ICML

Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors

GNN中的同图跨任务迁移：协议与预测器

Neelam Akula, Surbhi Kumar, Murat Kantarcioglu, Baris Coskunuzer

AI总结 该研究针对GNN同图跨任务迁移的评估缺陷，提出无泄漏协议，发现迁移方向性规律，引入CTS指标，表明数据集同质性可指导机制选择以避免负迁移。

Comments 17 pages, 2 figures

Journal ref ICML 2026

Semi-Supervised Learning for Molecular Graphs via Ensemble Consensus

基于集成共识的分子图半监督学习

Rasmus Tirsgaard, Laurits Fredsgaard, Marisa Wodrich, Mikkel Jordahn, Mikkel N. Schmidt

AI总结 本研究提出基于集成共识的分子图半监督学习方法，可提升多场景下分子预测准确率，增强模型鲁棒性、降低校准误差，且单模型性能优于传统监督训练的完整集成。

Comments ICML

Memory Efficient Tabular Foundation Models

内存高效的表格基础模型

Shuting Luo, Monika Mikhail Kanaan, Cameron Gordon, Anna Leontjeva, Simon Lucey

AI总结 本文研究表格基础模型的内存需求，采用模型压缩方法可实现最高7.6倍内存缩减，同时保持相近性能，降低近87%部署需求，为从业者高效部署这类模型提供见解。

Comments 12 pages, 3 figures Accepted at FMSD @ ICML 2026

Journal ref FMSD @ ICML 2026

RELIC: Revealed Principles for Learning Interpretable Composable Skills in Multi-Agent Planning

RELIC：多智能体规划中学习可解释可组合技能的揭示原则

Nguyen Viet Tuan Kiet, Bui Dinh Pham, Duong Quoc Chinh, Dao Van Tung, Tran Cong Dao, Huynh Thi Thanh Binh

AI总结 针对多智能体规划中隐私受限合作难题，提出RELIC框架，通过揭示原则学习可解释可组合技能，各智能体私用大语言模型引导搜索优化技能，协调器依团队性能评估更新，实现跨智能体转移，引入隐私保护技能学习新范式。

Comments v1 accepted at LM4Plan Workshop @ ICML 2026; v2 is the full paper version; Kiet, Pham, and Chinh contributed equally in v2

Explaining Data Mixing Scaling Laws

解释数据混合缩放定律

Rui Dai, Shuran Zheng

机构 * Beijing Institute of Technology（北京理工大学） ； IIIS, Tsinghua University（清华大学智能产业研究院） 纠错

AI总结 提出统一框架解释多领域数据混合中模型损失行为，基于能力竞争和噪声减少两个关键因素，在多个尺度上有效预测高性能混合。

Comments Published to ICML 2026

Rao-Blackwellized Score Matching on Manifolds

流形上的 Rao-Blackwellized 得分匹配

Divit Rawal

机构 * Department of Statistics, University of California, Berkeley, Berkeley CA, U.S.A.（加州大学伯克利分校统计学系） 纠错

AI总结 针对潜分布支撑在光滑嵌入流形上的去噪得分匹配，提出通过最近点投影条件期望消除奇异性的 Rao-Blackwellized 方法，并推导出小噪声展开下与内在黎曼得分相差显式 σ² 修正的规范目标。

Comments 24 pages, 3 figures; SPIGM @ ICML 2026

Transporting Task Vectors across Different Architectures without Training

在不同架构间传输任务向量而无需训练

Filippo Rinaldi, Aniello Panariello, Giacomo Salici, Angelo Porrello, Simone Calderara

机构 * AImageLab, University of Modena and Reggio Emilia（AImageLab，Modena和雷吉奥艾米利亚大学） 纠错

AI总结 本文提出Theseus方法，通过功能匹配在不同宽度模型间传输任务更新，无需训练或反向传播，展示了在视觉和语言模型上的改进效果。

Comments Accepted at the International Conference on Machine Learning (ICML), 2026