ICML

Transfer Learning in Nonparametric Regression with Deep ReLU Networks

基于深度ReLU网络的非参数回归迁移学习

Junpeng Ren, Carlos Misael Madrid Padilla, Yanzhen Chen, Oscar Hernan Madrid Padilla

AI总结 该研究针对多组数据的非参数回归，提出基于深度ReLU网络的两阶段偏移学习迁移框架，通过理论分析与实验验证，证明其可克服维度诅咒并实现有效迁移。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

InsufficiencyBench: Evaluating LLM legal advice on underspecified user queries

InsufficiencyBench：评估大型语言模型（LLM）在信息不足的用户查询下的法律建议

Samuel J. Vincent, Daniel Calloway, Fangyi Yu, Andrew M. Bean, Nabeel Seedat

机构 * Thomson Reuters Foundational Research（汤姆森路透基础研究机构） ； Imperial College London（帝国理工学院） 纠错

AI总结 本研究构建了首个针对查询端信息不足的法律基准InsufficiencyBench，评估前沿LLM在信息不足的法律查询中识别缺失要素、避免过早结论的能力，发现现有模型表现不佳。

Comments 10 pages, Best Paper Honorable Mention at ICML AI4Law 2026

ContractScrub: A benchmark for final review of legal contracts

ContractScrub：用于法律合同最终审核的基准测试

Yejin Bang, Kirsty Fielding, Brandan Oliver, Brian Birke, Nabeel Seedat, Andrew M. Bean

机构 * Thomson Reuters Foundational Research（汤森路透基础研究部） ； Imperial College London（帝国理工学院） 纠错

AI总结 针对合同 scrubbing 任务，研究人员推出首个基准测试 ContractScrub，发现前沿 LLMs 在该任务上表现不佳，凸显了领域特定基准的重要性。

Comments 10 pages, ICML AI4Law Workshop

G-MARK: Grounded Multi-Agent Reasoning for Cooperative Driving via Knowledge Graphs

G-MARK：基于知识图谱的协同驾驶接地多智能体推理

Bhavya Gupta, Onat Gungor, Tajana Rosing

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； West Virginia University（西弗吉尼亚大学） 纠错

AI总结 提出 G-MARK 框架，通过知识图谱实现协同驾驶多智能体推理，提升遮挡推理与控制选择性能，减小通信负载，效果优于现有基线。

Comments Accepted for oral presentation at the 25th IEEE International Conference on Machine Learning and Applications (ICMLA'26)

Maximum Likelihood Reinforcement Learning

最大似然强化学习

Fahim Tajwar, Guanning Zeng, Yueer Zhou, Yuda Song, Daman Arora, Yiding Jiang, Jeff Schneider, Ruslan Salakhutdinov, Haiwen Feng, Andrea Zanette

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） 纠错

AI总结 MaxRL是一种基于采样的强化学习框架，通过最大似然估计提升模型训练效率，实验显示其在多个任务中表现优于现有方法。

Comments ICML 2026. Project website: this https URL (https://zanette-labs.github.io/MaxRL/)