ICML

Hyperbolic Neural Population Geometry Benefits Computation

双曲神经群体几何结构有益于计算

Dennis Wu, Yi-Chun Hung, Braden Yuille, James E. Fitzgerald, Han Liu

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出海马体群体活动诱导双曲几何的理论框架，证明现代Hopfield网络更新规则计算最小均方误差估计，并引入双曲空间中的新联想记忆模型，其容量显著优于现有模型。

Comments Accepted at ICML 2026, 37 pages, 5 figures

AnyMod-LLVE: Low-Light Video Enhancement with Modality-Agnostic Inference

AnyMod-LLVE: 模态无关推理的低光照视频增强

Hangfeng Liang, Yutao Hu, Yanhan Hu, Xiaohan Wu, Wenqi Shao, Ying Fu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出AMNet统一多模态框架，通过空间-频谱双门控转换器学习辅助模态与RGB输入的对应关系，支持推理时任意模态组合，解决低光照视频增强中辅助模态缺失问题。

Comments Accepted at ICML 2026; Project page and code: https://lhfgghc.github.io/LLVE-AMNet

The Role of Feedback Alignment in Self-Distillation

反馈对齐在自蒸馏中的作用

Semih Kara, Oğuzhan Ersoy

机构 * Gensyn 纠错

AI总结 研究通过自蒸馏提升语言模型性能时，反馈与模型推理的结构对齐是关键因素，步级对齐批评比二元奖励或参考解更有效。

Comments Accepted to the ICML 2026 Workshop on RL from World Feedback (RLxF)

ABC-Bench: An Agentic Bio-Capabilities Benchmark for Biosecurity

ABC-Bench：生物安全的主体生物能力基准

Andrew Bo Liu, Samira Nedungadi, Bryce Cai, Alex Kleinman, Harmon Bhasin, Seth Donoughe

机构 * Andrew Bo Liu（安德鲁·刘） ； Samira Nedungadi（萨米拉·纳杜加迪） ； Bryce Cai（布莱斯·凯） ； Alex Kleinman（亚历克斯·克莱因曼） ； Harmon Bhasin（哈蒙·巴辛） ； Seth Donoughe（塞斯·多诺赫） 纠错

AI总结 提出ABC-Bench基准，评估LLM主体在生物安全相关任务上的能力，包括液体处理机器人编程、DNA片段设计和合成筛选规避，所有测试主体均优于人类专家基线。

Comments 18 pages. To be published in ICML 2026

Efficiently Learning Drifting Halfspaces with Massart Noise

高效学习带有Massart噪声的漂移半空间

Mingchen Ma, Guyang Cao, Jelena Diakonikolas, Ilias Diakonikolas

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 针对Massart噪声下的漂移概念学习问题，提出一种计算高效的学习器，实现误差η + Õ(Δ^{1/3}/γ)，并证明该误差在低度多项式测试下最优。

Comments To appear at ICML 2026

Flexible Kernels for Protein Property Prediction

用于蛋白质性质预测的灵活核函数

Martin Jankowiak, Yerdos Ordabayev, Rudraksh Tuwani, Henry N. Ward, Hunter Nisonoff, James M. McFarland, Gevorg Grigoryan

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出利用进化替代矩阵和局部线性性的序列核函数，结合高斯过程实现数据高效的蛋白质性质预测，并融入结构信息进行多任务学习。

Comments 50 pages; to appear at ICML 2026

In Defense of Information Leakage in Concept-based Models

为基于概念模型中的信息泄露辩护

Mateo Espinosa Zarlenga

AI总结 本文重新审视基于概念模型中的信息泄露问题，提出良性泄露概念，通过优化训练目标，在概念不完整时利用泄露提升准确性和可干预性。

Comments Accepted as a position paper at the Forty-Third International Conference on Machine Learning (ICML 2026)

Dynamic Linear Attention

动态线性注意力

Xin Wang, Hui Shen, Boyuan Zheng, Xueshen Liu, Minkyoung Cho, Zhongwei Wan, Zesen Zhao, Zhuoqing Mao, Shen Yan, Mi Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； University of Michigan（密歇根大学） ； ByteDance Seed（字节跳动Seed） 纠错

AI总结 提出DLA框架，通过信息感知动态状态合并和容量受限内存建模，解决多状态线性注意力中固定合并策略导致的错误累积问题，在16个数据集上超越现有方法。

Comments Accepted by ICML 2026

How Does Reasoning Flow? Tracing Attention-Induced Information Flow for Targeted RL in LLMs

