ICML

Aitchison Embeddings for Learning Compositional Graph Representations

用于学习组合图表示的Aitchison嵌入

Nikolaos Nakis, Chrysoula Kosma, Panagiotis Promponas, Michail Chatzianastasis, Giannis Nikolentzos

机构 * Human Nature Lab, Yale University, New Haven, USA（耶鲁大学人类本质实验室） ； Yale Institute for Network Science, Yale University, New Haven, USA（耶鲁大学网络科学研究所） ； Université Paris Saclay, Université Paris Cité, ENS Paris Saclay, CNRS, SSA, INSERM, Centre Borelli, Gif-sur-Yvette, France（巴黎萨克雷大学、巴黎城市大学、巴黎萨克雷高等师范学院、国家科学研究中心、SSA、国家医学研究院、Borelli研究中心，法国） ； Department of Informatics and Telecommunications, University of Peloponnese, Peloponnese, Greece（希腊皮洛斯大学信息与电信系） 纠错

AI总结 提出基于Aitchison几何的组合图嵌入框架，通过等距对数比坐标实现可解释的节点表示，在节点分类和链接预测任务中性能与强基线相当，并利用子成分一致性进行维度约简。

Comments ICML 2026 Camera-ready version

MCCE: A Framework for Multi-LLM Collaborative Search in Discrete Spaces with Similarity-Filtered Preference Learning

MCCE：基于相似度过滤偏好学习的离散空间多大语言模型协同搜索框架

Nian Ran, Zhongzheng Li, Yue Wang, Qingsong Ran, Xiaoyuan Zhang, Shikun Feng, Richard Allmendinger, Xiaoguang Zhao

机构 * Zhongguancun Academy（中关村学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； University of Manchester（曼彻斯特大学） ； Tongji University（同济大学） 纠错

AI总结 MCCE是结合冻结闭源LLM与轻量可训练模型的混合框架，通过轨迹记忆与强化学习优化小型模型，在多目标药物设计基准上实现最优帕累托前沿质量，优于基线方法，为混合LLM系统提供持续演化新范式。

Comments Accepted at ICML 2026