期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
正交性：统一、高效的正交和1-利普希茨构建块库
机构 * Natural Intelligence Toulouse Institute, France（法国图卢兹自然智能研究所） ； INRIA, Bordeaux, France（法国波尔多国家信息与自动化研究所）
AI总结 Orthogonium 是一个统一高效的PyTorch库，提供正交和1-利普希茨层，以提升深度学习模型的鲁棒性和稳定性。
Journal ref ICML 2025 Workshop on Championing Open- source Development in Machine Learning (CODEML '25), Jul 2025, Vancouver, France
二次上界用于提升鲁棒性
机构 * Department of Computer Science and Engineering, Konkuk University, Seoul, South Korea（计算机科学与工程系，konkuk大学，首尔，韩国）
AI总结 本文提出二次上界损失函数，用于提升对抗训练的鲁棒性，实验表明该方法能有效改善模型的鲁棒性。
Comments Accepted at ICML 2025. Published in PMLR 267:72656-72676
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML 2025), Proceedings of Machine Learning Research (PMLR), vol. 267, pp. 72656-72676, 2025
深度函数因子模型：通过贝叶斯非参数因子化进行高维函数时间序列的预测
机构 * London School of Economics（伦敦经济学院） ； Faculty of Business（商学院） ； Economics, The University of Hong Kong（经济学，香港大学） ； Management School, University of Liverpool（利物浦大学管理学院）
AI总结 本文提出DF2M模型，通过贝叶斯非参数因子化方法提升高维函数时间序列预测的可解释性和准确性。
Journal ref Proceedings of the 41st International Conference on Machine Learning 2024
M2PDE：基于扩散模型的组合生成多物理场与多组分PDE仿真
机构 * State Key Laboratory of Advanced Nuclear Energy Technology, Nuclear Power Institute of China, China（先进核能技术国家重点实验室，中国核工业研究院） ； Department of Artificial Intelligence, Westlake University, China（人工智能学院，西湖大学）
AI总结 M2PDE通过基于扩散模型的生成方法，实现多物理场与多组分PDE仿真的高效准确模拟。
Comments 29pages,14 figures
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:75638-75666, 2025
极值政策优化用于安全强化学习
机构 * Shanghai Jiao Tong University, Shanghai, China.（上海交通大学）
AI总结 本文提出极值政策优化算法，通过极值理论建模和极值优先机制，有效减少约束违反并提升安全强化学习性能。
Comments Published in the 42nd International Conference on Machine Learning (ICML 2025)
在安全探索中约束强化学习中的低估偏差控制
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学）
AI总结 本文提出MICE方法，通过引入内在成本和偏差校正策略，有效控制约束强化学习中的低估偏差，减少约束违反并保持策略性能。
Comments Published in the 42nd International Conference on Machine Learning (ICML 2025, Oral)
当幻觉成本百万：在高风险对抗性金融市场中基准测试AI代理
机构 * Surf AI, Cybertino Lab（Surf AI，Cybertino 实验室） ； Princeton University（普林斯顿大学）
AI总结 CAIA基准测试揭示了AI在对抗性金融市场中的能力缺口，指出当前模型在面对虚假信息和不可逆决策时表现不佳，强调对抗鲁棒性对可信AI的重要性。
Comments 15 pages, 5 figures, 4 tables; Accepted to AAAI 2026 (AI-4-Finance Workshop - Oral, top 10%); In submission to ICML 2026
可扩展的平衡采样与顺序玻尔兹曼生成器
AI总结 本文提出顺序玻尔兹曼生成器，通过高效归一化流和连续时间序列蒙特卡洛方法，在笛卡尔坐标上实现复杂肽系统的平衡采样。
Comments Presented at ICML 2025
基于仿射关系的稳定离线价值函数学习
机构 * University of Wisconsin -- Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出基于仿射关系的核表示算法，通过塑造状态-动作表示来稳定离线价值函数学习，提升评估的稳定性和准确性。
Comments Accepted at the International Conference on Machine Learning (ICML) 2025
Journal ref ICML 2025
MixMin: 通过凸优化寻找数据混合
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学）
AI总结 MixMin通过凸优化方法改进数据混合，提升了语言模型和化学任务的性能，且在不同规模模型上均有效。
Comments Proceedings of the 42nd International Conference on Machine Learning
探究工具增强大语言模型中的工具-记忆冲突
