期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
LLMs 作为噪声信道：香农视角下的模型容量与缩放定律
机构 * University of Virginia（弗吉尼亚大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对现有缩放定律无法解释非单调性能退化的问题，提出基于香农-哈特利定理的香农缩放定律，将LLM训练建模为噪声信道上的信息传输，通过信号噪声比解释模型规模与数据量对性能的影响。
Comments Accepted by ICML 2026
基于偏好的约束推断的安全强化学习
机构 * Department of Automation, Tsinghua University, Beijing, China ； Laboratory for Information \& Decision Systems, Massachusetts Institute of Technology, Cambridge, MA, USA
AI总结 提出偏好约束强化学习（PbCRL），通过引入死区机制和信噪比损失，从人类偏好中推断安全约束，实现更好的约束对齐和策略学习。
Comments Accepted by the 43rd International Conference on Machine Learning (ICML 2026)
压缩即适应：基于扩散基础模型的隐式视觉表示
机构 * Microsoft Research Asia（微软亚洲研究院） ； University of Cambridge（剑桥大学）
AI总结 提出一种将视觉信号编码为函数的新框架，通过冻结的视觉生成模型附加低秩适应参数实现隐式表示，并进一步哈希为紧凑向量，在极低比特率下实现强感知视频压缩，同时支持推理时缩放和调控，统一了视觉压缩与生成。
Comments ICML 2026
超越基于VLM的奖励：扩散原生潜在奖励建模
机构 * The Hong Kong University of Science ； Huawei Hong Kong AI Framework \& Data Technologies Lab ； Tsinghua University ； The Australian National University
AI总结 提出扩散原生潜在奖励模型DiNa-LRM，直接在噪声扩散状态上进行偏好学习，通过噪声校准Thurstone似然和推理时噪声集成，实现高效且鲁棒的奖励建模。
Comments Accepted by ICML 2026. Code: https://github.com/HKUST-C4G/diffusion-rm
基准测试与增强VLM对压缩图像的理解
机构 * Institute for AI Industry Research, Tsinghua University, Beijing, China（清华人工智能产业研究院） ； Beihang University, Beijing, China（北京航空航天大学） ； Beijing University of Technology, Beijing, China（北京理工大学）
AI总结 本文提出首个全面基准测试评估VLM对压缩图像的理解能力，分析性能差距来源，并设计通用适配器提升模型性能10%-30%。
Comments The paper is accepted by ICML 2026
SyMerge：从无干扰到协同合并的单层自适应方法
机构 * Sungkyunkwan University（成均馆大学） ； NAVER AI Lab（NAVER AI实验室）
AI总结 提出SyMerge框架，通过仅优化合并系数和单个任务特定层，并采用专家引导的自标签目标，实现模型合并中的任务协同，在视觉、密集预测和NLP基准上达到最先进性能。
Comments Accepted at ICML 2026
用于解释图神经网络的相关游走搜索
机构 * BIFOLD -- Berlin Institute for the Foundations of Learning（柏林学习与数据基础研究所） ； Google Research, Brain team, Berlin（谷歌研究，柏林脑团队） ； Department of Artificial Intelligence, Korea University, Seoul 136-713, Korea（人工智能系，韩国大学，首尔136-713，韩国） ； RIKEN Center for AIP, Japan（日本AIP研究中心）
AI总结 针对GNN-LRP计算复杂度指数级问题，提出多项式时间算法搜索Top-K相关游走，实现精确神经元级和近似节点级解释。
Comments Published in ICML 2023
Journal ref Proceedings of the 40th International Conference on Machine Learning, PMLR 202:38301-38324, 2023
CVSearch：赋予多模态大语言模型认知视觉搜索能力以感知高分辨率图像
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（深圳先进技术研究院）
AI总结 提出CVSearch，一种无需训练的自适应框架，通过评估-搜索工作流动态调度视觉搜索策略，解决高分辨率图像感知中覆盖与效率的权衡问题。
Comments Accepted by ICML 2026. 22 pages, 12 figures, 7 tables
DFSAttn：面向高效视频生成的动态细粒度稀疏注意力
机构 * Peking University（北京大学）
AI总结 针对扩散变换器中注意力二次复杂度导致计算成本高的问题，提出一种无需训练的稀疏注意力框架DFSAttn，通过希尔伯特曲线重排序、分层块评分和稀疏掩码缓存实现动态细粒度稀疏化，在保持生成质量的同时实现高达2.1倍端到端加速。
Comments ICML 2026; 17 pages, 8 figures;
线性探测的盲区：面向权重空间学习的多视角探测
机构 * Graduate School of Artificial Intelligence, Ulsan National Institute of Science（乌山国立科学技术研究生院）
AI总结 针对现有探测方法仅捕获一阶结构而忽略行列交互中的高阶相关模式的问题，提出多视角探测框架MVProbe，通过融合一阶信号与基于Gram的交互感知视图，并基于不同探测阶数的缩放定律推导标准化与融合策略，在Model Jungle基准上超越现有方法。
