ICML - arXivDaily 期刊&会议

2605.30353 2026-05-29 cs.AI astro-ph.CO cs.HC cs.SE

Physics Is All You Need? A Case Study in Physicist-Supervised AI Development of Scientific Software

物理学就是一切？物理学家监督人工智能开发科学软件的案例研究

Nhat-Minh Nguyen

机构 * Kavli IPMU (WPI), UTIAS, The University of Tokyo（Kavli研究所（WPI）、UTIAS、东京大学）； Center for Data-Driven Discovery（数据驱动发现中心）； Institute For Interdisciplinary Research in Science（科学跨学科研究中心）

AI总结通过一个物理学家监督AI编码代理开发可微扰动理论模块的案例，研究AI代理在科学软件开发中的可靠性，发现监督设计比模型能力更能决定输出可信度。

Comments 10 pages, 2 figures, 2 tables, 1 physicist and a few AI agents. Accepted by ICML 2026 AI for Science Workshop. Code and development log are available at this repo: https://github.com/MinhMPA/clax-pt

2605.30335 2026-05-29 cs.AI cs.CL

Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents

局部一致，全局不一致：多组件LLM代理中的组合不一致性界定

Anany Kotawala

机构 * princeton（普林斯顿大学）

AI总结本文形式化多组件LLM代理中局部一致但全局不一致的失败，提出组合残差eps*度量不一致性，并通过层次投影修复和序贯一致性监测方法，在实验中发现广泛存在的不一致性及其对决策的影响。

Comments 25 pages, 7 figures, 24 tables. Preliminary versions to appear at the ICML 2026 Workshops on Combining Theory and Benchmarks (CTB), Statistical Frameworks for Uncertainty in Agentic Systems (AgenticUQ), and Failure Modes of Agentic AI (FAGEN)

2605.30325 2026-05-29 cs.CV

Veda: Scalable Video Diffusion via Distilled Sparse Attention

Veda: 通过蒸馏稀疏注意力实现可扩展的视频扩散

Shihao Han, Hao Yang, Xinting Hu, Xiaofeng Mei, Yi Jiang, Xiaojuan Qi

机构 * ByteDance Inc.（字节跳动公司）； The University of Hong Kong（香港大学）； University of Science and Technology of China（中国科学技术大学）

AI总结提出Veda蒸馏稀疏注意力框架，通过统计感知的tile评分和头感知tile选择，在保持生成质量的同时实现视频扩散模型的高效加速。

Comments Accepted to ICML 2026

2605.30315 2026-05-29 cs.CL cs.LG

Resolution Diagnostics for Paired LLM Evaluation

配对LLM评估的分辨率诊断

Anany Kotawala

机构 * Princeton University（普林斯顿大学）

AI总结针对公开LLM排行榜中配对排名未达到常规配对检验分辨率目标的问题，提出基于假设检验的配对评估框架，并引入分辨率比q=N/N*作为主要诊断指标，揭示了常用非配对Cohen-h-plus-(1-rho)捷径在接近比较区域存在约两倍的偏差。

2603.17942 2026-05-29 cs.CL

Efficient Training-Free Multi-Token Prediction via Embedding-Space Probing

通过嵌入空间探测的高效无训练多令牌预测

Raghavv Goel, Mukul Gagrani, Mingu Lee, Chris Lott

机构 * Qualcomm AI Research（高通人工智能研究）

AI总结提出ESP方法，利用嵌入空间中的掩码令牌进行无训练的多令牌预测，通过并行验证和轻量剪枝实现无损解码，提升吞吐量。

Comments v2: Accepted at ICML 2026. Updated experiments replaced tok/s with speedup ratio over AR baseline; improved exposition in Section 3.1 (mask token initialization) and Section 4 (ablations)

2602.11389 2026-05-29 cs.AI

Causal-JEPA: Learning World Models through Object-Level Latent Masking

Causal-JEPA：通过对象级潜在掩码学习世界模型

Heejeong Nam, Quentin Le Lidec, Lucas Maes, Yann LeCun, Randall Balestriero

机构 * Brown University, GalilAI（布朗大学，GalilAI）； New York University（纽约大学）

AI总结提出C-JEPA，一种通过对象级潜在掩码扩展联合嵌入预测的对象中心世界模型，在视觉问答和智能体控制任务中分别提升反事实推理20%和仅用1%潜在特征实现高效规划。

Comments Project Page: https://hazel-heejeong-nam.github.io/cjepa/ ICML 2026 Accepted

2605.30233 2026-05-29 cs.CL cs.AI

Do Language Models Track Entities Across State Changes?

