Towards One-to-Many Temporal Grounding
面向一对多时间定位
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对一对多时间定位（OMTG）任务，提出包含基准、数据集和奖励函数的系统解决方案，显著提升多段视频定位性能。
Comments Accepted to ICML'26
期刊&会议
ICML
International Conference on Machine Learning · 会议 · Machine Learning
Scaling Small Agents Through Strategy Auctions
通过策略拍卖扩展小型智能体
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Imperial College London（帝国理工学院伦敦分校） ； University of Cambridge（剑桥大学）
AI总结 针对小型语言模型在复杂任务中性能不足的问题，提出受自由职业市场启发的SALE框架，通过策略拍卖实现任务分配与测试时自我改进，在降低对大型模型依赖和成本的同时提升性能。
Comments ICML 2026
Against the Monolithic Wireless World Model: Why NextG Needs Composable and Agentic Intelligence
反对单一无线世界模型：为什么NextG需要可组合和代理智能
AI总结 本文指出无线领域缺乏等同于LLM的数据基础，主张采用可组合和代理智能架构以实现可部署的AI原生网络。
Journal ref ICML 2026 Workshop on AI and ML for NextG
Q-Flow: Stable and Expressive Reinforcement Learning with Flow-Based Policy
Q-Flow: 基于流的稳定且表达力强的强化学习
机构 * KAIST AI（韩国科学技术院人工智能实验室）
AI总结 Q-Flow通过利用流动力学的确定性，将终端轨迹价值显式传播到中间潜在状态，实现稳定策略优化，同时在OGBench数据集上表现优于现有方法。
Comments ICML 2026
Decision Tree Learning on Product Spaces
在产品空间上进行决策树学习
机构 * Department of Computer Science, University of Maryland, College Park, USA（大学计算机科学系，马里兰大学，College Park，美国）
AI总结 本文研究了在任意产品分布下决策树贪心启发法的理论分析，证明了贪心算法能构造出近似决策树，并提出了一种无需参数的算法。
Comments ICML 2026
Black-Box Detection of LLM-Generated Text Using Generalized Jensen-Shannon Divergence
基于广义吉辛森-香农散度的LLM生成文本黑盒检测
机构 * Department of Electrical and Computer Engineering, University of Toronto, Toronto, Canada（电子与计算机工程系，多伦多大学，多伦多，加拿大）
AI总结 本文提出SurpMark检测器，通过文本token意外性动态总结，利用广义吉辛森-香农散度衡量测试文本与人类和机器生成文本的差异，验证了其在不同领域和生成器上的鲁棒性。
Comments ICML 2026
Local Hessian Spectral Filtering for Robust Intrinsic Dimension Estimation
局部Hessian谱过滤用于鲁棒内在维度估计
机构 * LY Corporation（LY公司）
AI总结 本文提出局部Hessian谱维度(LHSD)方法，通过谱过滤处理对数密度Hessian，有效抑制高维空间中噪声方向的影响，提升内在维度估计的鲁棒性，并在大规模扩散模型中检测记忆现象。
Comments Accepted at ICML 2026
Non-Adversarial Imitation Learning Provably Free of Compounding Errors: The Value Flow Mechanism
非对抗模仿学习无复合误差的理论保证：价值流机制
机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家实验室） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Research Institute of Big Data（深圳大数据研究院）
AI总结 本文证明IQ-Learn等价于行为克隆，存在复合误差，并提出基于Bellman约束的Dual Q-DM方法，通过价值流传播实现非对抗模仿学习，理论上消除复合误差。
Comments Paper accepted by ICML 2026
ERM-MinMaxGAP: Benchmarking and Mitigating Gender Bias in Multilingual Multimodal Speech-LLM Emotion Recognition
ERM-MinMaxGAP：多语言多模态语音-LLM情感识别中的性别偏见基准测试与缓解
机构 * Kyoto University, Japan（京都大学，日本） ； Agency for Science, Technology, and Research (A*STAR), Singapore（科技研究局（A*STAR），新加坡）
AI总结 针对多语言语音大模型在情感识别中的性别偏见问题，提出基于MELD-ST的多语言多模态基准，并设计ERM-MinMaxGAP训练目标，通过自适应公平权重和MinMaxGAP正则化器，在英日德三种语言上提升性能并缩小性别差距。
