ICML

TabDPT-Turbo: Efficient In-Context Learning for Tabular Prediction

TabDPT-Turbo：面向表格预测的高效上下文学习方法

Rasa Hosseinzadeh, Alex Labach, Zexin Xue, Shuyi Han, Valentin Thomas, Anthony L. Caterini

AI总结 本文提出TabDPT-Turbo模型，通过结合基于行的注意力、长上下文预训练及SSL预训练，在保持与TabDPT v1.1相当性能的同时大幅提升推理速度，是当前最快的表格预测基础模型。

Comments Presented as a poster at the non-archival ICML workshop on Foundation Models for Structured Data (FMSD)

Continual Learning With Participation Privacy: An Auditable Buffering-Aggregation Recipe

具有参与隐私的持续学习：一种可审计的缓冲聚合方法

T-H. Hubert Chan, Elaine Shi, Mengshi Zhao, Mingxun Zhou

机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 研究单编辑相邻用户流的持续学习隐私问题，提出模块化方法，用随机缓冲包装器处理，证明认证定理，使标准原语产生轨迹级差分隐私，建立隐私与延迟联系。

Comments This version corrects and clarifies the independent-decomposability condition underlying the adaptive-safety result in the pre-conference version of the ICML 2026 paper, with corresponding revisions to the affected statements and proofs

$α$-PFN: Fast Entropy Search via In-Context Learning

$\alpha$-PFN：通过上下文学习实现快速熵搜索

Herilalaina Rakotoarison, Steven Adriaensen, Tom Viering, Carl Hvarfner, Samuel Müller, Frank Hutter, Eytan Bakshy

机构 * University of Freiburg（弗莱堡大学） ； University of Tübingen（图宾根大学） ； University of Amsterdam（阿姆斯特丹大学） ； Lund University（Lund大学） ； Meta 纠错

AI总结 提出一种两阶段摊销策略，利用先验数据拟合网络（PFN）在单次前向传播中近似熵搜索采集函数，实现超过50倍加速，在合成和真实基准上性能与最先进方法相当。

Comments Published at ICML 2026

An Algebraic View of the Expressivity of Recurrent Language Models

循环语言模型表达能力的代数视角

Franz Nowak, Ryan Cotterell, Reda Boumasmoud

AI总结 本文通过代数统一框架分析循环神经网络在不同算术模型下的表达能力，将形式语言识别问题归结为语法幺半群是否划分特定圈积的代数问题。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). 28 pages, 2 figures

VLANeXt: Recipes for Building Strong VLA Models

VLANeXt: 构建强大VLA模型的配方

Xiao-Ming Wu, Bin Fan, Kang Liao, Jian-Jian Jiang, Runze Yang, Yihang Luo, Zhonghua Wu, Wei-Shi Zheng, Chen Change Loy

机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； SenseTime Research（商汤科技研究院） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文通过统一框架和评估设置重新审视VLA设计空间，系统分析了基础组件、感知要素和动作建模视角，总结出12项关键发现，提出了一种简单有效的VLA模型VLANeXt，并在LIBERO和LIBERO-plus基准测试中超越了现有方法，同时提供了易于使用的代码库。

Comments Accepted in ICML 2026, Project Page: this https URL (https://dravenalg.github.io/VLANeXt/)

You Can Learn Tokenization End-to-End with Reinforcement Learning

你可以通过强化学习端到端地学习分词

Sam Dauncey, Roger Wattenhofer

机构 * University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出使用强化学习中的得分函数估计来学习离散分词边界，通过时间折扣等技巧降低方差，在1亿参数规模上优于先前的直通估计方法。

Comments ICML 2026 camera-ready

Lions and Muons: Optimization via Stochastic Frank-Wolfe under Heavy-Tailed Noise

狮子与缪子：通过随机Frank-Wolfe进行优化

Maria-Eleni Sfyraki, Jun-Kun Wang

AI总结 本文通过将Lion和Muon视为随机Frank-Wolfe的特例，提出鲁棒变体以应对厚尾噪声，提升非凸优化的收敛性和实用性。

Comments Accepted at the Forty-Third International Conference on Machine Learning (ICML) 2026

Wait, Wait, Wait... Why Do Reasoning Models Loop?

等等，等等，等等……为什么推理模型会循环？

Charilaos Pipis, Shivam Garg, Vasilis Kontonis, Vaishnavi Shrivastava, Akshay Krishnamurthy, Dimitris Papailiopoulos

机构 * MIT（麻省理工学院） ； Microsoft Research（微软研究院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 研究揭示了推理模型循环的原因，指出学习中的错误是关键因素，并提出温度调节和训练干预可减少循环现象。

Comments Published as Spotlight at ICML 2026. Code: this https URL (https://github.com/microsoft/llm-looping)