语言模型是否在状态变化中跟踪实体？

Zilu Tang, Qiao Zhao, Gabriel Franco, Derry Wijaya, Aaron Mueller, Sebastian Schuster, Najoung Kim

机构 * Department of Computer Science, Boston University, Boston, USA（波士顿大学计算机科学系）； Department of Data Science, Monash University, Indonesia（墨尔本大学数据科学系）； Faculty of Computer Science, University of Vienna, Austria（维也纳大学计算机科学系）； Department of Linguistics, Boston University, Boston, USA（波士顿大学语言学系）

AI总结研究语言模型在自然语言中处理多步状态变化操作时的实体跟踪机制，发现其采用非增量策略，在最后token并行聚合信息，并揭示了REMOVE操作的全局抑制标签及其导致的失败模式。

Comments ICML main conference 2026, 9 pages

2605.30198 2026-05-29 cs.LG

Active Continual Learning with Metaplastic Binary Bayesian Neural Networks

具有可塑性二值贝叶斯神经网络的主动持续学习

Kellian Cottart, Théo Ballet, Djohan Bonnet, Damien Querlioz

机构 * Universit \'e Paris-Saclay, CNRS, Centre de Nanosciences et de Nanotechnologies, Palaiseau, France

AI总结针对边缘系统持续学习中的后验饱和与可塑性冻结问题，提出基于有界记忆变分目标的BiMU方法，通过不确定性依赖步长和先验松弛维持非退化后验，实现无缓冲主动查询，在Permuted-MNIST和OpenLORIS-Object上显著减少标签与更新次数。

Comments Accepted at ICML 2026

2605.30179 2026-05-29 cs.LG cs.AI

iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis

iLoRA: 用于微生物组诊断的具有潜在交互图的贝叶斯低秩适应

Yang Song, Yixuan Zhang, Lingfa Meng, Tongyuan Hu, Haizhou Shi, Hao Wang, Samir Bhatt, Hengguan Huang

机构 * University of Copenhagen, Copenhagen, Denmark ； Rutgers University, New Brunswick, NJ, USA ； Section of Health Data Science \& AI, Department of Public Health, University of Copenhagen, Copenhagen, Denmark ； MRC Centre for Global Infectious Disease Analysis, Department of Infectious Disease Epidemiology, School of Public Health, Faculty of Medicine, Imperial College London, London, United Kingdom

AI总结提出iLoRA，一种贝叶斯图条件LoRA框架，通过推断输入中的潜在交互图生成输入条件LoRA更新，联合学习预测和潜在交互结构，在微生物组诊断中优于现有方法。

Comments Accepted at ICML 2026

2605.30153 2026-05-29 stat.ML cs.IT cs.LG math.IT math.ST stat.TH

Diffusion Models Are Statistically Optimal for Learning Low-Dimensional Multi-Modal Distributions

扩散模型在学习低维多模态分布时具有统计最优性

Jingda Wu, Changxiao Cai

机构 * Department of Industrial and Operations Engineering, University of Michigan, Ann Arbor, USA（工业与运营工程系，密歇根大学，安娜堡，美国）

AI总结本文证明扩散模型在学习支撑在低维子空间并集上的分布时，样本复杂度仅依赖于内在维度，达到近最优的1-Wasserstein误差率，无需光滑性或有界密度假设。

Comments accepted to ICML 2026

2605.30132 2026-05-29 cs.LG stat.ML

Learning to Extrapolate to New Tasks: A Relational Approach to Task Extrapolation

学习外推到新任务：一种关系型任务外推方法

Adam Ousherovitch, Yixin Wang

机构 * Department of Statistics, University of Michigan, Ann Arbor（统计学系，密歇根大学，安阿伯）

AI总结提出关系型任务外推器（RTE），通过将目标任务分解为锚定任务和变换关系并学习关系算子，实现向未见任务的系统性外推，在函数预测和序列预测中显著优于现有方法。

Comments ICML 2026

2605.30102 2026-05-29 cs.MA cs.AI

When Cloud Agents Meet Device Agents: Lessons from Hybrid Multi-Agent Systems

当云端智能体遇到设备端智能体：混合多智能体系统的经验教训

Corrado Rainone, Davide Belli, Bence Major, Arash Behboodi

机构 * Qualcomm（高通）

AI总结本文系统研究混合多智能体系统（结合设备端小模型和云端大模型）的设计空间，分析不同设计选择对功耗、成本和性能帕累托前沿的影响，发现最优架构高度依赖任务且前沿计算并不总能带来更好性能。

Comments 30 pages, 16 figures. Accepted to the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026