Comments This paper has been accepted for presentation at INTERSPEECH 2026 and as non-archival paper at ICML 2026 Workshop on Machine Learning for Audio
Training Diffusion Policies via Prior-Mapping Co-Evolution
通过先验映射协同进化训练扩散策略
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； CFAR Agency for Science Technology and Research（科技研究局（CFAR）） ； IHPC Agency for Science Technology and Research（科技研究局（IHPC））
AI总结 提出GoRL框架，通过将策略优化限制在易处理的潜空间，同时用条件生成解码器合成动作，解耦优化与生成，实现稳定优化与表达力提升，在连续控制任务上显著超越基线。
Comments Ver 3 (Accepted as a conference paper by ICML 2026)
SPEAR: A Unified SSL Framework for Learning Speech and Audio Representations
SPEAR: 一种用于学习语音和音频表示的统一自监督学习框架
AI总结 提出SPEAR框架，通过多码本向量量化从语音和音频教师模型中蒸馏互补知识，并采用非对称预训练损失和令牌混合机制，在SUPERB和HEAR基准上取得领先性能。
Comments Proc. ICML 2026
Combinatorial Sparse PCA Beyond the Spiked Identity Model
超越尖峰恒等模型的组合稀疏PCA
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； UW Madison（威斯康星大学麦迪逊分校）
AI总结 针对稀疏PCA问题，提出首个在一般协方差矩阵下可证明成功的组合方法，基于截断幂方法的变体，使用s^2·polylog(d)样本和d^2·poly(s,log(d))时间，并推广到稀疏主导特征空间恢复。
Comments 36 pages, 6 figures; accepted to ICML 2026
LemmaBench: A Live, Research-Level Benchmark to Evaluate LLM Capabilities in Mathematics
LemmaBench: 一个用于评估LLM在数学领域能力的实时研究级基准
机构 * Korean Institute for Advanced Study（韩国高级研究院）
AI总结 提出一个自动从arXiv提取引理并重写为自包含陈述的基准，直接评估LLM在最新数学研究上的表现，当前模型定理证明准确率仅10-15%。
Comments Accepted at the 3rd AI for Math Workshop (AI4Math) at ICML 2026 (poster). Non-archival workshop. 15 pages, 3 figures, 5 Tables
EPSVec: Efficient and Private Synthetic Data Generation via Dataset Vectors
EPSVec: 通过数据集向量实现高效且私密的合成数据生成
机构 * Capital One
AI总结 提出EPSVec，一种轻量级差分隐私方法，通过提取并净化数据集向量来引导LLM生成合成文本，在低数据场景下实现高保真度，且计算开销低。
Comments Accepted at ICML 2026. Camera-ready version
What Language is This? Ask Your Tokenizer
这是什么语言？问你的分词器
机构 * EPFL（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出基于UnigramLM分词算法的UniLID方法，通过比较字符串在各语言单字分布下的似然进行语言识别，在低资源和细粒度方言场景下显著提升样本效率。
Comments In Proceedings of ICML 2026
Temporal Graph Pattern Machine
时序图模式机器
机构 * University of Notre Dame（诺克斯维尔大学）
AI总结 提出TGPM框架，通过时间偏置随机游走构建交互块，利用Transformer学习全局时序规律，结合自监督预训练任务，在时序链接预测和节点分类任务上表现优异且具有跨域迁移能力。
Comments GFM @ ICML Workshop (Oral) 2026
MAVRL: Learning Reward Functions from Multiple Feedback Types with Amortized Variational Inference
MAVRL: 通过摊销变分推断从多种反馈类型中学习奖励函数
机构 * ETH AI Center, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院人工智能中心） ； Department of Computer Science, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； Department of Informatics, University of Zurich, Zurich, Switzerland（苏黎世大学信息学系）
AI总结 提出一种基于贝叶斯推断的框架，从异构反馈类型（如演示、比较、评分和停止）中联合学习共享潜在奖励函数，采用摊销变分推断方法，无需手动损失平衡，实验表明联合推断的奖励后验优于单类型基线，并提高了策略对环境扰动的鲁棒性。
