ICML

Training Fair Tabular Foundation Models

训练公平表格基础模型

Patrik Kenfack, Jesse C. Cresswell, Anthony L. Caterini, Samira Ebrahimi Kahou, Ulrich Aïvodji

机构 * ÉTS Montréal（蒙特利尔高等技术学院） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； Layer 6 AI（第六层人工智能公司） ； University of Calgary（卡尔加里大学） ； CIFAR（加拿大高级研究所） 纠错

AI总结 针对表格基础模型（TFMs）公平性未被充分探索的问题，本研究提出FairTFM训练策略，将公平约束融入TFMs训练，在132个公平任务上实现公平性提升且保持竞争力准确性。

Comments Spotlight paper at the ICML 2026 Workshop on Foundation Models for Structured Data

FlatLab: A Unified Methodology Framework and Simulation-Based Benchmark for Robotic Manipulation of Flat Objects

FlatLab：面向扁平物体机器人操作的统一方法论框架及基于仿真的基准测试

Xingyu Zhu, Wenshuo Han, Zhouyu Wang, Yuran Wang, Ruihai Wu, Hao Dong, Fan Tang, Hechang Chen, Hyung Jin Chang, Yixing Gao

机构 * Jilin University（吉林大学） ； Peking University（北京大学） ； Chinese Academy of Sciences（中国科学院） ； University of Birmingham（伯明翰大学） 纠错

AI总结 该研究针对扁平物体机器人操作泛化能力有限的问题，提出含策略生成器与执行模块的统一框架，并构建FlatLab仿真基准，方法泛化效果优于现有基线。

Comments This paper is accepted to ICML 2026

Equilibrium Pricing in Oligopolistic Data Markets

寡头数据市场中的均衡定价

Bhaskar Ray Chaudhury, Jugal Garg, Eklavya Sharma, Jiaxin Song

AI总结 该研究针对寡头数据市场，发现数据非竞争性会导致精确及近似纳什均衡不存在，提出分段线性凸定价函数可保证近似稳定性，模拟显示其性能优于最坏情况边界。

Comments This work received an oral presentation at ICML 2026

What preferences can - and cannot - predict in multi-agent online learning

多智能体在线学习中偏好能够预测和无法预测的内容

Omar Abbadi, Rida Laraki, Panayotis Mertikopoulos

AI总结 本文研究博弈中偏好与无遗憾学习动态的关联，证明子博弈中偏好可刻画渐近稳定性，但一般博弈中偏好不足以决定动态稳定性，进而提出聚合偏离下的弹性概念保证纯策略跨度的渐近稳定性。

Comments 56 pages, 15 figures; oral presentation at ICML 2026

Reading Between The Lines: Modeling and Evaluating Behavioral Realism in Legal Simulation

字里行间：法律模拟中行为真实性的建模与评估

Divya Vetticaden, Arya Gupta, Julian Nyarko, Megan Ma

AI总结 本研究推出可控法律角色驱动的证词采集模拟器WitnessSim，采用分离行为真实性与教学实用性的评估框架，证实其行为保真度，为法律模拟性能评估提供框架。

Comments Accepted at ICML 2026 AI4Law. 47 pages, 26 tables, 14 figures

Stable Miscalibration in Large Language Models: A Practical View of High-Confidence Errors

大语言模型中的稳定校准误差：高置信度错误的实用视角

Akira Okutomi

机构 * ToppyMicroServices OÜ 纠错

AI总结 本研究提出稳定校准误差概念，结合两类诊断方法，发现自我批判提示可降低模型隐藏状态敏感性，但高置信度错误未必是推理脆弱，部分或为稳定校准不当。

Comments Accepted at the 2nd Workshop on Epistemic Intelligence in Machine Learning (EIML)@ICML 2026. 7 pages, 4 figures

AI Evaluation Should Work With Humans

AI评估应与人类协同开展

Jan Kulveit, Gavin Leech, Tomáš Gavenčiak, Raymond Douglas

AI总结 该论文提出AI评估应从聚焦超人类自主性能转向评估人机团队性能，以培育作为人类能力补充的AI系统，获得更优社会成果。

Comments Accepted to ICML 2026 Position Paper Track

Dissociating the Internal Representations of Sycophancy in LLMs

区分大语言模型中谄媚行为的内部表征

Anthony Baez, Sheer Karny, Pat Pataranutaporn

AI总结 研究大语言模型谄媚行为，将其表征分为事实和观点子类型，通过训练线性探针等方法评估不同模型对两子类型表征差异，为研究复杂模型行为表征结构提供了新框架。

Comments Accepted to Mechanistic Interpretability Workshop at ICML 2026

Multimarginal flow matching with optimal transport potentials

基于最优传输势的多边缘流匹配

Raghav Kansal, David Crair, Nghia Nguyen, Scott Pope, Bradley Parry

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

AI总结 提出一种利用动态最优传输势引导流匹配学习中间边缘分布的方法，实现高效无模拟的多边缘流匹配，在单细胞RNA测序、海洋学和气象数据集上取得最优性能。

Comments 9 pages, 3 figures, 4 tables, and a 27 page appendix. Accepted to the Forty-Third International Conference on Machine Learning

Coupling-Robust Accuracy in Multiphysics Physics Informed Neural Networks via Kronecker-Preconditioned Optimization

通过Kronecker预条件优化实现多物理场物理信息神经网络的耦合鲁棒精度

Youngjae Park, Jaemin Kim, Junghwa Hong

机构 * Dept. of Control and Instrumentation Engineering, Korea University, Sejong, South Korea（控制与仪器工程系，韩国大学，世宗，韩国） ； BK21 FOUR Smart Mobility Education and Research Team, Korea University, Sejong, South Korea（BK21 FOUR智能交通教育与研究团队，韩国大学，世宗，韩国） 纠错

AI总结 针对多物理场耦合PINN在强耦合下精度退化问题，通过神经正切核分析证明标准NTK谱半径随耦合强度γ呈Ω(γ²)增长，而块对角Gauss-Newton预条件使谱半径有界于网络数S，结合Kronecker预条件优化器SOAP与逆梯度范数损失平衡实现耦合鲁棒精度。

Comments Extended version of AI4Physics Workshop accepted paper (ICML 2026)

Theory-Grounded Evaluation Exposes the Authorship Gap in LLM Personalization

基于理论的评估揭示了LLM个性化中的作者身份差距

Yash Ganpat Sawant

机构 * April 2026（2026年4月） 纠错

AI总结 本文通过理论指导的评估方法，揭示了LLM个性化中作者身份差距的问题，采用三种测量传统评估四种个性化方法，发现理论指导的指标能提供更准确的基准。

Comments Accepted at CTB Workshop, ICML 2026

BAT: Learning to Reason about Spatial Sounds with Large Language Models

BAT：基于大语言模型的空间声音推理学习

Zhisheng Zheng, Puyuan Peng, Ziyang Ma, Xie Chen, Eunsol Choi, David Harwath

AI总结 该研究提出结合Spatial-AST与LLaMA-2 7B的BAT模型，通过合成数据集训练，实现了超越SELD任务的空间声音感知与推理，展现了LLM在空间音频领域的应用潜力。

Comments Accepted to ICML 2024. Our demo, dataset, code and model weights are available at: this https URL (https://zhishengzheng.com/bat)