2605.30038 2026-05-29 cs.LG cs.AI cs.CV

Alignment-Guided Score Matching for Text-to-Image Alignment in Diffusion Models

对齐引导的分数匹配用于扩散模型中的文本到图像对齐

Jaa-Yeon Lee, Yeobin Hong, Taesung Kwon, Jong Chul Ye

机构 * Graduate School of AI, KAIST, South Korea（韩国高级人工智能研究生院）

AI总结提出一种轻量级、无奖励的后训练方法，通过将对比对齐引导直接整合到扩散模型的分数匹配目标中，以解决文本-图像对齐中的过度惩罚和计数错误问题。

Comments ICML 2026, Project page: https://jaayeon.github.io/AGSM

2605.29983 2026-05-29 cs.LG cs.CV

Improving Adversarial Robustness of Attribution via Implicit Regularization

通过隐式正则化提高归因的对抗鲁棒性

Amir Mehrpanah, Matteo Gamba, Hossein Azizpour

机构 * Department of Computer Science, KTH Royal Institute of Technology, Stockholm, Sweden（瑞典皇家理工学院计算机科学系）； Science for Life Laboratory, Stockholm, Sweden（瑞典斯德哥尔摩科学生命实验室）； Department of Computer Science, Brown University, USA（美国布朗大学计算机科学系）

AI总结本文发现标准随机梯度下降的学习动态可以隐式地提高归因的对抗鲁棒性，并证明在softmax归一化下注意力归因的鲁棒性提升受限，而基于核的注意力可恢复鲁棒性。

Comments 39 pages, 22 figures, to be published in International Conference on Machine Learning 2026

2605.29931 2026-05-29 cs.AI eess.AS

It`s All About Speed: AI`s Impact on Workflow in Music Production

一切都关乎速度：AI对音乐制作工作流程的影响

Finn McClellan, Fabio Morreale

机构 * Waipapa Taumata Rau - University of Auckland, Auckland (Aotearoa - New Zealand)（瓦伊帕塔玛拉大学——奥克兰大学，奥克兰（奥特亚罗——新西兰））； Sony AI, Barcelona (Spain)（索尼AI，巴塞罗那（西班牙））

AI总结通过民族志研究，探讨AI和自动化工具如何影响音乐制作工作流程，重点关注录音工程师、混音师和制作人的使用体验与态度，并分析速度、可控性与创造性自主权之间的张力及其缓解方法。

Comments Audio Engineering Society Conference Paper - Presented at the AES International Conference on Machine Learning and Artificial Intelligence for Audio 2025 - September 8-10, London, UK

2605.29908 2026-05-29 stat.ML cs.LG

Joint Model and Data Sparsification via the Marginal Likelihood

通过边际似然进行联合模型与数据稀疏化

Alexander Timans, Thomas Möllenhoff, Christian A. Naesseth, Mohammad Emtiyaz Khan, Eric Nalisnick

机构 * RIKEN Center for AI Project, Tokyo, Japan（日本东京RIKEN人工智能项目中心）； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）

AI总结提出通过边际似然联合学习特征和样本相关性，实现同时模型与数据稀疏化的贝叶斯方法，在保持共轭性和闭式更新的同时提升鲁棒性。

Comments 36 pages, 8 figures, 12 tables (incl. appendix); published at ICML 2026

2605.29836 2026-05-29 cs.LG cs.AI stat.ML

CB-SLICE: Concept-Based Interpretable Error Slice Discovery

CB-SLICE: 基于概念的可解释错误切片发现

Yael Konforti, Mateo Espinosa Zarlenga, Elaf Almahmoud, Mateja Jamnik

机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国）； Trinity College, University of Oxford, Oxford, UK（牛津大学三一学院，牛津，英国）； Cambridge Institute for Technology and Humanity, Cambridge, UK（剑桥技术与人类研究所，剑桥，英国）

AI总结提出CB-SLICE方法，利用概念瓶颈模型的概念预测失败来发现错误切片，并通过关键词概念解释失败模式，优于现有方法。

Comments 20 pages, 7 figures, 12 tables, to be published at Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

2605.29828 2026-05-29 cs.LG

When Do Graph Foundation Models Transfer? A Data-Centric Theory

图基础模型何时迁移？一个以数据为中心的理论

Jiajun Zhu, Ying Chen, Peihao Wang, Yixuan He, Pan Li, Aditya Akella, Zhangyang Wang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）； Arizona State University（亚利桑那州立大学）； Georgia Institute of Technology（佐治亚理工学院）