推理流如何流动？追踪注意力诱导的信息流以实现LLM中的目标RL

Zhichen Dong, Yang Li, Yuhan Sun, Weixun Wang, Yijia Luo, Zinian Peng, Taiheng Ye, Chao Yang, Wenbo Su, Yu Cheng, Bo Zheng, Junchi Yan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 提出FlowTracer框架，通过注意力诱导的有向无环图追踪答案导向的推理流，基于全局信息流结构分配token级信用，从而提升LLM在推理任务中的强化学习效果。

Comments 25 pages, 7 figures, 11 tables. Accepted at ICML 2026

SSR-Merge: Subspace Signal Routing for Training-Free LoRA Merging in Diffusion Models

SSR-Merge: 面向扩散模型中免训练的LoRA合并的子空间信号路由

Zhengxuan Wei, Yi Dong, Zonghui Li, Xianhui Lin, Xing Liu, Hong Gu, Shaofeng Zhang, Wenbin Li, Qi Fan

机构 * Stanford University（斯坦福大学） 纠错

AI总结 提出子空间信号路由（SSR）方法，通过沿秩维度拼接LoRA构建统一子空间，利用逆相关矩阵去相关和方向引导矩阵分离信号，解决参数合并中的干扰问题，理论证明其等价于OLS最优解，并设计流式算法降低开销。

Comments Accepted at ICML 2026

Fast and Highly Expressive Policy Learning for Offline Reinforcement Learning via Bootstrapped Flow Q-Learning

基于自举流Q学习的离线强化学习快速且高表达性策略学习

Thanh Nguyen, Tri Ton, Hongbin Choe, Tung M. Luu, Chang D. Yoo

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出自举流Q学习（BFQ），通过分治位移向量并自举短程分量，实现单步动作生成，无需辅助网络或蒸馏，显著降低计算成本并提升性能。

Comments ICML 2026, 19 pages

Journal ref ICML 2026

Embedding Hybrid Systems into Continuous Latent Vector Fields

将混合系统嵌入连续潜在向量场

Sangli Teng, Hang Liu, Koushil Sreenath

机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； University of Michigan, Ann Arbor, MI, USA（密歇根大学安娜堡分校） 纠错

AI总结 证明当m>2n时，n维混合系统可嵌入m维欧氏空间中的连续向量场，并基于此提出一种潜在神经ODE方法，从时间序列数据中准确恢复混合系统流，优于现有方法。

Comments Accepted to ICML 2026

Towards Diverse Scientific Hypothesis Search with Large Language Models

面向多样化科学假设搜索的大语言模型

Haorui Wang, Parshin Shojaee, Kazem Meidani, Kunyang Sun, José Miguel Hernández-Lobato, Teresa Head-Gordon, Jiajun He, Chandan K. Reddy, Chao Zhang, Yuanqi Du

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 针对科学假设搜索中多样性崩溃问题，提出基于并行回火的多温度进化框架，在固定验证预算下提升假设质量与多样性。

Comments ICML 2026

ERAlign: Energy-based Representation Alignment of GNNs and LLMs on Text-attributed Graphs

ERAlign: 文本属性图上GNN与LLM的基于能量的表示对齐

Xianlin Zeng, Fan Xia, Xiangyu Chen

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出ERAlign框架，利用能量模型对齐GNN和LLM的表示，通过能量差异优化实现分布一致性，在8个数据集上取得最优性能。

Comments Accepted to ICML 2026

PADD: Path-Aligned Decompression Distillation for Non-Router Teacher to Guide MoE Student Learning

PADD: 面向非路由器教师指导MoE学生学习的路径对齐解压缩蒸馏

Xinyue Peng, Yi Qian, Jiaojiao Lin, Wenjian Shao, Yanming Liu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出路径对齐解压缩蒸馏（PADD）框架，通过四阶段两阶段流程将密集教师知识蒸馏到混合专家（MoE）学生中，同时学习高质量路由策略，在数学推理任务上显著优于基线。

Comments published in ICML 2026

Compositional Generative Modeling from Decentralized Data

来自分散数据的组合生成建模

Mashrur M. Morshed, Vishnu Naresh Boddeti

机构 * Department of Computer Science and Engineering, Michigan State University, East Lansing, MI, USA（计算机科学与工程系，密歇根州立大学，东兰辛，MI，美国） 纠错

AI总结 提出去中心化组合流匹配（DCFM）框架，通过结构约束实现分散数据中生成因子的组合，无需交换原始数据，在条件图像生成、机器人空间规划和医学属性共现建模中显著优于基线。

Comments ICML 2026

RKSC: Reasoning-Aware KV Cache Sharing and Confident Early Exit for Multi-Step LLM Inference

