ICML

BAnG: Bidirectional Anchored Generation for Conditional RNA Design

BAnG：双向锚定生成用于条件RNA设计

Roman Klypa, Alberto Bietti, Sergei Grudinin

机构 * Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LJK） ； Center for Computational Mathematics, Flatiron Institute（计算数学中心、Flatiron研究所） 纠错

AI总结 本文提出BAnG方法，通过双向锚定生成技术实现无需先验知识的条件RNA序列设计，解决了传统方法依赖已知序列和结构的限制。

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:31020-31043, 2025

Active Learning with Selective Time-Step Acquisition for PDEs

用于PDEs的选时段获取的主动学习

Yegon Kim, Hyunsu Kim, Gyeonghoon Ko, Juho Lee

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 本文提出STAP方法，通过选择性获取关键时间步减少计算成本，提升PDE代理模型的主动学习效率。

Comments This manuscript is an improvement over the camera-ready version in ICML 2025. We have added a clearer motivation for our acquisition function. (See Sections 2.3 and 3.2)

Journal ref ICML 2025

Fast and Low-Cost Genomic Foundation Models via Outlier Removal

通过异常值去除实现快速且低成本的基因组基础模型

Haozheng Luo, Chenghao Qiu, Maojiang Su, Zhihan Zhou, Zoe Mehta, Guo Ye, Jerry Yao-Chieh Hu, Han Liu

机构 * Northwestern University（西北大学） ； Tianjin University（天津大学） ； Vernon Hills High School（弗农希尔斯高中） 纠错

AI总结 本文提出GERM模型，通过去除异常值提升基因组模型的压缩性能和适应速度，有效提高效率和鲁棒性，并在实验中验证了其在微调和量化方面的优越表现。

Comments International Conference on Machine Learning (ICML) 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:41254-41289, 2025

A Full Compression Pipeline for Green Federated Learning in Communication-Constrained Environments

面向通信受限环境的绿色联邦学习完整压缩流水线

Elouan Colybes, Shirin Salehi, Anke Schmeink

机构 * Chair of Information Theory and Data Analytics (INDA), RWTH Aachen University（信息理论与数据分析教授职位（INDA），亚琛工业大学） 纠错

AI总结 本文提出一种完整压缩流水线FCP，通过整合剪枝、量化和霍夫曼编码技术，减少联邦学习中的通信和计算开销，提升效率与可持续性。

Comments This work was accepted at IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN), 2026

Adversarial Robustness of Graph Transformers

图变换器的对抗鲁棒性

Philipp Foth, Lukas Gosch, Simon Geisler, Leo Schwinn, Stephan Günnemann

机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 研究图变换器在结构扰动下的对抗鲁棒性，设计了首个自适应攻击方法，评估了多种任务和扰动模型，发现图变换器在许多情况下存在严重脆弱性。

Comments TMLR 2025 (J2C-Certification: Presented @ ICLR 2026). A preliminary version appeared at the Differentiable Almost Everything Workshop at ICML 2024. Code available at https://github.com/isefos/gt_robustness

Non-stationary Diffusion For Probabilistic Time Series Forecasting

非平稳扩散用于概率时间序列预测

Weiwei Ye, Zhuopeng Xu, Ning Gui

机构 * Central South University（中南大学） 纠错

AI总结 本文提出非平稳扩散模型，通过改进噪声模型以适应时间变化的不确定性，提升时间序列预测性能。

Comments Accepted as spotlight poster at ICML

Smartwatch-Based Sitting Time Estimation in Real-World Office Settings

基于智能手表的现实办公环境中坐姿时间估计

Olivia Zhang, Zhilin Zhang

机构 * The Hockaday School（霍克黛学校） ； Lumos Alpha 纠错

AI总结 本文提出利用智能手表IMU信号中的旋转向量序列估计坐姿时间，通过实验验证其在自然环境中的有效性。

Comments Accepted at the 18th International Conference on Machine Learning and Computing (ICMLC 2026), February 6-9, 2026

Burst-dependent plasticity and dendritic amplification support target-based learning and hierarchical imitation learning

脉冲依赖可塑性与树突放大支持基于目标的学习和分层模仿学习

Cristiano Capone, Cosimo Lupo, Paolo Muratore, Pier Stanislao Paolucci

AI总结 本文提出一种多室神经元模型，通过脉冲和树突输入分离实现生物目标学习，支持分层模仿学习，分解复杂决策任务。

Comments 9 pages, 3 figures

Journal ref Proceedings of the 39th International Conference on Machine Learning, PMLR 162, 2625 (2022)

Don't Label Twice: Quantity Beats Quality when Comparing Binary Classifiers on a Budget