AI总结本文通过图论连续极限方法，将跨域输出偏移分解为有限样本近似项和结构不匹配的内在域差异，并验证了位置编码稳定性对迁移的影响。

Comments 21 pages, including appendix. Accepted at ICML 2026

2605.29809 2026-05-29 cs.CR cs.CV cs.GR cs.LG cs.MM

Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing

Cert-LAS：通过层自适应平滑实现文本到图像扩散模型的认证模型所有权验证

Leyi Qi, Yiming Li, Siyuan Liang, Zhengzhong Tu, Dacheng Tao

机构 * Generative AI Lab, College of Computing ； Data Science, Nanyang Technological University, Singapore ； Department of Computer Science ； Engineering, Texas A\&M University, USA

AI总结提出Cert-LAS方法，基于层自适应平滑和扩散分类器嵌入水印，通过假设检验验证模型所有权，并证明在恶意移除攻击下仍能可靠验证。

Comments This paper has been accepted to the International Conference on Machine Learning (ICML) 2026. 26 pages

2605.29782 2026-05-29 cs.LG cs.AI cs.CL

Hista and Numca: Estimate State Value Effectively for LLM Reinforcement Learning

Hista 和 Numca：为 LLM 强化学习有效估计状态值

Zizhe Chen, Jiqian Dong, Yizhou Tian, Garry Yang, Yongqiang Chen, Zhitang Chen, James Cheng

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）； Huawei Technologies Ltd（华为技术有限公司）

AI总结针对 LLM 强化学习中状态值估计不准确的问题，提出 Numca（利用数值跨度作为可分级里程碑）和 Hista（利用隐藏状态加权平均不连续轨迹及其回报）两种方法，显著提升估计精度和训练性能。

Comments Accepted at ICML 2026

2605.29776 2026-05-29 cs.CV

Improving CLIP Adaptation by Breaking Tail Alignment for Source-Free Cross-Domain Few-Shot Learning

通过打破尾部对齐改进CLIP适应：用于源无关跨域小样本学习

Shuai Yi, Yixiong Zou, Yuhua Li, Ruixuan Li

机构 * School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, China（华中科技大学计算机科学与技术学院）； Institute of Artificial Intelligence, Huazhong University of Science and Technology, Wuhan, China（华中科技大学人工智能研究院）

AI总结针对CLIP在跨域小样本学习中的性能下降问题，提出自适应尾头对齐策略（ATHA），通过有选择地削弱低相似度图像令牌的对齐来减少过拟合，在四个基准上取得最优结果。

Comments Accepted by ICML 2026

2605.29756 2026-05-29 cs.AI

LFQ: Logit-aware Final-block Quantization for Boosting the Generation Quality of Low-Bit Quantized LLMs

LFQ：面向提升低比特量化LLM生成质量的逻辑感知最终块量化

Jung Hyun Lee, June Yong Yang, Jungwook Choi, Eunho Yang

机构 * Kim Jaechul Graduate School of AI, KAIST, Daejeon, South Korea（韩国科学技术院人工智能研究生院）； LG AI Research, Seoul, South Korea（LG人工智能研究）； Hanyang University, Seoul, South Korea（翰阳大学）

AI总结针对低比特量化LLM在生成任务中质量下降的问题，提出通过最小化FP模型与量化模型在最终Transformer块上的logits交叉熵来优化量化，从而提升复杂生成任务的准确性。

Comments Accepted to ICML 2026

2605.29744 2026-05-29 cs.AI cs.CL cs.LG cs.MA

Why Specialist Models Still Matter: A Heterogeneous Multi-Agent Paradigm for Medical Artificial Intelligence

为什么专家模型仍然重要：面向医学人工智能的异构多智能体范式

Yanan Wang, Shuaicong Hu, Jian Liu, Guohui Zhou, Aiguo Wang, Cuiwei Yang

机构 * Fudan University（复旦大学）

AI总结提出HetMedAgent异构多智能体框架，通过冲突感知证据融合、不确定性驱动的临床医生干预触发和自适应阈值校准，实现通用大语言模型与领域专家模型的协同，在三个临床决策任务中验证了专家模型在模态特定分析中的不可替代价值。

Comments Accepted at ICML 2026. 12 pages main text, 16 pages appendix

2605.29720 2026-05-29 cs.CV cs.LG

Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets

面向大规模人脸识别数据集的高效、免验证的内在质量评估

Zhichao Chen, Yongle Zhao, Kaicheng Yang, Meng Yang, Yin Xie, Ziyong Feng

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络科学与技术学院）

AI总结提出一种无需训练的内在质量（IQ）指标，通过邻域一致性得分和全局表示子空间复杂度来估计人脸识别数据集生成高性能模型的潜力，实现快速数据集诊断与筛选。

Comments ICML 2026

2605.29664 2026-05-29 cs.DC cs.LG

AMDP: Asynchronous Multi-Directional Pipeline Parallelism for Large-Scale Models Training