Comments Accepted at ICML 2026. Code: https://github.com/AI-hew-math/MVProbe ; Project page: https://ai-hew-math.github.io/MVProbe/
非平稳概率时间序列预测的参数先验映射框架
机构 * School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 提出参数先验映射（PPM）框架，通过将参数化结构先验注入生成模型，结合混合目标训练，在非平稳概率多变量时间序列预测中实现精度与计算效率的平衡。
Comments 20 pages, 8 figures, accepted by ICML 2026
无需熵编码的高效学习图像压缩
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Department of Automation, Tsinghua University（清华大学自动化系） ； State Key Laboratory of Space Network（空间网络与通信国家重点实验室） ； Beijing National Research Center for Information Science（北京信息科学国家研究中心）
AI总结 提出一种无需熵编码的多速率学习图像压缩框架EF-LIC，通过无约束向量量化和上下文条件自回归变换消除统计与相关冗余，在保持压缩性能的同时显著降低编码延迟。
Comments Accepted by ICML 2026
病理学离焦去模糊的间断伽辽金神经算子
机构 * Shanghai Key Laboratory of Multidimensional Information Processing, East China Normal University, Shanghai, China（上海多维信息处理关键实验室，华东师范大学，上海，中国）
AI总结 提出间断伽辽金神经算子（DGNO），通过间断伽辽金公式参数化积分核，解决病理显微镜中空间变化和局部不连续的离焦模糊问题，实现优于现有方法的去模糊效果。
Comments 17 pages, 9 figures. Accepted by ICML 2026
扩散域扩展：学习协调预训练扩散模型
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 提出扩散域扩展（DDE）方法，通过紧凑可训练网络协调预训练扩散模型的去噪输出，以生成更大对象并处理更复杂条件，在长音频生成和条件图像生成中优于其他方法。
Comments Accepted as poster at ICML 2024 Workshop on Structured Probabilistic Inference and Generative Modeling (SPIGM)
聚合中的公平性：最优Top-$k$和改进的全排名
AI总结 针对算法排名系统中的公平性问题，提出了最优的公平Top-$k$聚合算法，并将公平全排名的近似比从3改进到2。
Comments Accepted at ICML 2026
将适应转化为资产：面向在线视觉语言导航的跨域桥接
机构 * School of Computer Science, Peking University, Beijing, China（北京大学计算机科学系） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） ； School of Electronics, Peking University, Beijing, China（北京大学电子学院）
AI总结 提出 IDEA 框架，通过 Fisher 引导的软提示优化和动态资产库构建跨域桥接，解决视觉语言导航中测试时适应的灾难性遗忘和负迁移问题。
Comments Accepted by ICML 2026
CARE: 面向长尾噪声标签可靠学习的类别自适应专家共识
机构 * College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China.（深圳大学计算机科学与软件工程学院，中国深圳） ； Guangming Laboratory, Shenzhen, China.（深圳广明实验室，中国深圳） ； School of Informatics, Xiamen University, Xiamen, China.（厦门大学信息学院，中国厦门） ； School of Computer Science and Technology, Guangdong University of Technology, Guangzhou, China（广东工业大学计算机科学与技术学院，中国广州）
AI总结 提出CARE框架，利用视觉语言模型的三种互补监督源，通过类别自适应专家共识机制，根据类别频率对尾部类施加更严格的一致性、对头部类施加更宽松的一致性，以过滤不可靠信号并重新校准类别分布，从而在长尾噪声标签下实现可靠修正。
Comments poster in ICML 2026
深度的隐式偏差：从神经坍缩到Softmax编码
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Electrical and Computer Engineering, University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系）
AI总结 研究深度无约束特征模型在无正则化训练下，梯度下降和深度如何诱导低秩隐式偏差，从而从神经坍缩转向softmax编码，并分析训练动态和宽度的影响。
Comments 46 pages, 11 figures, accepted at the International Conference on Machine Learning 2026
GEMQ：MoE大语言模型的全局专家级混合精度量化
机构 * University of Pittsburgh（匹兹堡大学） ； University of Central Florida（佛罗里达州立大学） ； University of Arizona（亚利桑那大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 提出全局专家级混合精度量化方法GEMQ，通过全局线性规划建模专家重要性并微调路由器，实现MoE-LLMs的极致低比特量化，减少内存并加速推理。
Comments ICML 2026
HawkesLLM：智能体文本模拟中的语义不确定性传播
