ICML

FoundObj: Self-supervised Foundation Models as Rewards for Label-free 3D Object Segmentation

FoundObj: 自监督基础模型作为无标签3D物体分割的奖励

Zihui Zhang, Zhixuan Sun, Yafei Yang, Jinxi Li, Jiahao Chen, Bo Yang

机构 * Shenzhen Research Institute, The Hong Kong Polytechnic University（深圳研究院，香港理工大学） ； vLAR Group, The Hong Kong Polytechnic University（vLAR小组，香港理工大学） 纠错

AI总结 提出FoundObj框架，利用自监督2D/3D基础模型的语义和几何先验作为奖励，通过强化学习引导超点合并，实现无标注复杂场景3D物体分割。

Comments ICML 2026. Zihui and Zhixuan are co-first authors. Code and data are available at: https://github.com/vLAR-group/FoundObj

Scaling, Benchmarking, and Reasoning of Vision-Language Agents for Mobile GUI Navigation

面向移动GUI导航的视觉语言模型：缩放、基准测试与推理

Heng Qu, Yike Liu, Renren Jin, Wenzong Zhang, Pengzhi Gao, Wei Liu, Jian Luan

机构 * Wuhan University（武汉大学） 纠错

AI总结 本文系统研究了视觉语言模型在移动GUI导航中的数据缩放、基准测试与推理，提出了大规模数据集HyperTrack和开源工具包GUIEvalKit，并发现基于强化学习的微调优于监督微调，尤其在域外场景中表现更佳。

Comments Accepted at ICML 2026

DEI: Diversity in Evolutionary Inference for Quality-Diversity Search

DEI：质量-多样性搜索中的进化推理多样性

John Donaghy, Shikhar Rastogi

AI总结 提出DEI框架，通过异构大语言模型作为变异算子进行分布式质量-多样性搜索，实验表明模型多样性比并行性更能提升搜索性能。

Comments Accepted to ICML 2026 Workshop Scalable Learning and Optimization for Efficient Multimodal AI Agents (SCALE)

ReMoE: Boosting Expert Reuse through Router Fine-Tuning in Memory-Constrained MoE LLM Inference

ReMoE: 在内存受限的MoE大模型推理中通过路由器微调提升专家重用

Xiongwei Zhu, Xiaojian Liao, Tianyang Jiang, Yusen Zhang, Liang Wang, Limin Xiao

机构 * School of Computer Science and Engineering, Beihang University, Beijing 100191, China（北京航空航天大学计算机科学与工程学院） ； Huawei Technologies Ltd（华为技术有限公司） 纠错

AI总结 提出ReMoE路由器微调框架，通过偏向近期选中的专家实现时间稳定的路由，减少专家从外部存储的获取次数，在保持下游任务性能的同时提升专家重用26%，并在实际系统中实现8.4%的吞吐量提升和1.77-1.99倍的解码加速。

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

Semantic-Aware Motion Encoding for Topology-Agnostic Character Animation

语义感知的运动编码用于拓扑无关的角色动画

Zongye Zhang, Yuzhuo Cui, Qingjie Liu, Yunhong Wang

AI总结 提出语义感知的拓扑无关框架，通过语义调制机制对齐功能关节对应关系，从大规模未对齐BVH数据构建连续运动空间，实现高保真重建和零样本跨物种重定向。

Comments Accepted by ICML 2026. 21 pages, 6 figures, 13 tables

Generating Robust Portfolios of Optimization Models using Large Language Models

使用大型语言模型生成鲁棒的优化模型组合

Eleni Straitouri, Cheol Woo Kim, Milind Tambe

机构 * Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Harvard University（哈佛大学） 纠错

AI总结 提出一种利用LLM作为随机生成器和推理评估器的统一框架，生成鲁棒的优化模型组合，并保证在生成器或评估器之一与人类偏好对齐时组合中包含高质量候选模型。

Comments Accepted at the ICML 2026 LM4Plan Workshop

Constrained Bayesian Experimental Design via Online Planning

通过在线规划的约束贝叶斯实验设计

Yujia Guo, Daolang Huang, Xinyu Zhang, Sammie Katt, Samuel Kaski, Ayush Bharti

机构 * ELLIS Institute Finland（芬兰ELLIS研究所） ； Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系） ； Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系） 纠错