Comments Accepted at ICML 2026
VDW-GNNs: Vector diffusion wavelets for geometric graph neural networks
VDW-GNNs：面向几何图神经网络的向量扩散小波
机构 * Program in Computing, Boise State University, Boise, Idaho, USA（博伊西州立大学计算项目） ； Department of Mathematics, UCLA, Los Angeles, CA, USA（洛杉矶大学数学系） ； Department of Computer Science, Yale University, New Haven, CT, USA（耶鲁大学计算机科学系） ； Department of Genetics, Yale University, New Haven, CT, USA（耶鲁大学遗传学系） ； Department of Mathematics, Boise State University, Boise, Idaho, USA（博伊西州立大学数学系）
AI总结 提出向量扩散小波（VDW），受向量扩散映射算法启发，可有效融入几何图神经网络（VDW-GNNs），在合成点云和真实风场、神经活动数据上表现良好，并证明其具有框架理论和旋转平移对称性。
Comments Presented at ICML 2026. A previous, shorter version of this work was presented in the "New Perspectives in Advancing Graph Machine Learning" workshop at NeurIPS 2025
AIR: Improving Agent Safety through Incident Response
AIR：通过事件响应提升智能体安全性
机构 * Tianjin University（天津大学） ； Singapore Management University（新加坡国立管理学院）
AI总结 提出首个面向LLM智能体系统的事件响应框架AIR，通过语义检测、自动遏制恢复和规则合成，在三个典型智能体上实现超90%的检测、修复和根除成功率。
Comments Accepted at ICML 2026
Fair Transit Stop Placement: A Clustering Perspective and Beyond
公平公交站点布局：聚类视角及其超越
机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； University of Shanghai for Science and Technology（上海科学技术大学） ； Northwestern University（西北大学）
AI总结 研究一般度量空间中公交站点布局问题的公平性，通过正当代表性和核心概念揭示与公平聚类的结构对应，提出参数化算法实现可调权衡。
Comments To appear in ICML 2026
Boosting CVaR Policy Optimization with Quantile Gradients
利用分位数梯度提升CVaR策略优化
机构 * GERAD \& Department of Decision Sciences, HEC Montreal, Canada ； Mila - Quebec AI Institute, Canada
AI总结 针对CVaR策略优化样本效率低的问题，引入期望分位数项，利用动态规划充分利用所有采样数据，在马尔可夫策略类中显著提升性能。
Comments ICML 2026
Gradient Flow Through Diagram Expansions: Learning Regimes and Explicit Solutions
通过图展开的梯度流：学习机制与显式解
机构 * Applied AI Institute（应用人工智能研究所） ； Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院斯捷克洛夫数学研究所）
AI总结 提出一种数学框架，通过费曼图展开分析大规模学习问题中梯度流的缩放机制，揭示不同学习阶段并得到非线性梯度流的显式解，应用于高阶张量的CP分解。
Comments 51 pages, ICML'2026 spotlight
Neural Concept Verifier: Scaling Prover-Verifier Games via Concept Encodings
神经概念验证器：通过概念编码扩展证明者-验证者博弈
机构 * Zuse Institute Berlin, Germany ； AI \& ML Lab, Computer Science Department, TU Darmstadt ； Hessian Center for AI (hessian.AI) ； Lab1141 ； German Research Center for AI (DFKI) ； Institute of Mathematics, Technische Universit\"at Berlin, Germany ； Max Planck Institute for Informatics, SIC
AI总结 提出神经概念验证器（NCV）框架，结合概念编码与证明者-验证者博弈，实现高维输入的可验证分类，优于传统方法并缓解捷径行为。
Comments 28 pages, 5 figures, 12 tables, revised references. An earlier version of this work was presented at the ICML 2025 Workshop on Actionable Interpretability