机构 * Department of Industrial and Systems Engineering, University of Minnesota（工业与系统工程系，明尼苏达大学） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
AI总结 提出HawkesLLM框架，通过多变量Hawkes过程建模时间影响与文本生成分离，解决智能体文本模拟中语义不确定性路径依赖问题，在GDELT新闻级联案例中提升后期语义对齐。
Comments 10 pages, 4 figures, Accepted at the ICML 2026 Workshop on Statistical Frameworks for Uncertainty in Agentic Systems
Fill-in-the-Middle 预训练的记忆动态
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
AI总结 通过对比 FIM 与标准 LTR 预训练，研究 FIM 对逐字记忆的影响，发现 FIM 更易恢复短片段或部分匹配，而 LTR 对长精确延续置信度更高，且 FIM 训练下的逐字提取随重复次数近似线性增长。
Comments MemFM @ ICML 2026
多任务放射学报告生成中的双重困境：梯度动力学分析与解决方案
机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Xinjiang University（新疆大学） ； Information Security Engineering Technology Research Center（信息安全工程技术研究中心）
AI总结 针对多任务放射学报告生成中线性标量化策略无法平衡判别性临床监督与生成平滑性的问题，提出基于梯度动力学的冲突规避幅度增强梯度下降（CAME-Grad）优化器，通过方向修正与能量注入实现动态平衡，在八个方法上平均提升2.3%和1.9%的临床效能。
Comments Accepted by ICML 2026
LineageFlow: 用于高保真家族感知蛋白质序列生成的流匹配
AI总结 提出LineageFlow，一种基于Dirichlet流匹配的模型，通过从祖先序列重建得到的谱系先验初始化生成，将生成转化为从进化支架的结构化突变，实现高家族有效性和结构置信度，并引入重路由干预实现无逐步骤指导的目标导向采样。
Comments Accepted at ICML 2026. 23 pages, 5 figures. Code: https://github.com/Jinx-byebye/LineageFlow
将线性化行为蒸馏到非线性微调中以实现有效的任务算术
机构 * University of Pisa, Italy（比萨大学，意大利）
AI总结 提出通过激活空间约束将线性化模型的低干扰特性蒸馏到标准非线性微调中，实现高效任务向量组合且无推理开销。
Comments Accepted at ICML 2026
分解、结构化与修复：基于操作树的神经符号自动形式化框架
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学紫阳学院） ； Institute of Natural Sciences, MOE-LSC, CMA-Shanghai, Shanghai Jiao Tong University（上海交通大学自然科学研究院）
AI总结 提出DSR神经符号框架，通过将数学语句分解为逻辑组件并映射为结构化操作树，利用子树精炼定位和修复错误，在PRIME基准上达到新最优。
Comments Accepted to ICML 2026
无训练率失真感知遍历与扩散
机构 * Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong（信息工程系，香港中文大学，香港） ； College of Electronic and Information Engineering, Shenzhen University, Shenzhen（电子与信息工程学院，深圳大学，深圳）
AI总结 提出一种无需重新训练、利用预训练扩散模型遍历率失真感知（RDP）曲面的框架，结合反向信道编码与分数缩放概率流ODE解码器，理论证明其在AWGN下最优，实验验证其灵活性和有效性。
Comments Accepted by the Forty-Third International Conference on Machine Learning (ICML) 2026
VideoTemp-o3：在智能视频思考中协调时间定位与视频理解
机构 * Shandong University（山东大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学）
AI总结 提出VideoTemp-o3统一框架，通过联合建模视频定位与问答、设计统一掩码机制和专用奖励，解决长视频理解中采样效率低、定位弱和工作流僵化问题。
Comments ICML 2026
超越欧几里得摘要：面向分布值数据的在线变点检测
AI总结 提出一种基于2-Wasserstein空间的分布值变点检测框架，通过切空间线性化将经典多元监控统计量适配到分布流形，实现对复杂分布变化的快速检测。
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026. C
Scaling-Aware Adapter for Structure-Grounded LLM Reasoning
机构 * Department of Computer Science, Western University, London, Canada（加拿大伦敦西方大学计算机科学系） ； Department of Biochemistry, Western University, London, Canada（加拿大伦敦西方大学生物化学系）
AI总结 提出Cuttlefish，一种统一多模态大语言模型，通过缩放感知适配器和几何基础适配器，自适应调整结构令牌数量并注入几何线索，以提升异构结构推理性能。
Comments Accepted by ICML 2026
无维度多模态采样：基于预处理退火朗之万动力学
AI总结 针对函数空间问题有限维近似细化下保持稳定的多模态目标采样算法，提出预处理退火朗之万动力学，在谱条件下实现维度一致的时间复杂度内的高斯混合目标采样。
Comments ICML 2026
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