AI总结 提出一种结合离线预训练摊销策略和后验网络与在线多步前瞻规划（场景树）的方法，以在动态约束下优化贝叶斯实验设计，相比现有方法获得更优信息序列且计算开销适中。

Comments 24 pages, 9 figures. Accepted at the Forty-Third International Conference on Machine Learning (ICML 2026)

SIMPC: Learning Self-Induced Mirror-Point Consistency for Unsupervised Point Cloud Denoising

SIMPC: 学习自诱导镜像点一致性用于无监督点云去噪

Chengwei Zhang, Xueyi Zhang, Tao Jiang, Xinhao Xu, Wenjie Li, Fubo Zhang, Longyong Chen

机构 * National Key Laboratory of Microwave Imaging, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China（微波成像国家重点实验室，航天信息研究所，中国科学院，北京，中国） ； School of Computing, National University of Singapore, Singapore（计算学院，新加坡国立大学，新加坡） 纠错

AI总结 提出自诱导镜像点一致性（SIMPC）方法，通过几何先验生成镜像点并约束去噪目标一致性，实现无监督点云去噪，在合成和真实数据集上超越现有无监督及部分有监督方法。

Comments Accepted by ICML 2026. 17 pages, 8 figures, 8 tables

Parsimonious Learning-Augmented Online Metric Matching

简约学习增强的在线度量匹配

Yongho Shin, Phanu Vajanopath

机构 * Institute of Computer Science, University of Wrocław, Wrocław, Poland（沃斯克拉大学计算机科学研究所） 纠错

AI总结 针对在线度量匹配问题，提出一种简约学习增强算法，通过虚拟预测填补缺失预测，并建立性能下界，实验验证了其有效性。

Comments To appear in ICML 2026

Generalist Graph Anomaly Detection via Prototype-Based Distillation

基于原型蒸馏的通才图异常检测

Yiming Xu, Zihan Chen, Zhen Peng, Song Wang, Bin Shi, Bo Dong, Chao Shen

机构 * School of Computer Science and Technology, Xi'an Jiaotong University, Xi'an, China（西安交通大学计算机科学与技术学院） ； National Engineering Research Center for Visual Information and Applications, Xi'an, China（视觉信息与应用国家工程研究中心） ； University of Virginia, Charlottesville, USA（弗吉尼亚大学） ； University of Central Florida, Orlando, USA（佛罗里达大学） ； School of Distance Education, Xi’an Jiaotong University, Xi'an, China（西安交通大学继续教育学院） ； School of Cyber Science and Engineering, Xi'an Jiaotong University, Xi'an, China（西安交通大学网络安全学院） 纠错

AI总结 提出首个无监督通才图异常检测框架ProMoS，通过知识蒸馏从冻结的自监督图神经网络教师模型中提取正常性先验，并利用原型引导的软标签蒸馏实现跨图零样本异常检测。

Comments Accepted by ICML 2026

Stabilizing Recurrent Dynamics for Test-Time Scalable Latent Reasoning in Looped Language Models

循环语言模型中测试时可扩展潜在推理的稳定循环动力学

Xiao-Wen Yang, Ziyu Han, Xi-Hua Zhang, Wen-Da Wei, Jie-Jing Shao, Lan-Zhe Guo, Yu-Feng Li

机构 * State Key Laboratory of Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家重点实验室，南京大学，南京，中国） ； School of Artificial Intelligence, Nanjing University, Nanjing, China（人工智能学院，南京大学，南京，中国） ； School of Intelligence Science and Technology, Nanjing University, Nanjing, China（智能科学与技术学院，南京大学，南京，中国） 纠错

AI总结 提出STARS训练框架，通过雅可比谱半径正则化约束潜在状态趋近渐近稳定不动点，解决循环语言模型深度递归时性能崩溃问题，实现可靠的测试时扩展并提升峰值性能。

Comments ICML 2026

Towards Feedback-to-Plan Decisions for Self-Evolving LLM Agents in CUDA Kernel Generation

面向CUDA内核生成中自进化LLM代理的反馈到计划决策

Yee Hin Chong, Jiaming Wu, Youhui Zhang, Peng Qu

机构 * Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） ； Beijing National Research Center for Information Science and Technology, Beijing, China（北京信息科学国家研究中心） 纠错