不要两次标注：在预算下比较二分类器时数量胜过质量

Florian E. Dorner, Moritz Hardt

机构 * Max Planck Institute for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，蒂宾根） ； Tübingen AI Center（蒂宾根人工智能中心） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 研究如何在预算内有效利用噪声标签比较两个二分类器的准确性，证明在选择更优分类器时，应优先收集更多样本的单一标签而非多个标签的多数投票。

Comments 34 pages, 3 Figures, Published at ICML 2024

From Human-Level AI Tales to AI Leveling Human Scales

从人类水平AI故事到AI人类尺度

Peter Romero, Fernando Martínez-Plumed, Zachary R. Tidler, Matthieu Téhénan, Sipeng Chen, Álvaro David Gómez Antón, Luning Sun, Manuel Cebrian, Lexin Zhou, Yael Moros Daval, Daniel Romero-Alvarado, Félix Martí Pérez, Kevin Wei, José Hernández-Orallo

机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚人工智能研究所，瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（勒弗休姆未来智能中心，剑桥大学） ； The Psychometrics Centre, University of Cambridge（心理测量中心，剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Center for Automation and Robotics, Spanish National Research Council（自动化与机器人中心，西班牙国家研究委员会） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge, Department of Computer Sciences and Technology（剑桥大学计算机科学与技术系） 纠错

AI总结 本文提出一种框架，通过校准项目以'世界人口'为基准，建立人类锚定的共同尺度，以更准确评估AI能力。

Comments 23 pages, 10 figures. submitted to ICML 2026

STAR: Learning Diverse Robot Skill Abstractions through Rotation-Augmented Vector Quantization

STAR：通过旋转增强的向量量化学习多样化的机器人技能抽象

Hao Li, Qi Lv, Rui Shao, Xiang Deng, Yinchuan Li, Jianye Hao, Liqiang Nie

机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 STAR通过旋转增强的向量量化和因果技能变压器，提升机器人技能学习与组合，实现复杂行为完成，在LIBERO基准和现实任务中表现优越。

Comments Accepted by ICML 2025 Spotlight

Journal ref Proceedings of the 42st International Conference on Machine Learning, PMLR 267, 2025

Concept-Centric Token Interpretation for Vector-Quantized Generative Models

面向概念的标记解释方法用于向量量化生成模型

Tianze Yang, Yucheng Shi, Mengnan Du, Xuansheng Wu, Qiaoyu Tan, Jin Sun, Ninghao Liu

机构 * School of Computing, University of Georgia（佐治亚大学计算学院） ； Department of Data Science, New Jersey Institute of Technology（新泽西理工学院数据科学系） ； Department of Computer Science, New York University（纽约大学计算机科学系） 纠错

AI总结 本文提出CORTEX方法，通过分析标记重要性及代码本来解释VQGMs生成过程，提升模型透明度并应用于图像编辑和特征检测。

Comments 17 pages, 7 figures

Journal ref In Proceedings of the 42nd International Conference on Machine Learning (ICML), PMLR 267:71034-71050, 2025

TEDDY: A Family Of Foundation Models For Understanding Single Cell Biology

TEDDY：单细胞生物学理解的模型家族

Alexis Chevalier, Soumya Ghosh, Urvi Awasthi, James Watkins, Julia Bieniewska, Nichita Mitrea, Olga Kotova, Kirill Shkura, Andrew Noble, Michael Steinbaugh, Vijay Sadashivaiah, George Dasoulas, Julien Delile, Christoph Meier, Leonid Zhukov, Iya Khalil, Srayanta Mukherjee, Judith Mueller

机构 * BCG AI Science Institute, Boston, USA（BCG人工智能科学研究所，波士顿，美国） ； MSD (UK) Limited, London, UK（默沙东（英国）有限公司，伦敦，英国） 纠错

AI总结 本文提出TEDDY模型家族，通过扩大预训练数据和利用大规模生物注释提升单细胞基础模型性能，验证了模型在疾病状态识别和生物学探索中的有效性。

Comments ICML 2025 Generative AI and Biology (GenBio) Workshop

Do Large Language Models Mentalize When They Teach?

