoE专家与密集FFN，发现专家神经元更单语义，提出以专家为分析单位，揭示专家是细粒度任务专家，而非领域专家或token处理者。
Comments 8 pages, 7 Figures. Accepted at ICML 2026. Improved writing, changed author order, updated citations
仅在自我合成管道确保可学习信息增益时，自我博弈才会进化
机构 * King's College London（伦敦国王学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文通过实验揭示可持续自我进化需要可学习信息递增的自我合成数据管道，提出自我进化LLM的三重角色及系统设计，解决自我博弈停滞问题。
Comments 10 pages, 6 figures, 7 formulas, accepted by ICML 2026 position paper track
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