期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
分词器移植：缓解边缘高效孟加拉语语音识别中的自回归崩溃
机构 * Useful Sensors（有用传感器公司）
AI总结 研究针对轻量级孟加拉语语音识别模型失败问题，提出用BanglaBERT WordPiece词汇替换解码器词汇并调整矩阵大小的方法，经实验改进后模型在数据集上有竞争力，提供了紧凑ASR模型跨脚本适配的可扩展蓝图。
Comments 5 pages, 2 figures. Accepted as a poster at the MusIML Workshop, ICML 2026
来自视频的物理：最小轨迹条件下时不变二阶ODE的可辨识性
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 研究从原始像素中辨识连续时间物理定律的结构可辨识性，证明在最小轨迹条件下，编码器-仅管道可唯一恢复二阶线性ODE参数，并引入方差底正则化器稳定无解码器目标。
Comments Accepted at ICML 2026. Updated to the camera-ready version; main results unchanged
Commit to the Bit: Reactive Reinforcement Learning Done Right
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Tübingen（图宾根大学） ； University of Technology Nuremberg（纽伦堡技术大学）
AI总结 针对确定性观测的有限环境，提出Committed Q-learning算法，在弱于$q_\star$-可实现性的rewire-鲁棒性假设下，证明其几乎必然收敛到最优反应策略。
Comments Published in ICML 2026
RAPNet: 通过学习的稀疏校正加速代数多重网格
机构 * Institute for Interdisciplinary Computational Sciences, Faculty of Computer and Information Science, Ben-Gurion University of the Negev, Be'er Sheva, Israel（交叉学科计算科学研究所，计算机与信息科学学院，内盖夫本·古里安大学，以色列贝尔谢瓦） ； Department of Mathematics and Computer Science, Emory University, Atlanta, GA, USA（数学与计算机科学系，埃默里大学，美国亚特兰大，GA）
AI总结 提出图神经网络框架RAPNet，通过从稀疏代数系统中学习生成稀疏且鲁棒的粗网格算子，解决了代数多重网格中稀疏性与收敛质量之间的权衡问题，并采用逐层训练策略实现大规模泛化。
Comments Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea Code available at https://github.com/idoby/rapnet
诊断和纠正多模态扩散Transformer中的概念遗漏
机构 * Interdisciplinary Program in Artificial Intelligence, Seoul National University, Seoul, South Korea ； Department of Electrical ； Computer Engineering, Seoul National University, Seoul, South Korea ； Department of Computer Science \& Engineering, Korea University, Seoul, South Korea ； ISRC, Seoul National University, Seoul, South Korea
AI总结 本文通过线性探测发现文本嵌入中存在表征目标概念缺失的“遗漏信号”，并提出遗漏信号干预（OSI）方法放大该信号以主动催化缺失概念的生成，在FLUX.1-Dev和SD3.5-Medium上显著缓解了概念遗漏问题。
Comments Accepted to ICML 2026
合作方差估计与贝叶斯神经网络用于分离偶然不确定性和认知不确定性
机构 * Faculty of Mechanical Engineering, Delft University of Technology, Mekelweg 2, Delft, 2628 CD, The Netherlands（代尔夫特理工大学机械工程学院） ； School of Engineering, Brown University, 184 Hope St., Providence, RI 02912, USA（布朗大学工程学院）
AI总结 提出通过合作训练方差估计网络与贝叶斯神经网络，实现偶然不确定性与认知不确定性的分离，并提升均值估计性能。
Comments ICML 2026 camera-ready. 38 pages, 26 figures. Code: https://github.com/bessagroup/VeBNN
通过几何调控逃离大语言模型生成中的模式崩溃
机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） ； Department of Communications and Computer Engineering, Waseda University, Tokyo, Japan（通信与计算机工程系，早稻田大学，东京，日本） ； Department of Computer Science and Engineering, Waseda University, Tokyo, Japan（计算机科学与工程系，早稻田大学，东京，日本） ； Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, Shanghai, China（智能自主系统上海研究院，同济大学，上海，中国）
AI总结 本文从动力系统视角将模式崩溃解释为几何崩溃，并提出轻量级在线状态空间干预方法RMR（通过低秩阻尼调控Transformer值缓存中的自强化方向），显著降低模式崩溃并实现极低熵率下的稳定生成。
Comments Accepted to ICML 2026
Stem: 重新思考稀疏注意力中的因果信息流
机构 * tencent（腾讯） ； ustc（中国科学技术大学）
AI总结 Stem通过位置依赖的top-k和输出感知度量，优化稀疏注意力机制，提升LLMs在长上下文处理中的效率与准确性。
Comments Accepted at ICML 2026. Lin Niu and Xin Luo contributed equally to this work. Camera-ready version
原位自引导：激发扩散模型的自校正能力
机构 * Xinjiang University, Urumqi, Xinjiang, China（新疆大学） ； Ocean University of China, Qingdao, Shandong, China（中国海洋大学）
AI总结 该研究提出原位自引导方法，无需辅助模型，通过随机前向传播动态生成次优预测，实现零成本的扩散模型自校正引导，为高性价比引导建立了新基准。
Comments ICML 2025 Workshop Accepted
强化序贯蒙特卡洛用于摊销采样
机构 * University of Edinburgh ； Mila -- Qu\'ebec AI Institute ； CIFAR Fellow
AI总结 本文提出一种摊销方法与粒子方法相结合的采样框架，通过最大熵强化学习训练序贯蒙特卡洛采样器，并利用离线策略学习提高目标分布探索效率，在合成多模态目标和丙氨酸二肽构象玻尔兹曼分布上验证了改进的近似精度与训练稳定性。
Comments ICML 2026. Code: https://github.com/hyeok9855/ReinforcedSMC
基于共享网络的自适应策略骨干网络
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
AI总结 该研究提出元迁移强化学习方法APB，通过在共享网络前后插入轻量级线性层实现参数高效微调，提升了强化学习的样本效率，且能适配现有元RL基线通常失效的分布外任务。
Journal ref Forty-third International Conference on Machine Learning (ICML), 2026
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