AI总结 通过轨迹冻结和选择性反馈注入，提出CUDAnalyst框架以归因规划决策对反馈组件的贡献，揭示显式规划仅在反馈对齐时有效，且有效规划源于结构化多反馈交互。

Comments ICML 2026 accpeted, camera-ready in progress

Iterative Refinement Neural Operators are Learned Fixed-Point Solvers: A Principled Approach to Spectral Bias Mitigation

迭代精化神经算子：一种学习型不动点求解器——频谱偏差缓解的原则性方法

Xiaotian Liu, Shuyuan Shang, Xiaopeng Wang, Pu Ren, Yaoqing Yang

机构 * Dartmouth College（达特茅斯学院） ； CUHK Shenzhen（香港大学深圳分校） ； Lawrence Berkeley National Lab（伯克利国家实验室） 纠错

AI总结 提出迭代精化神经算子（IRNO），通过固定点迭代应用学习精化模块，结合渐进频谱损失，有效缓解神经算子的频谱偏差，在湍流和活性物质等物理系统中显著降低高频误差。

Comments 47 pages; accepted to ICML 2026 as a Spotlight

Tracing the Dynamics of Refusal: Exploiting Latent Refusal Trajectories for Robust Jailbreak Detection

追踪拒绝的动态：利用潜在拒绝轨迹进行鲁棒越狱检测

Xulin Hu, Che Wang, Wei Yang Bryan Lim, Jianbo Gao, Zhong Chen

机构 * Peking University（北京大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Jiaotong University（北京交通大学） 纠错

AI总结 通过因果追踪识别出稀疏的“拒绝轨迹”激活模式，并提出轻量级白盒检测器SALO，基于隐藏状态窗口实现鲁棒越狱检测。

Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). Camera-ready version

Skipping the Zeros in Diffusion Models for Sparse Data Generation

跳过扩散模型中的零值以生成稀疏数据

Phil Sidney Ostheimer, Mayank Nagda, Andriy Balinskyy, Gabriel Vicente Rodrigues, Jean Radig, Carl Herrmann, Stephan Mandt, Marius Kloft, Sophie Fellenz

机构 * RPTU University Kaiserslautern-Landau（科隆-兰道大学RPTU） ； Heidelberg University（海德堡大学） ； University of California, Irvine（加州大学 Irvine 分校） 纠错

AI总结 提出稀疏利用扩散（SED）方法，通过仅建模非零值来保持稀疏性，在训练和推理中跳过零值以节省计算并提升生成质量。

Comments Accepted to ICML 2026

The Labyrinth and the Thread: Rethinking Regularizations in Sequential Knowledge Editing for Large Language Models

迷宫与线索：重新思考大语言模型顺序知识编辑中的正则化方法

Zheng Wang, Kaixuan Zhang, Wanfang Chen, Jingwen Zhang, Xiaonan Lu

机构 * Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心（BCAI）） ； Bosch (China) Investment Ltd.（博世（中国）投资有限公司） ； School of Statistics, East China Normal University（东华大学统计学院） 纠错

AI总结 本文通过优化分析证明顺序编辑与一次性编辑的等价性，揭示稳定性源于累积编辑约束而非专门正则化，从而简化大语言模型知识编辑流程。

Comments Accepted for publication at ICML 2026

Bilevel Optimization over Saddle Points of Zero-Sum Markov Games

零和马尔可夫博弈鞍点上的双层优化

Zihao Zheng, Irwin King, Songtao Lu

机构 * Shun Hing Institute of Advanced Engineering, The Chinese University of Hong Kong（香港中文大学先进工程学院） ； 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） 纠错

AI总结 针对下层为零和马尔可夫博弈的双层优化问题，提出基于惩罚的Nikaido-Isoda下降-上升方法（PANDA），避免计算超梯度且无需二阶信息，在无凸性假设下收敛到平稳点，达到与单策略下层MDP双层RL相当的最优速率。

Comments Accepted to the International Conference on Machine Learning (ICML 2026)

Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice

审计与修复离散选择中表格基础模型的经济有效性

Yingshuo Wang, Xian Sun, Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； Duke University, Durham, NC, USA（杜克大学） ； Northeastern University, Boston, MA, USA（东北大学） ； University of Illinois Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University, Dallas, TX, USA（南方 Methodist 大学） 纠错