AMDP：面向大规模模型训练的异步多方向流水线并行

Ling Chen, Houming Wu, Wenjie Yu

机构 * State Key Laboratory of Blockchain and Data Security, Zhejiang University, Hangzhou, China（区块链与数据安全国家重点实验室，浙江大学，杭州，中国）； College of Computer Science and Technology, Zhejiang University, Hangzhou, China（计算机科学与技术学院，浙江大学，杭州，中国）

AI总结针对异步流水线并行中参数不匹配导致收敛退化的问题，提出AMDP方法，通过限制流水线第一阶段处理小批量数量、启动多条并发流水线并自适应调整数量、以及跨小批量累积梯度后单次更新，在保持高利用率的同时加速训练并保证收敛。

Comments Accepted by ICML 2026, 9 pages, and 8 figures

2605.29656 2026-05-29 cs.AI

TRACE: Toulmin-based Reasoning Assessment through Constructive Elements for LLM CoT Evaluation

TRACE: 基于图尔敏论证元素的 LLM 思维链推理评估

Yundong Kim, Heyoung Yang

机构 * Applied Agent Research Center, Korea Institute of Science（应用智能代理研究中心，韩国科学技术信息研究所）； Department of Computer Science and Engineering, University of Seoul, Republic of Korea（首尔大学计算机科学与工程系，大韩民国）

AI总结提出 TRACE 指标，结合图尔敏论证理论与弗拉维尔元认知框架分析思维链推理结构，实验表明与基准准确率强相关（r=0.74）并可作为有效强化学习奖励信号。

Comments 23 pages, Accepted at ICML 2026

2605.29622 2026-05-29 cs.LG physics.chem-ph

MōLe-Λ: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties

MōLe-Λ: 学习耦合簇响应态以获取能量、梯度和性质

Andreas Burger, Luca Thiede, Abdulrahman Aldossary, Jorge A. Campos-Gonzalez-Angulo, Alex Zook, Jérôme Florian Gonthier, Alán Aspuru-Guzik

机构 * University of Toronto（多伦多大学）； Vector Institute for Artificial Intelligence（人工智能向量研究所）； NVIDIA（英伟达）； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究研究院）

AI总结提出MōLe-Λ模型，通过联合学习左右手振幅预测耦合簇响应态，高效计算能量、梯度及多类分子性质。

Comments ICML 2026 AI4Physics

2605.29610 2026-05-29 cs.CV cs.AI cs.LG

Learning Context-Conditioned Predicate Semantics via Prototype Feedback

通过原型反馈学习上下文条件谓词语义

NamGyu Jung, Chang Choi

机构 * Department of Computer Engineering, Gachon University, Seongnam, Republic of Korea（韩国成仁市加德满都大学计算机工程系）

AI总结提出AlignG方法，利用原型反馈从图像关系候选中推断上下文条件谓词语义并调整关系表示，在VG-150和GQA-200上分别提升SGDet的F@100指标1.4和2.7。

Comments Accepted at ICML 2026. Code: https://github.com/Namgyu97/AlignG-SGG.pytorch

2605.28711 2026-05-29 cs.LG

Stage-wise Distortion-Perception Traversal in Zero-shot Inverse Problems with Diffusion Models

基于扩散模型的零样本逆问题中的逐阶段失真-感知遍历

Jiawei Zhang, Ziyuan Liu, Leon Yan, Zhenyu Xiao, Yuantao Gu

机构 * Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院）； Department of Electronic Engineering, Tsinghua University , Beijing, China（清华大学电子工程系）

AI总结提出一种逐阶段框架MAP-RPS，通过MAP估计和重噪声后验采样实现单扩散模型下的失真-感知权衡遍历，并扩展至潜空间LMAP-RPS以提升适用性。

Comments Accepted by ICML 2026

2605.26756 2026-05-29 cs.LG

Localizing Memorized Regions in Diffusion Models via Coordinate-Wise Curvature Differences

通过坐标曲率差异定位扩散模型中的记忆区域

Gwangho Kim, Sungyoon Lee

机构 * Department of Computer Science, Hanyang University, Seoul, South Korea（首尔国立大学计算机科学系）

AI总结本文提出基于坐标曲率差异的方法，通过减去欠拟合基线的曲率来隔离过拟合驱动的记忆，从而在扩散模型中定位记忆区域，并在Stable Diffusion上优于先前方法。

Comments ICML 2026