ICML

Principles and Guidelines for Randomized Controlled Trials in AI Evaluation

人工智能评估中随机对照试验的原则与指南

Christopher Kelly, Angelica Chowdhury, Alexandra Campili, Bimpe Ayoola, Devin Barbour, Thomas Chen Dawson, Ze Shen Chin, Rokas Gipiškis

AI总结 研究针对人工智能评估随机对照试验缺乏通用标准和共享词汇的问题，借鉴多学科实践综合五条原则，形成33条可操作指南，为其发挥设计工具、评估标准和标准制定蓝图的作用，提供评估标准、共享语言及指南。

Comments 33 pages, ICML 2026 (Workshop on Technical AI Governance Research) and Technical AI Safety Conference

Agentic Evaluation of Copyright Law Compliance

版权法合规性的智能体评估

Zheng Hui, Doni Bloomfield, Noam Kolt

AI总结 研究LLM智能体版权法合规性评估问题，通过引入Copyright - Bench基准，由网站开发等商业任务组成，含提示变化与时间压力，对比智能体与人类基线，发现智能体存在选择版权作品及违规率受偏好和压力影响等情况。

Comments ICML 2026 Spotlight

Emergent Compositional Skills in Mixture-of-Experts VLAs

混合专家VLA中的涌现组合技能

Shlok Shah, Rhiaan Jhaveri, Tharun Kumar Tiruppali Kalidoss, Chirayu Nimonkar, Ishaan Javali, Dhruv Shah

AI总结 研究从专家演示端到端学习组合机器人策略的问题，用简化MoE动作头训练VLA，发现其能将任务分解，学习到的专家可跨任务重用，MoE在展示专家专业化时与整体基线性能匹配，向模块化、可解释机器人策略迈进。

Comments Accepted to the 2nd Workshop on Compositional Learning at ICML 2026

AdaRoPE: Not All Attention Heads Should Rotate and Scale Equally

AdaRoPE：并非所有注意力头都应同等旋转和缩放

Shaowen Wang, Yuke Zheng, Tansheng Zhu, Shuang Chen, Shaofan Liu, Suncong Zheng, Jian Li

AI总结 研究发现Transformer中不同功能的注意力头需不同频率范围和缩放因子，提出AdaRoPE为各头配备可学习参数，实验表明其性能优于现有变体，能更好地进行上下文扩展并保留短上下文性能，凸显在单头级别优化旋转位置嵌入之重要性。

Comments Accepted at ICML 2026

Position: AI/ML Deepfake Research is Misaligned with AI-Generated Non-Consensual Intimate Imagery (AIG-NCII)

立场：人工智能/机器学习领域对深度伪造的研究与人工智能生成的非自愿亲密图像（AIG-NCII）不一致

Li Qiwei, Wells Lucas Santo, Sarita Schoenebeck, Eric Gilbert

AI总结 研究指出人工智能/机器学习领域对深度伪造的研究与AIG-NCII不一致，现有技术干预忽略AIG-NCII，现有干预只关注观众认知危害，忽略主体尊严危害，建议更新威胁模型，在安全研究中解决AIG-NCII，同时警告研究人员涉足该领域需谨慎并做好防护。

Comments ICML 2026. Outstanding position paper honorable mention

PS-PPO: Prefix-Sampling PPO for Critic-Free RLHF

PS-PPO: 用于无评论者RLHF的前缀采样PPO

Doo Hwan Hwang, Kee-Eung Kim

AI总结 提出PS-PPO方法，通过前缀采样和重要性加权修正，在无评论者RLHF中减少训练计算和内存，保持准确率。

Journal ref ICML 2026 published

Emergent Symbolic Structure in Health Foundation Models: Extraction, Alignment, and Cross-Modal Transfer

健康基础模型中的涌现符号结构：提取、对齐与跨模态迁移

Gajendra Katuwal, Advait Koparkar, Salar Abbaspourazad, Anshuman Mishra, Sarvesh Kirthivasan

机构 * Apple（苹果公司） 纠错

AI总结 本文提出一种训练后框架，通过分解冻结嵌入以提取可解释的符号，用于对齐嵌入空间。在PPG和加速度计数据上验证，发现符号能选择性关联健康状况和生理属性，并支持跨模态迁移。

Comments 8 pages, Mechanistic Interpretability Workshop at the 43rd International Conference on Machine Learning, 4 main figures

Journal ref Mechanistic Interpretability Workshop at the 43 rd International Conference on Machine Learning, Seoul, South Korea, 2026

Physics-Encoded Inverse Modeling for Arctic Snow Depth Estimation

物理编码的北极雪深预测逆建模

Akila Sampath, Vandana P. Janeja, Jianwu Wang

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出物理编码逆建模框架PhysE-Inv，结合LSTM序列学习与对比学习正则化，在稀疏观测下实现雪深估计，均方误差平均降低24.7%。

Comments Accepted as a short paper in the Special Session on Deep Learning Applications at the 25th International Conference on Machine Learning and Applications (ICMLA), 2026

Plain Transformers are Surprisingly Powerful Link Predictors

普通Transformer竟是惊人的链接预测器

Quang Truong, Yu Song, Donald Loveland, Mingxuan Ju, Tong Zhao, Neil Shah, Jiliang Tang

机构 * Department of Computer Science and Engineering, Michigan State University, East Lansing, MI, USA.（计算机科学与工程系，密歇根州立大学，东兰辛，MI，美国。） ； Department of Computer Science（计算机科学系） ； Engineering, Michigan State University, East Lansing, MI, USA.（工程，密歇根州立大学，东兰辛，MI，美国。） 纠错

AI总结 提出PENCIL，一种仅编码器的普通Transformer，通过采样局部子图的注意力机制替代手工先验，在保持标准Transformer可扩展性的同时，隐式泛化多种启发式方法，实现高效且参数经济的链接预测。

Comments ICML'26

Lions and Muons: Optimization via Stochastic Frank-Wolfe under Heavy-Tailed Noise

狮子与缪子：通过随机Frank-Wolfe进行优化

Maria-Eleni Sfyraki, Jun-Kun Wang

AI总结 本文通过将Lion和Muon视为随机Frank-Wolfe的特例，提出鲁棒变体以应对厚尾噪声，提升非凸优化的收敛性和实用性。

Comments Accepted at the Forty-Third International Conference on Machine Learning (ICML) 2026

Infinite-Precision Autoregressive Modeling for Vector Graphics and Layouts

AGDC: 变长序列的自回归生成与联合离散连续空间

Yeonsang Shin, Insoo Kim, Bongkeun Kim, Keonwoo Bae, Bohyung Han

机构 * Seoul National University（首尔国立大学） ； Samsung Electronics（三星电子） 纠错

AI总结 AGDC通过联合建模离散和连续值，实现变长序列的高精度生成，适用于半导体设计等高精度领域。

Comments Code: https://github.com/yxxshin/IPAM

Journal ref ICML 2026