ICML

Task-Specific Multimodal Question Answering Agents via Confidence Calibration and Incremental Reasoning for QANTA 2026

通过置信度校准和增量推理实现特定任务的多模态问答代理，用于QANTA 2026

Nirjhar Das, Md. Al-Mamun Provath

机构 * Department of Computer Science ； Engineering, Chittagong University of Engineering \& Technology, Chattogram, Bangladesh 纠错

AI总结 针对QANTA 2026共享挑战，开发特定任务双代理架构，抢答代理用带置信度校准的模型及数值推理策略，加分代理用多种推理整合信息，强调仅托管环境下的高效推理与校准，系统取得高分，证明轻量级策略在资源受限问答中性能强。

Comments 10 pages, 1 figure. Accepted at the EMM-QA 2026 Workshop, ICML 2026 (Non-Archival). Rank #1 overall system in the QANTA 2026 Challenge

Mosaic: Runtime-Efficient Multi-Agent Embodied Planning

Mosaic：运行时高效的多智能体实体规划

Kunjal Panchal, Saayan Mitra, Sunav Choudhary, Victor Bursztyn, Somdeb Sarkhel, Hui Guan

AI总结 研究基于LLM的多智能体实体规划执行延迟高问题，提出Mosaic框架，通过智能体中心语义内存和整数线性规划应对挑战，在多基准测试中执行更快、调用更少、步数更少且成功率更高，证明相关因素对多智能体规划的重要性。

Comments Accepted to ICML 2026

Statistically Undetectable Backdoors in Deep Neural Networks

深度神经网络中统计上不可检测的后门

Andrej Bogdanov, Alon Rosen, Neekon Vafa

机构 * University of Ottawa（渥太华大学） ； Bocconi University（博科尼大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究对抗模型训练者在深度前馈神经网络中植入统计上不可检测的后门，此后门可提供基于不变性的对抗样本，揭示了模型训练者与使用者间的权力不对称，且无后门时多项式时间内无法生成此类样本。

Comments ICML 2026

Terminal Dimension Reduction for Time Series with Applications

时间序列的终端降维及其应用

Alexander Munteanu, Matteo Russo, David Saulpic, Chris Schwiegelshohn

机构 * TU Dortmund（图宾根大学） ； EPFL（苏黎世联邦理工学院） ； CNRS & Université Paris Cité, IRIF（国家科学研究中心及巴黎cité大学，IRIF） ； Aarhus University（奥胡斯大学） 纠错

AI总结 研究针对时间序列聚类等复杂结构降维问题，将终端嵌入推广到仿射线段，利用保线终端嵌入结合约翰逊 - 林登施特劳斯嵌入获得无维核心集，实验表明其在时间序列降维上表现良好且有独特优势。

Comments ICML 2026

Robustifying Vision-Language Models via Test-Time Prompt Adaptation

通过测试时提示自适应增强视觉语言模型的鲁棒性

Xingyu Zhu, Huanshen Wu, Shuo Wang, Beier Zhu, Jiannan Ge, Jiaheng Zhang, Long Chen

机构 * University of Science（科学大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science（香港科学大学） 纠错

AI总结 研究针对对抗扰动下视觉语言模型性能下降问题，提出RITA框架，通过最优传输实现分布级对齐，引入动态缓存积累线索，提升了模型对抗鲁棒性且不损干净准确率。

Comments ICML 2026 regular

ReGen: Hierarchical Multi-Prompt Representation Generation for Efficient Waveform Diffusion Models

ReGen：用于高效波形扩散模型的分层多提示表示生成

Sang-Hoon Lee, Ha-Yeong Choi

机构 * Department of Artificial Intelligence, Ajou University, Suwon, Korea（人工智能系，全州大学） ； KT Corp., Seoul, Korea（KT公司） 纠错

AI总结 研究针对扩散训练中中间表示正则化问题，提出ReGen框架联合估计向量场，引入GFM提高泛化能力。在波形扩散模型及文本到语音模型上验证，提升了波形生成质量、语音清晰度等，实现高效训练与采样。

Comments Accepted to ICML 2026

L-MAD: A Systematic Evaluation of Multi-Agent Debate Structures in Legal Reasoning

L-MAD：法律推理中多智能体辩论结构的系统评估

Tan-Minh Nguyen, Hoang-Trung Nguyen, Huu-Dong Nguyen, Dinh-Truong Do, Thi-Hai-Yen Vuong, Le-Minh Nguyen

机构 * Japan Advanced Institute of Science（日本先进科学研究院） ； VNU University of Engineering（越南工程大学） 纠错

AI总结 研究在法律领域探索多智能体辩论（MAD）框架有效性，引入L-MAD框架评估不同结构和方法，通过分配专家角色提升效果，分析辩论规模发现权衡，明确了在法律推理中部署协作多智能体系统的边界与安全边际。

Comments Outstanding paper in the AI4Law Workshop at ICML 2026

Optimal Top-$k$ Identification from Pairwise Comparisons

从成对比较中进行最优的前\(k\)项识别

Motti Goldberger, Nils Rudi

AI总结 研究从成对比较中进行固定置信度前\(k\)项识别的主动学习问题，刻画下界结构为鞍点问题并开发渐近最优算法，构造自适应比较分配算法并证明其渐近最优，最小化比较预期数量。

Comments accepted for ICML 2026

Explaining is Harder Than Predicting Alone: Evaluating Concept-based Explanations of MLLMs as ICL Visual Classifiers

解释比单独预测更难：评估基于概念的MLLM解释作为ICL视觉分类器

Carmen Quiles-Ramírez, Leticia L. Rodríguez, Nicolás Martorell, Natalia Díaz-Rodríguez

AI总结 本文通过五种形式化程度递增的条件，系统评估多模态大语言模型在少样本上下文学习中的基于概念的可解释性，发现解释比预测更难，且强制生成形式化解释会降低预测准确性。

Comments Accepted to the CompLearn Workshop at ICML 2026

Upper-Linearizability of Online Non-Monotone DR-Submodular Maximization over Down-Closed Convex Sets

在线非单调DR-子模最大化在下闭凸集上的上线性化

Yiyang Lu, Haresh Jadav, Mohammad Pedramfar, Ranveer Singh, Vaneet Aggarwal

机构 * Purdue University（普渡大学） ； IIT Indore（印度理工学院Indore） ； Mila - Quebec AI Institute/McGill University（魁北克AI研究所/麦吉尔大学） 纠错

AI总结 本文提出了一种将非单调DR-子模最大化问题转化为在线线性优化的方法，实现了O(T^{1/2})的静态后悔和改进的动态后悔保证。

Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026): https://icml.cc/virtual/2026/poster/64472

Latent Thoughts Tuning: Bridging Context and Reasoning with Fused Information in Latent Tokens

潜在思维调整：通过潜在令牌中的融合信息连接上下文与推理

Weihao Liu, Dehai Min, Lu Cheng

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究提出潜在思维调整（LT-Tuning）框架，通过重新定义潜在思维构建与部署方式，引入上下文预测融合机制，结合三阶段课程学习，实现潜在与显式思维模式动态切换，优于现有潜在推理基线，有效缓解特征崩溃并提升推理精度。

Comments In Proceedings of the Forty-third International Conference on Machine Learning