ICML

Knowing Who, Not How Much: Learning-Augmented Mechanisms for Consumer Utility Maximization

知道谁，而非多少：面向消费者效用最大化的学习增强机制

Kira Goldner, Divyarthi Mohan, Thodoris Tsilivis

AI总结 研究在线随机顺序模型中战略代理的消费者效用最大化问题，通过识别最高价值代理的身份预测，设计了一个确定性的真实机制，在预测正确时实现常数近似最优解，在预测错误时仍保证常数近似最优可实施解。

Comments Accepted at the Forty-third International Conference on Machine Learning (ICML 2026); fixed minor typos, added/fixed some citations

Future Dynamic 3D Reconstruction: Toward 3D World Modeling with Disentangled Ego-Motion

未来动态3D重建：一种具有解耦自运动的3D世界模型

Nils Morbitzer, Jonathan Evers, Artem Savkin, Thomas Stauner, Nassir Navab, Federico Tombari, Stefano Gasperini

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 提出FR3D世界模型，通过解耦场景3D演化与智能体轨迹，利用教师-学生蒸馏策略实现从单目观测到未来动态3D重建的几何一致性和零样本泛化。

Comments ICML 2026. Project page: this https URL (https://fr3d-wm.github.io)

Is Vibe Coding Safe? Benchmarking Vulnerability of Agent-Generated Code in Real-World Tasks

Vibe 编程是否安全？在现实任务中对代理生成代码的漏洞基准测试

Songwen Zhao, Danqing Wang, Kexun Zhang, Jiaxuan Luo, Zhuo Li, Lei Li

机构 * Carnegie Mellon University Language Technologies Institute（卡内基梅隆大学语言技术研究所） ； Columbia University（哥伦比亚大学） ； Johns Hopkins University（约翰霍普金斯大学） ； HydroX AI 纠错

AI总结 本文通过基准测试发现，Vibe 编程在现实任务中生成的代码安全性不足，尽管功能正确但存在安全漏洞，警示其在安全敏感领域应用的风险。

Comments Accepted in ICML 2026

Infinite-dimensional generative diffusions via Doob's h-transform

通过Doob的h变换构建无限维生成扩散

Thorben Pieper-Sethmacher, Daniel Paulin

机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡） 纠错

AI总结 本文通过Doob的h变换在无限维中构建生成扩散模型，通过测度变换推动扩散过程，实现了更灵活的模型构建，并在合成和真实数据上验证了方法有效性。

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

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/)

Interpretability in Deep Time Series Models Demands Semantic Alignment

深度时间序列模型的可解释性需要语义对齐

Giovanni De Felice, Riccardo D'Elia, Alberto Termine, Pietro Barbiero, Giuseppe Marra, Silvia Santini

机构 * University of Padua（帕多瓦大学） 纠错

AI总结 本文提出深度时间序列模型的可解释性应追求语义对齐，即预测应基于对用户有意义的变量，并受时空机制约束，同时需保持时间演化下的语义一致性，为此提供了形式化定义和模型设计蓝图。

Comments Accepted at ICML 2026