ICML

Time-series Forecast for Indoor Zone Air Temperature with Long Horizons: A Case Study with Sensor-based Data from a Smart Building

室内区域空气温度长期时间序列预测：基于智能建筑传感器数据的案例研究

Liping Sun, Yucheng Guo, Siliang Lu, Zhenzhen Li

机构 * Bosch Center for Artificial Intelligence, Shanghai, China（博世人工智能中心，中国上海） ； Bosch Center for Artificial Intelligence, Pittsburgh, USA（博世人工智能中心，美国匹兹堡） ； College of Architecture and Urban Planning, Tongji University, Shanghai, China（同济大学建筑与城市规划学院，中国上海） ； Department of Statistics, Iowa State University, Ames, USA（统计学系，爱荷华州立大学，美国阿姆斯） 纠错

AI总结 本文提出一种基于传感器数据的长期时间序列预测模型，用于预测美国建筑区域空气温度，以支持智能HVAC系统控制和混合建筑能耗建模。

Journal ref ICML 2025 CO-BUILD Workshop on Computational Optimization of Buildings

What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models

基础模型发现了什么？利用归纳偏置来探测世界模型

Keyon Vafa, Peter G. Chang, Ashesh Rambachan, Sendhil Mullainathan

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。

Comments To appear in ICML 2025

Dictionary Learning: The Complexity of Learning Sparse Superposed Features with Feedback

字典学习：通过反馈学习稀疏叠加特征的复杂性

Akash Kumar

机构 * Department of Computer Science \& Engineering, University of California, San Diego, USA 纠错

AI总结 通过反馈机制，研究在稀疏设置下学习字典特征的复杂性，并验证了理论结果在特征恢复和字典提取中的有效性。

Comments ICML'25, 35 pages

MoRAgent: Parameter Efficient Agent Tuning with Mixture-of-Roles

MoRAgent: 基于角色混合的参数高效代理调优

Jing Han, Binwei Yan, Tianyu Guo, Zheyuan Bai, Mengyu Zheng, Hanting Chen, Ying Nie

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

AI总结 MoRAgent通过角色混合框架实现参数高效代理调优，分解任务为推理、执行和总结三个角色，结合低秩适应技术提升代理性能。

Comments Accepted by ICML 2025

Intrinsic Benefits of Categorical Distributional Loss: Uncertainty-aware Regularized Exploration in Reinforcement Learning

类别分布损失的内在优势：强化学习中的不确定性感知正则化探索

Ke Sun, Yingnan Zhao, Enze Shi, Yafei Wang, Xiaodong Yan, Bei Jiang, Linglong Kong

机构 * University of Alberta, Canada（阿尔伯塔大学） ； Harbin Engineering University, China（哈尔滨工程大学） ； Xi’an Jiaotong University, China（西安交通大学） 纠错

AI总结 本文提出了一种基于类别分布损失的不确定性感知正则化方法，通过增强奖励信号提升强化学习的探索效率。

Comments NeurIPS 2025; Previous Version in ICML Workshop: Exploration in AI Today (EXAIT) 2025

Zero-Training Temporal Drift Detection for Transformer Sentiment Models: A Comprehensive Analysis on Authentic Social Media Streams

无训练时间漂移检测用于Transformer情感模型：对真实社交媒体流的全面分析

Aayam Bansal, Ishaan Gangwani

机构 * Aayam Bansal Ishaan Gangwani 纠错

AI总结 本文提出了一种无训练的时间漂移检测方法，通过分析真实社交媒体数据，揭示了Transformer情感模型在事件驱动期间的性能退化，并引入了四种高效的时间漂移度量标准。

Comments ICML NewInML

MicroProbe: Efficient Reliability Assessment for Foundation Models with Minimal Data

MicroProbe: 用极少数据高效评估基础模型的可靠性

Aayam Bansal, Ishaan Gangwani

机构 * Aayam Bansal（未知） ； Ishaan Gangwani（未知） 纠错

AI总结 MicroProbe通过仅使用100个精心选择的示例，高效评估基础模型可靠性，比随机采样方法提升23.5%的综合分数，显著降低评估成本并保持高覆盖率。

Comments ICML NewInML

Deep Learning for Unrelated-Machines Scheduling: Handling Variable Dimensions

深度学习用于无关机器调度：处理可变维度

Diego Hitzges, Guillaume Sagnol

AI总结 本文提出一种深度学习方法，用于处理无关机器调度中的可变维度问题，通过复杂神经网络架构实现高效调度优化，实验表明其在不同规模问题中表现优于传统调度规则。

Comments 24th IEEE International Conference on Machine Learning and Applications (ICMLA 2025) in Boca Raton, USA. Project page: https://github.com/DiegoHitzges/Deep-Learning-for-Unrelated-Machines-Scheduling . 8 pages, 4 figures, 3 tables

Averaging $n$-step Returns Reduces Variance in Reinforcement Learning

平均 $n$-步回报降低强化学习中的方差

Brett Daley, Martha White, Marlos C. Machado

机构 * Department of Computing Science, University of Alberta, Edmonton, AB, Canada（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

