期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
迈向AI代理可靠性的科学
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出十二个具体指标，从一致性、鲁棒性、可预测性和安全性四个维度分解AI代理的可靠性，并通过实验揭示能力提升仅带来可靠性小幅改进。
Comments Accepted at ICML 2026. Interactive dashboard available at: https://hal.cs.princeton.edu/reliability
TimeOmni-VL：统一时间序列理解与生成的模型
机构 * Tsinghua University（清华大学）
AI总结 提出TimeOmni-VL框架，通过保真双向映射和理解引导生成，首次统一时间序列的理解与生成任务。
Comments Accepted by the Forty-third International Conference on Machine Learning (ICML 2026)
符号锁定：随机初始化的权重符号持续存在并成为亚比特模型压缩的瓶颈
机构 * Fujitsu Limited（富士通株式会社） ； Tokai University（静冈大学） ； Riken Center for AIP（理化学研究所AIP研究中心）
AI总结 研究亚比特模型压缩中符号位的瓶颈问题，通过符号锁定理论解释权重符号的随机性来源，并提出一种从头开始的低秩符号模板训练方法以突破该瓶颈。
Comments Accepted at the Forty-Third International Conference on Machine Learning (ICML 2026)
为谁查询什么：通过多轮LLM交互的自适应群体征询
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Columbia University（哥伦比亚大学） ； Ben-Gurion University of the Negev（贝内-约尔大学内盖夫分校）
AI总结 针对有限预算下群体属性不确定性降低问题，提出结合LLM期望信息增益与异构图神经网络传播的自适应群体征询框架，实现问题与受访者联合选择，在三个真实数据集上显著提升群体响应预测。
Comments Published as a conference paper at ICML 2026
将噪声适应于数据：来自一维过程的生成流
机构 * University of Cambridge（剑桥大学）
AI总结 提出一个通用框架，通过一维分位数函数学习数据自适应的参数化先验分布（潜在噪声），利用噪声与数据之间的Wasserstein距离进行优化，以改善生成流模型对重尾等分布的学习能力。
Comments ICML 2026
InftyThink+：通过强化学习实现高效且有效的无限时域推理
机构 * Tsinghua University（清华大学）
AI总结 提出InftyThink+框架，通过强化学习优化迭代推理的总结时机、保留内容和恢复策略，在DeepSeek-R1-Distill-Qwen-1.5B上提升AIME24准确率21%，并降低推理延迟。
Comments ICML 2026: https://openreview.net/forum?id=tyul8kXaJU Project Page: https://zju-real.github.io/InftyThink-Plus Code: https://github.com/ZJU-REAL/InftyThink-Plus Models: https://huggingface.co/collections/yanyc/inftythink
用于决策时规划的拉普拉斯表示
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出利用拉普拉斯表示作为决策时规划的潜在空间，通过多时间尺度捕捉状态空间距离，并基于此设计层次规划算法ALPS，在离线目标条件强化学习任务中优于常用基线。
Comments Accepted at ICML 2026
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
低秩适配器的多选学习用于语言建模
机构 * Institut National de la Recherche Scientifique (INRS)（国家科学研究院）
AI总结 提出LoRA-MCL训练方案，通过多选学习和低秩适配扩展语言模型的下一词预测，以在推理时解码多样且合理的句子延续。
Comments ICML 2026
WUSH: 面向LLM量化的近最优自适应变换
机构 * University of Tartu（塔尔图大学）
AI总结 提出一种结合Hadamard基与数据依赖二阶矩的非正交变换WUSH，在标准RTN AbsMax缩放块量化器下实现权重-激活联合量化的闭式最优解，显著提升低比特量化精度并支持高效GPU实现。
Comments Published as a conference paper at the 43rd International Conference on Machine Learning (ICML 2026): https://openreview.net/forum?id=ZsECxUkbKB
RGMem：基于重正化群启发的语言智能体记忆演化
机构 * School of Computer Science ； Engineering, Beihang University, Beijing, China ； School of Reliability ； Systems Engineering, Beihang University, Beijing, China ； State Key Laboratory of Complex \& Critical Software Environment ； National Key Laboratory of Reliability ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences
AI总结 提出RGMem框架，利用重正化群思想对长期对话记忆进行多尺度粗粒化、阈值更新和重缩放，实现从事实到用户偏好的层次化整合，在LOCOMO和PersonaMem基准上超越现有记忆系统。
Comments Accepted to ICML 2026
基于Slepian函数的局部高分辨率地理表示
机构 * Department of Computer Science, University of Colorado Boulder（科罗拉多大学波德分校计算机科学系） ； Microsoft（微软公司） ； University College London（伦敦大学学院） ； McGill University（麦吉尔大学） ； Mila–Quebec AI Institute（魁北克AI研究所） ； University of Bonn, Germany（德国波恩大学） ； University of Wageningen, Netherlands（荷兰瓦赫宁根大学）
AI总结 提出利用球面Slepian函数构建地理编码器，在感兴趣区域内集中表示能力，实现高分辨率且计算高效，并引入混合Slepian-球谐编码器平衡局部与全局性能，在分类、回归等任务中优于基线。
Comments ICML 2026
名称无关：面向开放词汇学习的符号不变Transformer
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出一种符号不变Transformer机制，通过并行嵌入流和聚合注意力实现可互换令牌的重命名不变性，在开放词汇任务上取得显著性能提升。
Comments ICML 2026 Poster (Camera-Ready Version)
用于数据高效查询式通用声音分离的语义一致数据集
机构 * Department of Computer Science and Technology, Institute for AI, BNRist, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究所，BNRist，清华大学，北京，中国） ； Shanda AI Research Tokyo（莎莎人工智能研究东京） ； IDG/McGovern Institute for Brain Research, Tsinghua University, Beijing, China（IDG/麦戈文脑研究 institute，清华大学，北京，中国） ； Johns Hopkins University（约翰霍普金斯大学） ； Chinese Institute for Brain Research (CIBR), Beijing, China（中国脑研究 institute（CIBR），北京，中国）
AI总结 提出自动管道通过语义一致合成协议消除事件共现，构建高质量合成数据集Hive，使模型在数据量极小的情况下达到与大规模训练模型相当的分离精度和泛化能力。
Comments Accepted to ICML 2026
弱扩散先验仍能实现强逆问题性能
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 研究弱扩散先验在逆问题中的鲁棒性，通过贝叶斯一致性和局部相关性分析揭示其在信息丰富测量下仍有效的原因。
Comments 37 pages, ICML 2026 spotlight. Code: https://github.com/jjia131/weak-diffusion-priors-inverse-problem, Project Page: https://jjia131.github.io/weak-diffusion-priors-inverse-problem/
OMP: 一步均值流策略与方向对齐
机构 * School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, China（上海交通大学机械工程学院） ； Global College, Shanghai Jiao Tong University, Shanghai, China（上海交通大学全球学院） ； Duke Kunshan University, Jiangsu, China（杜克昆山大学）
AI总结 提出一步均值流策略（OMP），通过方向对齐机制和微分推导方程解决均值流在机器人操作中的谱偏差和梯度饥饿问题，实现高保真实时操控。
Comments Accepted as poster of ICML-2026
局部学习能否匹配自监督反向传播？
机构 * University of Zurich（苏黎世大学）
AI总结 本文通过理论分析和算法变体，证明局部自监督学习在深度非线性卷积网络中可接近全局反向传播自监督学习的性能，并在图像数据集上达到或超越现有最优水平。
Comments Accepted at ICML 2026; Code is available at https://github.com/zihan-wu/local-SSL
$\mathbb{R}^{2k}$ 理论上足够大，用于基于嵌入的 Top-$k$ 检索
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究最小可嵌入维度（MED），证明对于内积、欧氏距离和余弦相似度，MED 为 Θ(k)，与 m 无关；进一步考虑鲁棒 MED（RMED），推导出可行性上限 ε_⋆(m,k)，并通过实验验证理论结果。
Comments v2: fix broken citation. v3: ICML 2026
ASAP：利用神经组合优化中的满意泛化优势
AI总结 针对神经组合优化模型在分布偏移下的脆弱性，提出ASAP框架，通过将决策分解为提案和选择两阶段，并利用MAML增强在线适应能力，在3D-BPP、TSP和CVRP上提升了泛化性能。
Comments Accepted as poster of ICML-2026
无排序RAG：用选择替代重排序以应用于敏感领域
机构 * University of Washington（华盛顿大学）
AI总结 提出METEORA框架，通过DPO微调LLM生成检索理由、统计肘部检测自适应截断和验证器过滤，在敏感领域实现可解释、高效且鲁棒的证据选择，无需重排序。
Comments ICML 2026
MIND：面向多模态大模型的多理由集成判别推理框架