机构 * University of Massachusetts Lowell（马萨诸塞大学洛约拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出工具-记忆冲突的概念，发现现有LLMs在STEM任务中存在该问题，并评估了现有解决方法的不足。
Comments R2-FM Workshop @ ICML 2025
Prompting4Debugging: 通过寻找问题性提示对文本到图像扩散模型进行红队测试
机构 * Department of Computer Science, National Yang Ming Chiao Tung University, Hsinchu, Taiwan（国家阳明交通大学计算机科学系） ； IBM Research, NY 10598, USA（IBM研究院）
AI总结 Prompting4Debugging通过寻找问题性提示揭示文本到图像扩散模型的安全漏洞，表明现有安全机制存在重大缺陷。
Comments ICML 2024 main conference paper. The source code is available at https://github.com/zhiyichin/P4D
Warmup Stable Decay 的普遍动态：在 Transformer 之外理解 WSD
机构 * MPI-IS Tübingen, Germany, ETH Zürich, Switzerland and Politecnico di Torino, Italy（马克斯·普朗克研究所（MPI-IS）图宾根，德国，瑞士苏黎世联邦理工学院（ETH Zürich）和意大利托里诺理工大学（Politecnico di Torino）） ； ETH Zürich, Switzerland（瑞士苏黎世联邦理工学院（ETH Zürich）） ； MPI-IS, ELLIS Institute Tübingen, Tübingen AI Center, Germany（马克斯·普朗克研究所（MPI-IS）图宾根，德国，图宾根人工智能中心（Tübingen AI Center））
AI总结 本研究通过比较 Transformer 和 CNN 在 WSD 调度下的训练动态，揭示了非凸优化问题中损失景观的共同几何特征。
Comments Accepted at the 2025 HiLD and MOSS Workshops at ICML
TANGO: 基于典型性感知的非局部模式寻求与图割优化的聚类
机构 * School of Computing（计算学院） ； Artificial Intelligence, Southwest Jiaotong University, Chengdu, China（人工智能，西南交通大学，成都，中国） ； School of Mathematics, Southwest Jiaotong University, Chengdu, China（数学学院，西南交通大学，成都，中国）
AI总结 TANGO通过引入典型性概念和改进的图割方法，实现非局部模式寻求与聚类优化，提升聚类效果。
Comments Accepted as a poster at ICML 2025
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:42062-42080, 2025
此刻正确，此后错误：在偏好漂移下的非平稳直接偏好优化
机构 * Department of Computer Science, University College London, London, United Kingdom（计算机科学系，伦敦大学学院，英国） ； Department of Electronic and Electrical Engineering, University College London, London, United Kingdom（电子与电气工程系，伦敦大学学院，英国） ； Department of Computer Science and Engineering, IIT Kanpur, India（计算机科学与工程系，印度IIT坎浦尔）
AI总结 NS-DPO通过动态Bradley-Terry模型建模时间依赖奖励函数，在偏好漂移下提升LLM微调性能。
Comments 31 pages, 10 figures. Accepted to ICML 2025
通过密度估计进行多策略评估
机构 * Boston University, Boston, USA（波士顿大学） ； Broad Institute of MIT and Harvard, Cambridge, USA（哈佛大学和麻省理工学院联合学院）
AI总结 CAESAR通过密度估计实现多策略评估，以低样本复杂度率估计策略性能并计算重要加权比。
Comments ICML 2025
拓扑感知图Transformer
机构 * National Institute for Mathematical Sciences（数学科学研究院） ； Max Planck Institute（马克斯·普朗克研究所）
AI总结 本研究提出拓扑感知图Transformer，通过增强图同构判别能力与整体性能，提升图神经网络在区分同构类任务中的表现。
Comments Proceedings of the Geometry-grounded Representation Learning and Generative Modeling Workshop (GRaM) at ICML 2024
在有限数据下估计高斯线性结构因果模型中的因果效应
机构 * Department of Computer Science, Columbia University NY 10025（计算机科学系，哥伦比亚大学）
AI总结 本文提出中央化高斯线性结构因果模型，通过改进的EM算法在有限数据下有效估计因果效应。
Comments Accepted at the Workshop on Scaling Up Intervention Models at the 42nd International Conference on Machine Learning (ICML 2025)
LaRoSA：通过分层旋转稀疏激活提升大语言模型效率
机构 * Alibaba Group（阿里巴巴集团）
AI总结 LaRoSA通过分层旋转稀疏激活技术，提升大语言模型效率，实现稳定的加速效果和较低的性能损失。
Comments ICML 2025 Acceptance
CoSER：一个综合的文学数据集和框架，用于训练和评估LLM角色扮演和人设模拟
机构 * Fudan University（复旦大学） ； StepFun ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 CoSER通过高质量文学数据集和开放模型，训练和评估LLM角色扮演能力，其70B模型在多个基准测试中超越GPT-4o。
