ICML

Equivariant Covariance Tensors: Guaranteed SPD Uncertainty for Tensor-Valued Geometric Learning

等变协方差张量：张量值几何学习的保证SPD不确定性

Ruihan Liu, Yu Ji, Jianbo Yu, Shifu Yan, Qingchao Jiang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； School of Microelectronics, Fudan University（复旦大学微电子学院） ； ByteDance（字节跳动） ； School of Information Science and Engineering, East China University of Science and Technology（华东理工大学信息科学与工程学院） 纠错

AI总结 针对几何深度学习中张量值预测的不确定性量化难题，提出E(3)等变UQ框架，通过分解协方差与矩阵指数法保证正定性，构建LE-ESO损失，在两类数据集上验证了方法的竞争力与不确定性估计的有效性。

Comments Accepted to ICML 2026

Eating for a Sustainable Planet: Personalized Sustainable Diet Recommendation via Constraint-Aware Decision-Making Modeling

为可持续星球而饮食：基于约束感知决策建模的个性化可持续饮食推荐

Ying Jin, Weiqing Min, Mingyu Huang, Shuqiang Jiang

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉科学学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 该研究针对可持续饮食的个体适配难题，提出基于约束感知决策机制的个性化推荐模型，构建含15万份食谱的SusDiet数据集，验证其可在兼顾个人偏好的同时推动可持续饮食选择，为相关干预与政策提供定量依据。

Comments Accepted in ICML 2026, 24 pages, 7 figures

Beyond Accuracy: A Dual-Judge Evaluation Protocol for Vision-Language Models in Legally Grounded Tasks

超越准确率：面向法律依据任务的视觉语言模型双裁判评估协议

Su Myat Noe, Ha Thanh Nguyen, May Myo Zin, Ken Satoh

机构 * National Institute of Informatics (NII)（国立信息学研究所） ； VinUniversity（文大学） ； ROIS-DS Center for Juris-Informatics（ROIS-DS法学信息学中心） 纠错

AI总结 针对法律依据任务，提出双裁判评估协议，结合质量与语义等价裁判，在英国交通标志解读任务中发现不对称II型模式，发布相关资源以评估视觉语言模型的法律相关性能。

Comments Accepted and presented at the AI for Law Workshop at ICML 2026

Discovering Cross-Language Reasoning Invariance in LLMs with Geometry-Invariant Sparse Autoencoders

利用几何不变稀疏自编码器发现大语言模型中的跨语言推理不变性

Igor Bogdanov, Changcheng Huang

机构 * Carleton University（卡尔顿大学） 纠错

AI总结 本研究以MGSM数据集探究多语言LLM跨语言推理的特征机制，提出GI-SAE方法，发现跨语言特征共享依赖模型架构，GI-SAE主要放大现有跨语言结构且模型特异性明显。

Comments Accepted as a poster at the ICML 2026 Workshop on Mechanistic Interpretability

MolEmb: Multimodal Large Language Models Can Be Strong Molecular Embedding Models

MolEmb：多模态大语言模型可作为强大的分子嵌入模型

Xinjian Zhao, Xiangru Jian, Yaoyao Xu, Xiaozhuang Song, Wei Pang, Lei Bai, Tianshu Yu

AI总结 本文提出MolEmb框架，利用多模态大语言模型构建通用分子嵌入模型，在分子性质预测上具竞争力，还提出MolCAR基准验证上下文感知分子嵌入的特性。

Comments Presented at the 3rd Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences (FM4LS), ICML 2026. Non-archival workshop