机构 * Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学） ； MMLab, CUHK（CUHK多模态实验室）
AI总结 针对多模态大语言模型在多理由语义建模、逻辑鲁棒性和抗误导方面的不足，提出MIND推理框架，通过“理解-反思-纠正”机制实现从被动模仿到主动判别推理的范式转变。
Comments Accepted to ICML 2026
WISE: 一种基于世界知识的文本到图像生成语义评估方法
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对现有文本到图像生成模型缺乏复杂语义理解和世界知识整合评估的问题，提出WISE基准，包含25个子领域的1000个精心设计的提示，并引入WiScore指标评估知识-图像对齐，实验表明当前模型在整合世界知识方面存在显著局限。
Comments Accepted to ICML 2026. We have also released an updated version of the benchmark, WISE_Verified. Please refer to https://github.com/PKU-YuanGroup/WISE for the latest version
基于潜在扩散模型的可扩展单细胞基因表达生成
机构 * University of Cambridge（剑桥大学）
AI总结 提出scLDM，一种结合变分自编码器和潜在扩散模型的可扩展生成方法，通过置换不变/等变架构和扩散Transformer实现高质量单细胞基因表达生成。
Comments Accepted to ICML 2026, Github: https://github.com/czi-ai/scldm/
ProtocolBench：选择哪个LLM多智能体协议？
AI总结 提出ProtocolBench基准，系统比较多智能体协议在任务成功率、延迟、开销和鲁棒性上的表现，并设计可学习的协议路由器ProtocolRouter以动态选择最优协议。
Comments Accepted to ICML 2026. Camera-ready version.Code and benchmark artifacts: https://github.com/ulab-uiuc/AgentProtocols
DTKG: 用于多跳问答的双轨知识图谱验证推理框架
机构 * School of Computer Science ； Engineering, Beihang University, Beijing, China ； School of Reliability ； Systems Engineering, Beihang University, Beijing, China ； State Key Laboratory of Complex \& Critical Software Environment ； National Key Laboratory of Reliability ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences
AI总结 提出DTKG框架，通过分类阶段和分支处理阶段分别处理并行事实验证和链式多跳推理，提升多跳问答的效率和准确性。
Comments Accepted to ICML 2026
对齐感知解码
机构 * EPFL, Switzerland（瑞士联邦理工学院）
AI总结 提出一种推理时增强模型对齐的方法——对齐感知解码（AAD），可解释为隐式奖励优化，无需额外训练，在多种基准和模型规模上优于强基线，并能生成合成数据改善数据受限场景下的对齐。
Comments Accepted at ICML 2026
一次训练，随处重用：通过路由注意力实现可泛化的隐式上下文学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出In-Context Routing (ICR)方法，在注意力logits层面捕获可泛化的上下文学习模式，通过可学习的输入条件路由器调制注意力logits，实现高效的一次训练多次重用框架，在12个数据集上优于现有隐式ICL方法并展现强泛化能力。
Comments ICML 2026 Camera-ready
学习邻域：无对比的多模态自监督分子图预训练
机构 * University of Tübingen（图宾根大学）
AI总结 提出C-FREE框架，通过预测子图嵌入与互补邻域的关系，融合2D拓扑和3D构象信息，实现无对比、无负样本的多模态自监督分子图预训练，在MoleculeNet上取得最优结果。
Comments Accepted at ICML 2026
专家合作：大间隔融合异构信息
机构 * Shuo Wang, Shunyang Huang, Jinghui Yuan, Zhixiang Shen, Zhao Kang（未知）
AI总结 提出专家合作框架，通过大间隔机制融合异构信息，在统一异构多路网络中编码多类型数据，实现鲁棒且互补的知识提取。
Comments Accepted at the 42nd International Conference on Machine Learning (ICML 2025)
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:63169-63185, 2025
无需评估目标的马尔可夫链蒙特卡洛：一种辅助变量方法
AI总结 针对目标分布难以评估的采样问题，提出一种统一的辅助变量MCMC框架，利用估计梯度指导提议移动，显著提升性能。
Comments ICML 2026 oral. Code: https://github.com/ywwes26/Auxiliary-MCMC
立场：针对LLM的对抗性机器学习并未取得任何进展
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文认为，在大语言模型时代，对抗性机器学习研究的问题定义更模糊、更难解决且更难以评估，可能导致未来十年仍无法取得有意义进展。
Comments Accepted at 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