AI总结 本文提出复合回报方法，通过加权平均 $n$-步回报降低强化学习中的方差，提升样本效率和算法性能。

Comments ICML 2024. 27 pages, 7 figures, 3 tables. Fixed minor equation typos

Trajectory-Aware Eligibility Traces for Off-Policy Reinforcement Learning

轨迹感知的eligibility traces用于非策略强化学习

Brett Daley, Martha White, Christopher Amato, Marlos C. Machado

机构 * Department of Computing Science, University of Alberta, Edmonton, AB, Canada（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Khoury College of Computer Sciences, Northeastern University, Boston, MA, USA（东北大学计算机科学学院） 纠错

AI总结 本文提出了一种多步算子，用于表达轨迹感知和每决策方法，并通过理论分析为非策略强化学习提供了收敛保证，同时引入RBIS方法在不同λ值下实现稳健性能。

Comments ICML 2023. 18 pages, 4 figures, 1 table. Fixed off-by-1 error in Tightrope Problem

The Diffusion Duality

扩散对偶性

Subham Sekhar Sahoo, Justin Deschenaux, Aaron Gokaslan, Guanghan Wang, Justin Chiu, Volodymyr Kuleshov

机构 * School of Computer and Communication Sciences, EPFL（计算机与通信科学学院，瑞士洛桑联邦理工学院） 纠错

AI总结 Duo通过结合高斯扩散技术提升训练和采样效率，实现离散扩散模型在文本生成中的性能突破。

Comments ICML 2025. We provide the code at: https://github.com/s-sahoo/duo [v3] includes improved theory, clearer presentation, and a new future work section

Relative Error Fair Clustering in the Weak-Strong Oracle Model

弱强 oracle 模型中的相对误差公平聚类

Vladimir Braverman, Prathamesh Dharangutte, Shaofeng H. -C. Jiang, Hoai-An Nguyen, Chen Wang, Yubo Zhang, Samson Zhou

AI总结 本文在弱强 oracle 模型中提出了一种方法，通过 poly(k/ε·log n) 次查询获得 (1+ε) 核心集，用于公平 k-中位数聚类，并扩展到一般 (k,z) 聚类。

Comments ICML 2025

A Certified Unlearning Approach without Access to Source Data

无需访问源数据的认证删除方法

Umit Yigit Basaran, Sk Miraj Ahmed, Amit Roy-Chowdhury, Basak Guler

机构 * Department of Electrical and Computer Engineering, University of California, Riverside, CA, USA（加州大学河滨分校电子与计算机工程系） ； Brookhaven National Laboratory, Upton, NY, USA（布鲁克海文国家实验室） 纠错

AI总结 本文提出一种无需访问源数据的认证删除方法，通过替代数据集和噪声缩放技术，在不接触原始数据的情况下实现有效数据删除，并通过实验验证其在隐私保护中的有效性。

Comments Accepted by ICML 2025 Updated related work section to include relevant citation

Regularized Langevin Dynamics for Combinatorial Optimization

正则化 Langevin 动力学用于组合优化

Shengyu Feng, Yiming Yang

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出正则化 Langevin 动力学用于组合优化，通过避免局部极小值提升传统启发式方法和神经网络模型的性能。

Comments ICML 2025

Journal ref International conference on machine learning, 2025, PMLR

Understanding Generalization in Quantum Machine Learning with Margins

通过边距理解量子机器学习中的泛化能力

Tak Hur, Daniel K. Park

机构 * Department of Statistics and Data Science（统计与数据科学系） ； Yonsei University（延世大学） ； Department of Applied Statistics（应用统计学系） 纠错

AI总结 本文提出基于边距的泛化界限，通过量子信息理论与经典-量子混合方法提升量子机器学习的泛化能力。

Comments 18 pages, 6 figures

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:26338-26360, 2025

Feed Two Birds with One Scone: Exploiting Wild Data for Both Out-of-Distribution Generalization and Detection

用一个蛋糕喂两只鸟：利用野数据实现分布外泛化和检测

Haoyue Bai, Gregory Canal, Xuefeng Du, Jeongyeol Kwon, Robert Nowak, Yixuan Li

机构 * Institute for Foundations of Data Science, University of Wisconsin, Madison（数据科学基础研究院，威斯康星大学麦迪逊分校） ； Department of Computer Sciences, University of Wisconsin, Madison（计算机科学系，威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering, University of Wisconsin, Madison（电气与计算机工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种统一框架，通过利用野数据同时实现分布外泛化和检测，优于专门针对泛化或检测的基线方法。

Comments ICML 2023

Grammar-Forced Translation of Natural Language to Temporal Logic using LLMs

基于语言模型的自然语言到时序逻辑的语法强制翻译

William English, Dominic Simon, Sumit Kumar Jha, Rickard Ewetz

机构 * Department of Electrical and Computer Engineering, University of Florida, Gainesville, Florida（电子与计算机工程系，佛罗里达大学，盖恩斯维尔，佛罗里达） ； Knight Foundation School of Computing and Information Sciences, Florida International University, Miami, Florida（骑士基金会计算与信息科学学院，佛罗里达国际大学，迈阿密，佛罗里达） 纠错