RKSC：面向多步LLM推理的感知推理的KV缓存共享与自信提前退出

Anirudh Sekar

机构 * Anirudh Sekar（安尼鲁德·塞卡） 纠错

AI总结 提出RKSC框架，通过注意力相似性KV共享、置信门控提前退出和推理选择性块缓存管理，消除多分支LLM推理中的结构冗余，实现平均3.008倍加速，错误率仅0.37%。

Comments Accepted to the ICML 2026 Workshop on Statistical Frameworks for Uncertainty in Agentic Systems

Mix, Don't Pick: Why Synthetic Corpus Composition Matters for Time Series Foundation Model Pretraining

混合而非挑选：为什么合成语料组合对时间序列基础模型预训练至关重要

Aaryan Nagpal, Debdeep Sanyal, Murari Mandal, Dhruv Kumar, Saurabh Deshpande

机构 * Birla AI Labs（巴尔拉人工智能实验室） 纠错

AI总结 针对时间序列基础模型预训练中合成数据生成器选择困难的问题，提出简单等权混合所有生成器的方法，匹配或超越最优单个生成器，并与真实数据结合获得最强预训练语料。

Comments Accepted at the ICML 2026 Workshop on Foundation Models for Structured Data (FMSD), Seoul, South Korea

Mitigating Manifold Departure: Uncertainty-Aware Subspace Rectification for Trustworthy MLLM Decoding

缓解流形偏离：面向可信MLLM解码的不确定性感知子空间校正

Yingxuan Zhuang, Jingxiao Yang, Miao Pan, Cheng Tan, Yuxiang Cai, Siwei Tan, Chen Zhi, Xuhong Zhang, Jianwei Yin, Jintao Chen

机构 * Nanyang Technological University（南洋理工大学） 纠错

AI总结 提出MGAP方法，通过SVD构建语言先验子空间并自适应衰减投影分量，在抑制幻觉的同时保持语义结构，优于现有解码基线。

Comments ICML 2026 regular

Edge of Stability Selectively Shapes Learning Across the Data Distribution

稳定性边缘选择性地塑造数据分布上的学习

Shauna Kwag, Anakha Ganesh, Tomaso Poggio, Pierfrancesco Beneventano

机构 * MIT（麻省理工学院） 纠错

AI总结 本文发现优化中的稳定性边缘（EoS）具有选择性，通过分支干预因果证明了EoS在训练数据子集间重新分配学习，并识别了受益组需满足的两个条件：梯度与Hessian主特征向量对齐，以及梯度幅度持续非零。

Comments ICML HiLD 2026; 27 pages, 22 figures

AgentPLM: Agentic Protein Language Models with Reasoning-Augmented Decoding for Protein Sequence Design

AgentPLM：具有推理增强解码的智能体蛋白质语言模型用于蛋白质序列设计

Sahil Rahman, Maxx Richard Rahman

机构 * Sahil Rahman ； Maxx Richard Rahman 纠错

AI总结 提出AgentPLM，通过推理增强解码和对比智能体策略优化，使预训练蛋白质语言模型能够利用外部生物物理反馈进行在线纠错，在多项蛋白质设计任务上取得最优结果。

Journal ref Workshop on Generative and Agentic AI for Biology, 43rd International Conference on Machine Learning (ICML 2026)

On the Learnability of Test-Time Adaptation: A Recovery Complexity Perspective

测试时自适应可学习性：恢复复杂性视角

Zhi Zhou, Ming Yang, Shi-Yu Tian, Kun-Yang Yu, Lan-Zhe Guo, Yu-Feng Li

机构 * Zhi Zhou（周智） ； Ming Yang（杨明） ； Shi-Yu Tian（田世宇） ； Kun-Yang Yu（于坤阳） ； Lan-Zhe Guo（郭兰哲） ； Yu-Feng Li（李宇峰） 纠错

AI总结 本文提出首个理论框架，通过引入(ε,δ)-恢复复杂性和(ε,ρ)-TTA可学习性，研究非平稳流下测试时自适应的可学习性，并揭示自适应-信息权衡。

Comments Accepted by ICML 2026

From Volume to Value: Preference-Aligned Memory Construction for On-Device RAG

从体积到价值：面向设备端RAG的偏好对齐记忆构建

Changmin Lee, Jaemin Kim, Taesik Gong

机构 * Department of Computer Science and Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan, Republic of Korea（计算机科学与工程系，全州国立科学与技术研究所（UNIST），全州，韩国） 纠错

AI总结 本文提出EPIC方法，通过将用户偏好作为紧凑且稳定的个人上下文形式，整合到RAG流程中，以在有限内存下提高检索与用户偏好的对齐度，从而减少内存使用并提升准确性。

