Towards One-for-All Anomaly Detection for Tabular Data
面向表格数据的通用异常检测
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出OFA-TAD框架，通过多视图邻居距离表示和混合专家评分网络，实现跨领域表格异常检测的通用化，一次训练即可泛化到未见数据集。
Comments Accepted by ICML 2026
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
CMI-RewardBench: Evaluating Music Reward Models with Compositional Multimodal Instruction
CMI-RewardBench: 基于组合多模态指令评估音乐奖励模型
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 针对音乐生成模型缺乏有效评估机制的问题，提出CMI-RewardBench基准，包含大规模偏好数据集和参数高效奖励模型，实现多模态指令下的音乐质量评估。
Comments Accepted by ICML 2026
Unraveling Syntax: Language Modeling and the Substructure of Grammars
解析句法：语言建模与语法的子结构
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究语言模型在上下文无关语法子结构上的学习行为，证明损失函数在顶层子语法上线性递归，并发现参数化模型并行学习子语法，子语法预训练能提升小模型性能并改善内部表征。
Comments Equal contribution by LYS and DM. Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
InnoEval: On Research Idea Evaluation as a Knowledge-Grounded, Multi-Perspective Reasoning Problem
InnoEval：将研究思路评估视为基于知识的多视角推理问题
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出InnoEval框架，通过异构深度知识检索和多视角评审委员会，实现基于知识的多维度解耦评估，在点对点、成对和分组评估任务中优于基线方法。
Comments ICML 2026
SCALE: Self-uncertainty Conditioned Adaptive Looking and Execution for Vision-Language-Action Models
SCALE: 基于自不确定性条件自适应观察与执行的视觉-语言-动作模型
机构 * Seoul National University（首尔国立大学）
AI总结 提出SCALE推理策略，利用自不确定性联合调节视觉感知和动作，无需额外训练或验证器，仅单次前向传播，提升VLA模型在模拟和真实环境中的鲁棒性。
Comments ICML 2026 Spotlight. Project page: https://dcahn12.github.io/projects/scale/
Contrastive Geometric Learning Unlocks Unified Structure- and Ligand-Based Drug Design
对比几何学习实现统一的结构与配体药物设计
机构 * DeepMind Ltd（DeepMind有限公司）
AI总结 提出对比几何模型ConGLUDe，统一结构与配体训练，实现虚拟筛选、靶标钓鱼和配体条件口袋预测，在多项基准测试中表现优异。
Comments Forty-Third International Conference on Machine Learning
Measurement Plasticity: Sensor-Level Adaptation for Vision-Language Models
测量塑性：面向视觉-语言模型的传感器级自适应
机构 * University of Seoul（首尔大学）
AI总结 提出多视角物理提示（MVP）用于测试时自适应，通过将相机曝光三角（ISO、快门速度、光圈）作为物理提示，在传感器层面进行自适应，无需梯度或模型修改，在ImageNet-ES上优于数字方法。
Comments Accepted to the ICML 2026 Workshop on Continual Adaptation at Scale
Language Model Circuits Are Sparse in the Neuron Basis
语言模型电路在神经元基上是稀疏的
机构 * Stanford University（斯坦福大学）
AI总结 本文实证发现MLP神经元与稀疏自编码器一样是稀疏特征基，并基于此开发了端到端梯度归因流水线，在多项任务中揭示了因果有效的神经元电路。
Comments ICML Spotlight, camera-ready
Efficient Stochastic Optimisation via Sequential Monte Carlo
通过序贯蒙特卡洛实现高效随机优化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对梯度难以计算的优化问题，提出用序贯蒙特卡洛（SMC）采样器替代昂贵的内采样循环，实现高效随机优化，并在能量模型奖励调优中验证有效性。
Comments Accepted to ICML 2026
Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination
批量校准的置信模糊集：样本外污染下的快速、可处理决策
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。
Comments Accepted for publication (spotlight) at ICML 2026
Structuring The Future: Diffusion LLM Speculative Decoding via Calibrated Draft Graphs
构建未来：通过校准草稿图实现扩散LLM推测解码
机构 * University of Waterloo（多伦多大学）
AI总结 提出Spiffy算法，利用校准的草稿图结构实现扩散LLM的推测解码，在保持输出分布的同时加速推理，最高减少8.6倍模型推理次数并加速6.3倍令牌生成速率。
Comments Original version uploaded on Sep 22, 2025. (v2): Extended Table 2 with additional analysis and referenced it in Sec 5.2. (v3): Added note to Sec 4.2 and Appendix A.2 specifying conditions for losslessness. (v4): Updated with the version accepted to ICML 2026 workshops
On Pitfalls of $\textit{RemOve-And-Retrain}$: Data Processing Inequality Perspective
论 $\textit{RemOve-And-Retrain}$ 的陷阱：数据处理不等式视角
机构 * KAIST（韩国科学技术院）
AI总结 从信息论角度揭示ROAR基准的缺陷：数据无关的后处理可提升ROAR分数，导致对归因图信息量的误判，并发现模糊性偏差。
Comments Accepted at the 2026 ICML Workshop on Mechanistic Interpretability
From geometry to dynamics: Learning overdamped Langevin dynamics from sparse observations with geometric constraints
从几何到动力学：基于几何约束从稀疏观测学习过阻尼朗之万动力学
机构 * Dimitra Maoutsa（迪米特拉·马乌茨）
AI总结 提出一种随机控制框架，利用系统不变密度的几何结构进行路径增强，从稀疏时间采样数据中恢复过阻尼朗之万动力学，无需参数模型假设。
Comments 10+54 pages, 14 figures; accepted at ICML 2026 An earlier account of this work has previously appeared in arXiv:2301.08102 and arXiv:2304.00423 ; main methodology remains the same, this version includes additional numerical experiments and theory
ExPLAIND: Unifying Model, Data, and Training Attribution to Study Model Behavior
ExPLAIND：统一模型、数据和训练归因以研究模型行为
机构 * University of Michigan（密歇根大学）
AI总结 提出ExPLAIND框架，统一归因于模型组件、数据和训练轨迹，支持跨粒度解释，通过梯度路径核和AdamW核机器推导参数级和步骤级影响分数，验证了Transformer的Grokking和EuroLLM预训练中的两阶段动态。
Comments published at ICML 2026, code at https://github.com/mainlp/explaind
