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