AI总结 提出两阶段适配器，将表格基础模型预测嵌入效用最大化框架，在保证经济一致性的同时提升选择预测精度。

Comments 5 pages, 1 table. Accepted at the FMSD Workshop, ICML 2026

SIKA-GP: Accelerating Gaussian Process Inference with Sparse Inducing Kernel Approximations for Bayesian Deep Learning

SIKA-GP：利用稀疏诱导核近似加速贝叶斯深度学习中的高斯过程推断

Wenyuan Zhao, Rui Tuo, Chao Tian

机构 * Department of Electrical ； Computer Engineering, Texas A\&M University, College Station, US ； Department of Industrial ； Systems Engineering, Texas A\&M University, College Station, US 纠错

AI总结 提出SIKA-GP方法，通过基于二元有序模板基的稀疏诱导核近似，将高斯过程推断的计算复杂度降低至O(log M)，并实现高效张量化GPU计算，可自然嵌入贝叶斯神经网络，在视觉和Transformer语言基准上显著加速训练和推断而不牺牲预测性能。

Comments 20 pages, 8 figures; accepted to International Conference on Machine Learning (ICML) 2026

Triadic Dynamics Aware Diffusion Posterior Sampling for Inverse Problems: Optimizing Guidance and Stochasticity Schedules

面向逆问题的三元动力学感知扩散后验采样：优化引导与随机性调度

Junseo Bang, Dong Ju Mun, Hoigi Seo, Seongmin Hong, Se Young Chun

机构 * IPAI \& AIIS, Seoul National University, Republic of Korea 纠错

AI总结 提出TriPS方法，将后验采样建模为时变控制问题，通过优化数据一致性引导、无分类器引导和随机性的调度策略，显著提升成像逆问题的求解性能。

Comments ICML 2026

Semigroup Consistency as a Diagnostic for Learned Physics Simulators

半群一致性作为学习型物理模拟器的诊断工具

Lennon J. Shikhman

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出归一化半群误差作为评估学习型物理模拟器时间组合和长程推演一致性的诊断指标，在热传导和Burgers动力学实验中验证其与推演退化正相关。

Comments 10 pages, 3 figures, 3 tables. Accepted to the AI4Physics Workshop at the 43rd International Conference on Machine Learning

Curriculum Learning for Safety Alignment

用于安全对齐的课程学习

Sandeep Kumar, Virginia Smith, Chhavi Yadav

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学） 纠错

AI总结 提出基于课程学习的Staged-Competence框架，通过难度分级的偏好数据和渐进式参考模型更新，提升DPO安全对齐的鲁棒性，在三个模型族上平均降低16%的OOD有害响应率和20%的越狱攻击成功率。

Comments Accepted at the ICML 2026 GlobalSouthML Workshop

Quantized Keys Steal Attention: Bias Correction for KV-Cache Compression in Video Diffusion

量化键窃取注意力：视频扩散中KV缓存压缩的偏差校正

Tuna Tuncer, Felix Becker, Thomas Pfeil

机构 * Technical University of Munich（慕尼黑技术大学） ； Tensordyne 纠错

AI总结 针对视频扩散模型中KV缓存量化导致注意力权重系统性偏差的问题，提出基于Jensen偏差的在线逐注意力分数校正方法，在INT2量化下恢复接近BF16的视频质量，且内存减半。

Comments Variants of this manuscript were accepted to the ICML 2026 workshops SCALE and F2S

The Bridge-Garden Dilemma in LLM Distillation: Why Mixing Hard and Soft Labels Works

LLM蒸馏中的桥园困境：为什么混合硬标签和软标签有效

Guanghui Wang, Kaiwen Lv Kacuila, Zhiyong Yang, Zitai Wang, Jin-Wen Wu, Longtao Huang, Qianqian Xu, Qingming Huang

机构 * School of Computer Science and Technology, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学计算机科学与技术学院） ； Alibaba Group, Hangzhou, China（阿里巴巴集团） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院人工智能安全国家重点实验室） ； Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院） ； Key Laboratory of Big Data Mining and Knowledge Management (BDKM), University of Chinese Academy of Sciences, Beijing, China（中国科学院大数据挖掘与知识管理重点实验室） 纠错

AI总结 针对大语言模型知识蒸馏中硬标签与软标签的混合使用，提出桥园分解理论解释其降低暴露偏差的机制，并开发自适应混合监督方法，在多个模型上实现性能提升和9.7倍训练成本降低。

