期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
层次化合成表格数据生成：一种自上而下与自下而上混合框架
机构 * University of Southern California（南加州大学）
AI总结 提出一种层次化混合自上而下和自下而上（H-TDBU）框架，通过解耦语义结构与随机纹理，结合结构驱动的逻辑约束和轻量级表格生成器，在弱多模态金融基准上提升合成数据的语义一致性和统计保真度。
Comments Accepted as a poster at FMSD @ ICML 2026. 9 pages, 6 figures
追踪漂移：面向非平稳强化学习的变异性感知熵调度
机构 * School of Future Technology, Southeast University, Nanjing, China（东南大学未来技术学院，南京，中国） ； School of Automation, Southeast University, Nanjing, China（东南大学自动化学院，南京，中国）
AI总结 本文提出AES方法，通过动态调整熵系数以应对环境漂移，减少性能下降并加快恢复速度。
Comments Accepted by ICML 2026
基于潜在语法流的神经符号微分方程发现
机构 * ETH AI Center and Institute of Structural Engineering（苏黎世联邦理工学院人工智能中心和结构工程研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心）
AI总结 本文提出Latent Grammar Flow框架，通过生成微分方程来理解系统，结合符号方法与深度学习，实现可解释性和迁移性。
Comments Accepted to the Structured Probabilistic Inference & Generative Modeling Workshop at ICML 2026 in Seoul, South Korea
大规模进化策略：超越强化学习的LLM微调
机构 * University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校） ； Cognizant AI Lab, San Francisco, CA, USA（Cognizant AI实验室） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院）
AI总结 本文提出使用进化策略进行大规模LLM微调，证明其在多个方面优于强化学习，为LLM微调提供了新的方法。
Comments Published at ICML 2026 main conference
JADE：面向开放式专业任务的专家基础动态评估
机构 * Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团） ； Zhejiang University（浙江大学） ； Peking University（北京大学）
AI总结 提出JADE双层评估框架，结合专家知识与动态声明级评估，解决开放式专业任务中严格性与灵活性的矛盾，在BizBench等基准上提升稳定性并揭示关键失败模式。
Comments Accepted at ICML 2026
PluRel: 合成数据解锁关系基础模型的扩展定律
机构 * Stanford University（斯坦福大学） ； SAP Labs LLC（SAP实验室）
AI总结 PluRel通过合成多表关系数据库，实现了关系基础模型在扩展定律上的突破，展示了合成数据在提升模型泛化能力方面的潜力。
Comments ICML 2026
大语言模型评估的自适应测试：一种替代静态基准的心理测量方法
机构 * University of Notre Dame（诺丁汉大学）
AI总结 研究针对大语言模型评估成本高、现有协议不合理的问题，提出基于项目反应理论的自适应测试框架ATLAS，通过Fisher信息引导选项目，减少90%项目数仍保持精度，能重构准确率，还可在准确率相当模型中提供精细区分。
Comments ICML 2026 Spotlight
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