大型语言模型在教学时是否具备心智化能力？

Sevan K. Harootonian, Mark K. Ho, Thomas L. Griffiths, Yael Niv, Ilia Sucholutsky

机构 * Princeton University（普林斯顿大学） ； New York University（纽约大学） 纠错

AI总结 研究通过控制任务探讨LLM教学决策机制，发现LLM在教学策略上与人类相似，但Bayes-Optimal模型最佳解释其选择，提示提示合规性不等于教学效果提升。

Comments 9 pages, 5 figures. Workshop paper at ICML 2026

Grokking From Abstraction to Intelligence

从抽象到智能的领悟

Junjie Zhang, Zhen Shen, Gang Xiong, Xisong Dong

机构 * 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） 纠错

AI总结 研究通过模运算中的领悟现象，揭示模型泛化机制源于内部结构的自发简化，结合因果、谱和算法复杂性及奇异学习理论，提出冗余流形的物理坍缩是泛化关键。

Comments 22page and 5 figures,In this paper, we analyze the grokking phenomenon from the perspective of Singular Learning Theory (SLT). This work is currently under review for ICML 2026

What do CNNs Learn in the First Layer and Why? A Linear Systems Perspective

CNN的第一层学习了什么以及为什么？一种线性系统视角

Rhea Chowers, Yair Weiss

AI总结 研究通过线性系统视角分析CNN第一层的表示一致性，发现其能量分布受图像块二阶统计特性主导，并在迭代趋于无穷时趋近于白化变换。

Journal ref Proceedings of the 40th International Conference on Machine Learning (2023), PMLR 202

Learning Expressive Priors for Generalization and Uncertainty Estimation in Neural Networks

学习用于神经网络泛化和不确定性估计的表达性先验

Dominik Schnaus, Jongseok Lee, Daniel Cremers, Rudolph Triebel

AI总结 本文提出一种新颖的先验学习方法，通过可扩展和结构化的神经网络后验作为信息性先验，提升泛化能力和不确定性估计，并在持续学习框架中进一步扩展。

Comments Accepted to ICML 2023

Variational Learning of Fractional Posteriors

变分学习分数后验

Kian Ming A. Chai, Edwin V. Bonilla

机构 * DSO National Laboratories, Singapore（新加坡DSO国家实验室） 纠错

AI总结 本文提出一种新的单参数变分目标，用于下界数据证据并估计近似分数后验，通过扩展框架实现分层构造和贝叶斯后验，展示了在混合模型中的模拟研究，证明分数后验能获得更好的校准效果。

Comments Initial version in Proceedings of the 42nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025. This version contains a correction for Lemma A.1 and amendments to two surrounding texts: see the last page of the paper at the accompanying github website

SECOND: Mitigating Perceptual Hallucination in Vision-Language Models via Selective and Contrastive Decoding

SECOND：通过选择性和对比性解码缓解视觉-语言模型中的感知幻觉

Woohyeon Park, Woojin Kim, Jaeik Kim, Jaeyoung Do

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔大学人工智能跨学科项目） 纠错

AI总结 本文提出SECOND方法，通过选择性与对比性解码机制，有效利用多尺度视觉信息，减少视觉语言模型中的感知幻觉并提升性能。

Journal ref ICML 2025

Neural Network Conversion of Machine Learning Pipelines

机器学习流水线的神经网络转换

Man-Ling Sung, Jan Silovsky, Man-Hung Siu, Herbert Gish, Chinnu Pittapally

机构 * Raytheon BBN Technologies（雷神BBN科技公司） 纠错

AI总结 本文探讨了将非神经网络的机器学习流水线作为教师模型，转换为神经网络学生模型的方法，通过联合优化流水线组件实现多任务统一推理引擎。

Comments Submitted and accepted to AutoML 2018 @ ICML/IJCAI-ECAI

Algorithms with Calibrated Machine Learning Predictions

具有校准机器学习预测的算法

Judy Hanwen Shen, Ellen Vitercik, Anders Wikum

机构 * Department of Management Science \& Engineering, Stanford University, Stanford, CA, USA ； Department of Computer Science, Stanford University, Stanford, CA, USA 纠错

AI总结 本文提出校准作为连接预测信任与算法性能的桥梁，通过滑雪租赁和在线任务调度案例，展示校准预测在高方差环境下提升性能的效果。

Comments Matches the camera-ready version accepted at ICML 2025

MKA: Memory-Keyed Attention for Efficient Long-Context Reasoning

MKA：用于高效长上下文推理的内存键注意

Dong Liu, Yanxuan Yu, Ben Lengerich, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出MKA机制，通过多级KV缓存和动态路由提升长上下文推理效率，FastMKA在保持准确率的同时显著提升训练速度和评估效率。

Comments Accepted to the ACM Computing Frontiers 2026 Conference (Oral Presentation) and the ICML 2025 Long Context Modeling Workshop

Expected Reward Prediction, with Applications to Model Routing

预期奖励预测，及其在模型路由中的应用

Kenan Hasanaliyev, Silas Alberti, Jenny Hamer, Dheeraj Rajagopal, Kevin Robinson, Jasper Snoek, Victor Veitch, Alexander Nicholas D'Amour

机构 * Stanford University Inception Labs（斯坦福大学Inception实验室） ； Stanford University Cognition Labs（斯坦福大学Cognition实验室） ； Google DeepMind（谷歌DeepMind） ； University of Chicago（芝加哥大学） 纠错

