ICML

FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

FlowPET：用于低计数PET重建的物理信息辛流匹配

Zheng Zhang, Hao Tang, Yingying Hu, Zhanli Hu, Jing Qin

机构 * Centre for Smart Health, The Hong Kong Polytechnic University, Hong Kong, China（智能健康研究中心，香港理工大学，中国香港） ； Department of Nuclear Medicine, Sun Yat-sen University Cancer Center, Guangzhou, China（核医学部，中山大学肿瘤中心，中国广州） ； Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（医学人工智能研究中心，深圳先进技术研究院，中国科学院，中国深圳） 纠错

AI总结 研究针对低计数PET重建难题，提出FlowPET框架，通过可分离哈密顿系统参数化后验动力学，引入共轭边界条件，经辛流匹配训练和辛蛙跳积分器推理，实验证明其在指标上超基线，能更好恢复低对比度病变。

Comments ICML 2026

Sharp Concentration Bounds for Bundle-Valued Statistics on Manifolds

流形上束值统计量的精确集中界

Swagatam Das, Vaclav Snasel

机构 * Indian Statistical Institute（印度统计研究所） ； VSB Technical University of Ostrava（俄斯特拉发技术大学） 纠错

AI总结 研究流形上束值统计量，通过希尔伯特空间不等式推导集中界，分离偏差与方差，给出精确公式，建立稳健估计器，经实验验证理论预测。

Comments Accepted in ICML 2026

When Reasoning Hurts Legal Drafting: The Verbalization Bottleneck in Patent Claim Generation

当推理对法律起草造成阻碍时：专利权利要求生成中的语言表达瓶颈

Lekang Jiang, Wenjun Sun, Stephan Goetz

AI总结 研究专利权利要求生成中CoT提示是否有益，提出特定任务CoT方法并评估。结果显示推理增强提示可提升权利要求质量，且隐式CoT优于显式CoT，显式CoT会引入信息瓶颈，为法律任务和CoT应用提供新见解。

Comments Accepted to AI for Law Workshop @ ICML 2026

ANCHOR: Automated Alignment Auditing for CLI Agents on Real-World Harm

ANCHOR：针对现实世界危害的CLI代理自动对齐审计

Kefan Song, Yanjun Qi

机构 * Anthropic（Anthropic公司） 纠错

AI总结 研究自主CLI代理在现实世界危害中的风险，提出ANCHOR自动审计框架，通过基于黑暗人格数据微调的审计代理模拟恶意用户，测试CLI代理，发现当前对齐技术不足，强调针对此类恶意用户进行安全评估的必要。

Comments Accepted at ICML 2026. 19 pages, 14 figures, 5 tables

Journal ref International Conference on Machine Learning, 2026

GRATE: Temporal Extensions for Inductive KG Foundation Models via Gated Rotary Attention

GRATE：基于门控旋转注意力的归纳式知识图谱基础模型的时间扩展

Jiaxin Pan, Osama Mohammed, Daniel Hernández, Steffen Staab

AI总结 研究如何将知识图谱基础模型的归纳迁移能力扩展到时间知识图谱，提出GRATE方法，通过门控旋转注意力编码时间，集成到NBFNet模型中，构建新基准套件测试，单个联合预训练的GRATE检查点在多数设置下优于静态基础模型。

Comments Accepted at the ICML 2026 Workshop on Graph Foundation Models: A New Era for Graph Machine Learning. 17 pages, 4 figures

Beyond Euclidean Clipping: Overcoming Exploration Collapse in LLM RL via Riemannian Isometric Policy Optimization

超越欧几里得裁剪：通过黎曼等距策略优化克服大语言模型强化学习中的探索崩溃

Zhicheng Cai, Xinyuan Guo, Hanlin Wu, Mingxuan Wang, Wei-Ying Ma, Ya-Qin Zhang, Hao Zhou

AI总结 研究大语言模型强化学习中PPO-Clip的探索崩溃问题，提出黎曼等距策略优化（RIPO）方法，通过保证黎曼流形上等距策略更新平衡探索与利用，在七个竞争级基准上显著超越现有算法。

Comments ICML 2026

GAE: Graph-Augmented Evolution for Scientific Discovery via Reinforcement Optimization

GAE：通过强化优化实现科学发现的图增强进化

Xuanzhou Chen, Taoli Cheng

AI总结 针对大语言模型引导的进化程序搜索的瓶颈，提出GAE框架，通过图神经网络、强化学习优化的元控制器和在线微调循环解决问题，在复杂非线性振荡器系统符号回归任务中有效发现物理方程，性能达最优。

Comments ICML 2026, AI for Science Workshop

Global Merger-Arbitrage Forecasting with Language Models

使用语言模型进行全球并购套利预测

Hinal Jajal, Michal Mucha, Charles Sweat, Chris Pulman, Charlie Flanagan, Peter Anderson

AI总结 研究使用语言模型预测并购套利结果，结合专家指导上下文工程与基于事后推理痕迹的微调，在超400笔跨国大交易的样本外数据集上性能最佳，证明该方法在专业长上下文金融工作流中成功，相关因素起关键作用。

Comments Accepted to ICML 2026

Cross-Subject Modeling for Widefield Calcium Imaging via Atlas-Aligned Spatiotemporal Tokenization

通过图谱对齐的时空令牌化实现宽场钙成像的跨主体建模

Mohammad Hosseini, Eray Erturk, Saba Hashemi, Maryam M. Shanechi

机构 * ShanechiLab（沙内奇实验室） 纠错

AI总结 研究针对宽场钙成像建模受限问题，提出多主体模型WiCAT，利用自监督预训练，引入图谱对齐的时空令牌化方案，能跨主体、任务和数据集迁移，实现零样本行为解码及遗漏脑区重建，优于基线模型。

Comments Published at the 43rd International Conference on Machine Learning (ICML) 2026. Code available at: https://github.com/ShanechiLab/WiCAT

Journal ref ICML 2026

Interpreting Latent CoT Reasoning as Dynamical Systems

将潜在思维链推理解释为动力系统

Sabari Iyyappan Duraipandian, Shreya Sanjay Boyane, Manju Nagesh, Jerome Francis, Archana Vaidheeswaran, Kevin Zhu

机构 * San Jose State University（圣何塞州立大学） ； Worcester Polytechnic Institute（伍斯特理工学院） ； George Mason University（乔治梅森大学） ； Algoverse AI Research（Algoverse人工智能研究公司） 纠错

AI总结 研究针对CODI和COCONUT等潜在推理方法的可解释性问题，将潜在令牌序列建模为表示空间轨迹，用动力系统分析表征推理演变，揭示潜在思维链的动力学特性，提升其可解释性并为改进推理性能提供见解。

Comments 15 pages, ICML 2026 FoGen Workshop

Position: Every Ground Truth is a Human Construction, not an Objective Truth

立场：每个真实数据都是人为构建，而非客观真理

Charlotte Högberg, Ericka Johnson, Kiri L. Wagstaff

AI总结 探讨机器学习中真实数据集非客观真理而是人为构建，主张提高‘情境可靠性’，关注其构建能提升透明度、问责制等，利于阐明模型优缺点及更好运用数据集与模型。

Comments 13 pages, 1 figure. To be published in Proceedings of the 43 rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026