Comments Accepted to ICML 2026. Code and data are available at https://github.com/UbiquitousAILab/EPIC

On Cost-Effective LLM-as-a-Judge Improvement Techniques

关于成本效益的LLM作为评判者的改进技术

Ryan Lail, Luke Markham

AI总结 研究通过集成评分、任务特定标准注入等四种技术提高LLM评判准确性，在RewardBench 2上达到85.8%准确率，成本效益显著。

Comments Accepted at the ICML 2026 workshops "Statistical Frameworks for Uncertainty in Agentic Systems" and "Combining Theory and Benchmarks: Towards a Virtuous Cycle to Understand and Guarantee Foundation Model Performance". 13 pages, 9 figures

Your Autoregressive Model Already Reveals the Causal Graph

你的自回归模型已经揭示了因果图

Hugo Math, Rainer Lienhart

机构 * Department of Machine Learning \& Computer Vision, University of Augsburg, Augsburg, Germany 纠错

AI总结 本文提出TRACE框架，利用预训练自回归模型作为密度估计器进行条件独立性测试，从单序列离散事件中恢复时间因果图，并在大规模非线性SCM和真实车辆诊断日志上取得显著性能提升。

Comments 8 pages

Journal ref Structured Probabilistic Inference & Generative Modeling workshop ICML 2026

Online Self-Training for Co-Adaptation in Hierarchical Diffusion Policies

层次扩散策略中的在线自训练协同适应

Clemence Grislain, Mathilde Kappel, Olivier Sigaud, Mohamed Chetouani

机构 * ISIR, Sorbonne Université, CNRS（ISIR，索邦大学，国家科学研究中心） 纠错

AI总结 提出ORCHID自训练框架，通过环境反馈过滤轨迹并蒸馏回规划器和控制器，实现层次扩散策略的在线稳定改进，在CALVIN基准上轻量模型超越纯离线方法。

Comments Accepted at ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation (DEMO)

Improving Topic Modeling by Distilling Soft Labels from Language Models

DSL-Topic：通过从语言模型中蒸馏软标签改进主题建模

Raymond Li, Amirhossein Abaskohi, Chuyuan Li, Gabriel Murray, Giuseppe Carenini

机构 * University of Washington（华盛顿大学） 纠错

AI总结 提出DSL框架，通过从语言模型蒸馏软标签来增强主题模型训练，利用上下文感知的软标签重构信号，显著提升主题连贯性和分配准确性。

Comments 22 pages, 5 figures. Camera-ready version for ICML 2026

Exploring Accurate and Transparent Domain Adaptation in Predictive Healthcare via Concept-Grounded Orthogonal Inference

探索预测性医疗中基于概念正交推理的准确且透明的域适应

Pengfei Hu, Chang Lu, Feifan Liu, Yue Ning

机构 * Department of Computer Science, Stevens Institute of Technology, Hoboken, NJ, United States（斯蒂文斯理工学院计算机科学系） ； UMass Chan Medical School, University of Massachusetts Amherst, Amherst, MA, United States（马萨诸塞大学阿默斯特分校UMass Chan医学学校） 纠错

AI总结 提出ExtraCare模型，通过将患者表示分解为不变和协变分量并强制正交，在保留标签信息的同时暴露域特定变异，实现准确预测并提供基于医疗概念的可解释性。

Comments Accepted by ICML 2026 Main Conference

Blind denoising diffusion models and the blessings of dimensionality

盲去噪扩散模型与维度的祝福

Zahra Kadkhodaie, Aram-Alexandre Pooladian, Sinho Chewi, Eero Simoncelli

机构 * Flatiron Institute, Simons Foundation（Flatiron研究院，Simons基金会） ； Foundations of Data Science, Yale University（数据科学基础，耶鲁大学） ； Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Ctr. for Neural Science & Courant Institute, New York University（神经科学中心及Courant学院，纽约大学） 纠错

AI总结 提出盲去噪扩散模型（BDDM），通过不向神经网络传递噪声幅度来简化设计，并在数据内在维度低于环境维度的假设下证明其正确性，实验显示自适应方案的优势。

Comments 39 pages, 13 figures; Accepted to ICML 2025 FoGen workshop

Informed Asymmetric Actor-Critic: Leveraging Privileged Signals Beyond Full-State Access

知情非对称Actor-Critic：利用超越全状态访问的特权信号

Daniel Ebi, Damien Ernst, Klemens Böhm, Gaspard Lambrechts

机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学） 纠错

AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。

Comments Accepted at ICML 2026