Comments Accepted at ICML 2026

Furina: Fragmented Uncertainty-Driven Refusal Instability Attack

Furina: 碎片化不确定性驱动的拒绝不稳定攻击

Tongxi Wu, Jian Zhang, Yang Gao

机构 * School of Intelligence Science and Technology（智能科学与技术学院） ； State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Nanjing University（南京大学） 纠错

AI总结 通过揭示大语言模型安全行为存在不稳定区域，提出多指标诊断框架并开发Furina攻击方法，利用碎片化场景提示诱导不确定性放大，实现高效越狱。

Comments This work is accepted as a regular paper at ICML 2026

Quadratically Regularized Optimal Transport: Localization Bounds and Affine Case Analysis

二次正则化最优传输：局部化界与仿射情况分析

Long Nguyen-Chi, Nam Nguyen, Binh Nguyen

AI总结 本文建立二次正则化最优传输（QOT）优化器支撑集在Monge耦合附近局部化的下界，并证明在仿射Brenier情形下达到最优指数。

Journal ref Forty-Third International Conference on Machine Learning (ICML 2026)

Mind Your Margin and Boundary: Are Your Distilled Datasets Truly Robust?

注意你的边界：你的蒸馏数据集真的鲁棒吗？

Muquan Li, Yingyi Ma, Yihong Huang, Hang Gou, Ke Qin, Ming Li, Yuan-Fang Li, Tao He

机构 * The Laboratory of Intelligent Collaborative Computing of UESTC, Chengdu, China（UESTC智能协同计算实验室，中国成都） ； Monash University, Melbourne, Australia（墨尔本大学，澳大利亚墨尔本） ； Guangdong Laboratory of Artificial Intelligence（广东人工智能实验室） 纠错

AI总结 针对数据集蒸馏中鲁棒性不足的问题，提出一种结合攻击感知课程学习与对比鲁棒性目标的框架C²R，通过优先处理最小鲁棒边界的对抗样本并扩大类间决策边界分离度，显著提升鲁棒准确率。

Comments Accepted to ICML 2026

Weasel: Out-of-Domain Generalization for Web Agents via Importance-Diversity Data Selection

Weasel: 通过重要性-多样性数据选择实现Web智能体的域外泛化

Fatemeh Pesaran Zadeh, Seyeon Choi, Xing Han Lù, Siva Reddy, Gunhee Kim

机构 * Seoul National University（首尔国立大学） ； McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute（蒙特利尔AI研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

AI总结 提出Weasel方法，通过优化平衡单步重要性与状态、网站、交互模式成对多样性的目标，选择固定预算的轨迹子集，结合目标中心AXTree剪枝和风格一致理由替换，提升Web智能体离线训练的域外泛化性能并降低训练成本。

Comments ICML 2026. Code is released at https://github.com/fatemehpesaran310/weasel

Provably Data-driven Lagrangian Relaxation for Mixed Integer Linear Programming

可证明数据驱动的混合整数线性规划拉格朗日松弛

Tung Quoc Le, Anh Tuan Nguyen, Viet Anh Nguyen

机构 * Université Grenoble Alpes, LJK, CNRS, Grenoble INP（格勒诺布尔阿尔卑斯大学，LJK，CNRS，格勒诺布尔INP） ； Carnegie Mellon University, Machine Learning Department（卡内基梅隆大学，机器学习系） ； Chinese University of Hong Kong, Department of Systems Engineering and Engineering Management（香港中文大学，系统工程与工程管理系） 纠错

AI总结 针对混合整数线性规划的拉格朗日松弛，通过数据驱动算法设计框架，理论分析了学习乘子的泛化界和极小化最优速率，并证明随机梯度上升和热启动方法达到最优。

Comments Accepted to ICML 2026

On the Coordination of Value-Maximizing Bidders

关于价值最大化投标者的协调问题

Yanru Guan, Jiahao Zhang, Zhe Feng, Tao Lin

AI总结 研究在线广告平台中多个自动投标者的协调问题，提出仅最高价值投标者与外部投标者竞争、其他协调投标者不参与的协调机制，证明该机制优于独立投标，能提高支出回报合规性和总价值。

Comments Accepted at ICML 2026