Comments Accepted by ICML 2025
草图以适应：用于高效大语言模型适应的可调节草图
机构 * Rice University, Houston, TX（里士满大学） ； University of California, Berkeley, Berkeley, CA（加州大学伯克利分校） ； Stevens Institute of Technology, Hoboken, NJ（史蒂文斯理工学院） ； ThirdAI Corp.（ThirdAI公司） ； Ken Kennedy Institute（肯尼迪研究所）
AI总结 SketchTune通过压缩和适应一体化的方法，实现更高效的大语言模型适应，优于现有PEFT方法。
Comments Published in ICML 2025
Sorbet：一种兼容神经形态硬件的基于Transformer的脉冲语言模型
机构 * School of Computing, National University of Singapore, Singapore, Singapore（新加坡国立大学计算机学院）
AI总结 Sorbet是一种基于Transformer的脉冲语言模型，通过PTsoftmax和BSPN替代高能耗操作，实现高效能的神经形态硬件兼容性。
Comments Accepted by ICML 2025. Camera-ready version
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), 2025
评估压缩技术对CNN在自然损坏下的鲁棒性影响
机构 * Computing Institute（计算研究所） ； Federal University of Alagoas（亚拉加斯联邦大学） ； Center of Technology（技术中心） ； Federal University of Rio Grande do Norte（里奥格兰德北联邦大学）
AI总结 本文研究了压缩技术对CNN在自然损坏下的鲁棒性影响，通过量化、剪枝和权重聚类等方法，分析了鲁棒性、准确率和压缩率的权衡，发现某些压缩策略可提升鲁棒性。
Comments Accepted for publication at the 2025 International Conference on Machine Learning and Applications (ICMLA). IEEE Catalog Number: CFP25592-ART
ExPLoRA: 低参数高效扩展预训练以适应视觉变换器下的领域偏移
机构 * stanford（斯坦福大学）
AI总结 ExPLoRA通过扩展预训练阶段并结合LoRA技术，在领域偏移下提升视觉变换器的迁移学习性能。
Comments Published at ICML 2025
Dolphin：一种可编程的可扩展神经符号学习框架
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
AI总结 DOLPHIN是一种可编程框架，通过在CPU和GPU上分别执行符号推理和概率计算，实现神经符号学习的高效扩展，优于现有方法在复杂基准上的性能。
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:45461-45483, 2025
概率建模足以进行因果推断
机构 * University of Cambridge（剑桥大学）
AI总结 本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:81810-81840, 2025
基于原则的算法用于二分类中一般度量的优化
机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； Google Research（谷歌研究）
AI总结 本文提出基于原则的算法用于优化二分类中的一般度量，通过H一致性理论和有限样本泛化界限，设计出具有理论保证的新替代损失函数和METRO算法。
Comments ICML 2025
掌握多专家路由：可实现的H-一致性与学习延迟的强保证
机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； Google Research（谷歌研究）
AI总结 本文提出新的替代损失函数和算法，解决多专家场景下的延迟学习问题，提供强理论保证和实验验证。
Comments ICML 2025
平衡天平：一种用于处理不平衡数据学习的理论和算法框架
机构 * Google Research（谷歌研究） ； Courant Institute of Mathematical Sciences（Courant数学科学研究所）
AI总结 本文提出了一种新的理论框架和算法IMMAX，用于解决类别不平衡问题，通过引入新的损失函数和理论保证提升学习性能。
Comments ICML 2025
应用驱动的机器学习创新
机构 * McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute, Montreal, Canada（魁北克AI研究所） ； University of Toronto（多伦多大学） ； Vector Institute, Toronto, Canada（向量研究所） ； Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院） ； University of Southern California, Los Angeles, USA（南加州大学） ； Arizona State University, Tempe, USA（亚利桑那州立大学） ； Inria Paris, Paris, France（巴黎研究所） ； University of Colorado Boulder, Boulder, USA（科罗拉多大学博尔德分校） ； Harvard University, Cambridge, USA（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔人工智能研究所）
AI总结 本文探讨了应用驱动研究在机器学习中的重要性，指出其对算法创新和领域影响的潜力，并提出改进现有评估和教学实践的建议。
Comments 12 pages, 3 figures
Journal ref Published at ICML 2024 in the Position Papers track
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