DPO Unchained: Your Training Algorithm is Secretly Disentangled in Human Choice Theory (and its Loss' Convexity is Dispensable)
DPO 解绑：你的训练算法在人类选择理论中实际上是解耦的（且其损失函数的凸性并非必需）
机构 * Google Research（谷歌研究） ； Google DeepMind（谷歌DeepMind） ； Work done while at Google DeepMind（在谷歌深Mind的工作） ； CEE-M, Univ Montpellier, CNRS, INRAE, Institut Agro（CEE-M，蒙彼利埃大学，CNRS，INRAE，农业研究所）
AI总结 本文揭示了DPO与人类选择理论的深层联系，证明其损失函数凸性并非必需，并扩展了非凸损失、任意人类选择模型嵌入等新特性。
Comments ICML 2026
Chain-of-Goals Hierarchical Policy for Long-Horizon Offline Goal-Conditioned RL
Chain-of-Goals 分层策略用于长视界离线目标条件强化学习
机构 * Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea（首尔国立大学电气与计算机工程系） ； Department of Automotive Engineering, Ajou University, Gyeonggi-do, South Korea（全州大学汽车工程系）
AI总结 提出 Chain-of-Goals 分层策略 (CoGHP)，通过自回归生成潜在子目标序列，利用 MLP-Mixer 统一架构建模层次决策，在长视界任务中优于离线基线方法。
Comments ICML 2026
Ultrafast On-Chip Online Learning via Spline Locality in Kolmogorov-Arnold Networks
基于Kolmogorov-Arnold网络中样条局部性的超快片上在线学习
机构 * MIT（麻省理工学院）
AI总结 针对量子计算和核聚变控制等高频系统对亚微秒级在线学习的需求，提出利用Kolmogorov-Arnold网络的B样条局部性实现稀疏更新和固定点量化鲁棒性，在FPGA上实现比MLP更高效、更具表达力的超快在线学习。
Comments Forty-Third International Conference on Machine Learning (ICML'26)
PISCES: Annotation-free Text-to-Video Post-Training via Optimal Transport-Aligned Rewards
PISCES: 基于最优传输对齐奖励的无标注文本到视频后训练
机构 * Microsoft（微软） ； Stony Brook University（石溪大学）
AI总结 提出PISCES算法，通过双重最优传输对齐奖励模块，无需人工标注即可提升文本生成视频的质量和语义对齐，在VBench上超越现有方法。
Comments Accepted to ICML 2026. Project page and code: https://roar-ai.github.io/pisces/
Semi-knockoffs: a model-agnostic conditional independence testing method with finite-sample guarantees
半敲除：一种具有有限样本保证的模型无关条件独立性检验方法
AI总结 提出半敲除方法，利用预训练模型避免训练-测试分割，在高维设置下提供有效p值和FDR控制，仅需连续变量的条件期望，并证明了稳定性和双重稳健性。
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), 2026
Improved Algorithms for Nash Welfare in Linear Bandits
线性赌博机中纳什福利的改进算法
机构 * Indian Institute of Technology Kharagpur（印度理工学院克哈格普尔学院） ； Indian Institute of Technology Kanpur（印度理工学院坎普尔学院）
AI总结 针对线性赌博机中纳什遗憾的次优性，提出新分析工具实现阶最优界，并引入p-均值遗憾统一框架，设计元算法FairLinBandit，在真实数据集上优于现有方法。
Comments Accepted at ICML 2026
Anytime Safe PAC Efficient Reasoning
任意时间安全PAC高效推理
机构 * Department of Statistics and Data Science（统计与数据科学系） ； Department of Statistics（统计系） ； Data Science, Southern University of Science（数据科学，南方科技大学） ； College of Computing（计算学院） ； College of Computing and Data Science（计算与数据科学学院） ； School of Statistics（统计学系） ； School of Statistics and Data Science（统计与数据科学系） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（人工智能学院，香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 针对大型推理模型计算成本高的问题，提出B-PAC推理方法，利用逆倾向评分估计构建测试超鞅，动态调整路由阈值，在部分反馈下实现任意时间安全高效推理，理论保证性能损失控制，实验减少思考模型使用达81.01%。
Comments Accepted by ICML 2026