AI总结 本文研究了基于响应级奖励模型预测模型对特定提示的适应性，提出了一种简单有效的预期奖励预测路由方法，实验证明其在模型路由中的优越性。

Comments ICML 2025 Workshop on Models of Human Feedback for AI Alignment

Sliding Puzzles Gym: A Scalable Benchmark for State Representation in Visual Reinforcement Learning

滑动拼图健身房：一种可扩展的用于视觉强化学习状态表示的基准

Bryan L. M. de Oliveira, Luana G. B. Martins, Bruno Brandão, Murilo L. da Luz, Telma W. de L. Soares, Luckeciano C. Melo

机构 * Advanced Knowledge Center for Immersive Technologies -- AKCIT, Brazil（沉浸式技术高级知识中心 -- AKCIT，巴西） ； OATML, University of Oxford, United Kingdom（OATML，牛津大学，英国） ； Institute of Informatics, Federal University of Goiás, Goiânia, Brazil（信息学院，戈亚尼亚联邦大学，巴西） 纠错

AI总结 本文提出Sliding Puzzles Gym，通过调整网格大小和图像池来控制视觉表示复杂度，评估视觉表示学习能力，发现现有方法在处理视觉多样性时存在局限。

Comments Accepted at ICML 2025

Journal ref Proceedings of Machine Learning Research 267:12689-12717, 2025

Dimensionality Reduction on Complex Vector Spaces for Euclidean Distance with Dynamic Weights

复杂向量空间中基于动态权重的欧几里得距离降维

Simone Moretti, Paolo Pellizzoni, Francesco Silvestri

AI总结 本文提出一种线性映射方法，将向量映射到更小的复数向量空间，以在权重确定后获得类似Johnson-Lindenstrauss的估计。方法基于将复数降维分解为多个Rademacher chaos随机变量，并利用新的独立Rademacher chaos求和的集中不等式。

Journal ref Published in ICML 2025

On the Dynamic Regret of Following the Regularized Leader: Optimism with History Pruning

在动态遗憾中跟随正则化领导者：乐观与历史修剪

Naram Mhaisen, George Iosifidis

机构 * Faculty of Electrical Engineering, Mathematics and Computer Science, TU Delft, Netherlands（电气工程、数学与计算机科学学院，代尔夫特理工大学，荷兰） 纠错

AI总结 本文研究了在线凸优化中正则化跟随者框架的动态遗憾保证，通过乐观组合未来成本和精心线性化过去成本，实现动态遗憾界，提出历史修剪方法以平衡懒惰与敏捷更新。

Comments Fixed typos. Proceedings of ICML 2025

Internalizing Agency from Reflective Experience

从反思经验中内化代理性

Rui Ge, Yichao Fu, Yuyang Qian, Junda Su, Yiming Zhao, Peng Zhao, Hao Zhang

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Nanjing University（南京大学） 纠错

AI总结 本文提出LEAFE框架，通过反思经验内化恢复代理性，提升长周期任务中的问题解决能力，实验显示在Pass@k任务中优于传统方法。

Comments 17 pages, 5 figures; Submitted to ICML 2026

Structural Damage Detection Using AI Super Resolution and Visual Language Model

利用人工智能超分辨率和视觉语言模型进行结构损伤检测

Catherine Hoier, Khandaker Mamun Ahmed

AI总结 本文提出一种低成本框架，结合无人机视频、AI超分辨率模型和视觉语言模型，用于快速准确评估自然灾害中的结构损伤，实现84.5%的分类准确率。

Journal ref International Conference on Machine Learning and Applications, 2025

Self-Improving Language Models for Evolutionary Program Synthesis: A Case Study on ARC-AGI

自改进语言模型用于进化编程合成：ARC-AGI的案例研究

Julien Pourcel, Cédric Colas, Pierre-Yves Oudeyer

AI总结 本文提出SOAR方法，通过将语言模型融入自改进进化循环中，提升编程合成性能，在ARC-AGI基准上实现显著改进。

Comments update related work

Journal ref Proceedings of the 42 nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025

Physics-Informed Neural Network Policy Iteration: Algorithms, Convergence, and Verification

具有物理信息的神经网络策略迭代：算法、收敛性与验证

Yiming Meng, Ruikun Zhou, Amartya Mukherjee, Maxwell Fitzsimmons, Christopher Song, Jun Liu

AI总结 本文提出基于模型的策略迭代算法，用于解决非线性最优控制问题，通过神经近似求解偏微分方程，确保收敛性，并通过形式验证技术证明控制器的稳定性。

Journal ref Proceedings of the 41st International Conference on Machine Learning (ICML 2024), PMLR 235, pp. 35378-35403, 2024