AI总结 本文提出GraFT框架，通过限制输出标记集提升自然语言到时序逻辑的翻译准确率和领域外翻译能力。

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:15370-15383, 2025

From Logits to Hierarchies: Hierarchical Clustering made Simple

从 logits 到层次结构：让层次聚类变得简单

Emanuele Palumbo, Moritz Vandenhirtz, Alain Ryser, Imant Daunhawer, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； ETH AI Center, Zurich（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出了一种基于预训练非层次聚类模型的轻量级方法，能够有效进行层次聚类，且无需微调，适用于任何输出 logit 的预训练聚类模型。

Comments ICML 2025 camera-ready version

Online Bandits with (Biased) Offline Data: Adaptive Learning under Distribution Mismatch

在线带宽与（有偏）离线数据：在分布不匹配下的自适应学习

Wang Chi Cheung, Lixing Lyu

AI总结 本文提出MIN-UCB策略，通过自适应利用离线数据提升多臂老虎机的性能，并在不同设置下实现紧致的遗憾界。

Comments 62 pages, 5 figures. Previous version Accepted to ICML 2024

Light-Weight Benchmarks Reveal the Hidden Hardware Cost of Zero-Shot Tabular Foundation Models

轻量级基准揭示零样本表格基础模型的隐藏硬件成本

Ishaan Gangwani, Aayam Bansal

AI总结 研究通过轻量级基准测试揭示了零样本表格基础模型在准确率与硬件开销之间的权衡，发现树形模型在多个数据集上表现优异且硬件消耗更低。

Comments ICML NewInML

Theoretical Guarantees of Learning Ensembling Strategies with Applications to Time Series Forecasting

集成学习策略的理论保障及其在时间序列预测中的应用

Hilaf Hasson, Danielle C. Maddix, Yuyang Wang, Gaurav Gupta, Youngsuk Park

机构 * AWS AI Labs（AWS人工智能实验室） 纠错

AI总结 本文提出了一种在时间序列预测中应用的集成学习方法，通过理论分析证明其在堆叠泛化中的有效性，并通过实验验证了其性能优势。

Comments Published at ICML 2023. In this version, we clarify that the proof in fact yields a strictly stronger bound than the one stated in the ICML version

Rep Smarter, Not Harder: AI Hypertrophy Coaching with Wearable Sensors and Edge Neural Networks

更聪明而非更努力：基于可穿戴传感器和边缘神经网络的AI超负荷指导

Grant King, Musa Azeem, Savannah Noblitt, Ramtin Zand, Homayoun Valafar

机构 * University of South Carolina（南卡罗来纳大学） 纠错

AI总结 本文提出基于可穿戴传感器和边缘神经网络的AI系统，用于实时监测接近肌肉疲劳状态，以优化力量训练效果。

Comments 24th International Conference on Machine Learning and Applications

Latent Variable Causal Discovery under Selection Bias

潜在变量因果发现中的选择偏差问题

Haoyue Dai, Yiwen Qiu, Ignavier Ng, Xinshuai Dong, Peter Spirtes, Kun Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出了一种基于排名约束的方法，用于在存在选择偏差的情况下识别潜在变量模型中的因果结构。

Comments Appears at ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), 2025

Classifier Reconstruction Through Counterfactual-Aware Wasserstein Prototypes

通过反事实感知的Wasserstein原型进行分类器重建

Xuan Zhao, Zhuo Cao, Arya Bangun, Hanno Scharr, Ira Assent

机构 * Department of Computer Science, Aarhus University, Denmark（计算机科学系，奥胡斯大学，丹麦） 纠错

AI总结 本文提出利用反事实感知的Wasserstein原型提升模型重建效果，通过整合原始数据与反事实样本，优化替代模型与目标模型的保真度。

Comments Accepted by Actionable Interpretability Workshop at ICML 2025

State-Space Models for Tabular Prior-Data Fitted Networks

表格先验数据拟合网络的状态空间模型

Felix Koch, Marcel Wever, Fabian Raisch, Benjamin Tischler

机构 * L3S Research Center, Leibniz University Hannover, Hannover, Germany（L3S研究所以及汉诺威莱布尼茨大学） ； University of Applied Sciences Rosenheim, Rosenheim, Germany（罗斯海姆应用科学大学） ； Technical University of Munich, Munich, Germany（慕尼黑技术大学） 纠错

AI总结 本文提出使用双向线性时间结构状态空间模型Hydra替代Transformer，以减少顺序依赖性并提升表格数据预训练模型的预测性能。

Journal ref International Conference on Machine Learning (ICML), 1st ICML Workshop on Foundation Models for Structured Data, 2025

Geometric Regularity in Deterministic Sampling Dynamics of Diffusion-based Generative Models

扩散生成模型确定性采样动态中的几何正则性

Defang Chen, Zhenyu Zhou, Can Wang, Siwei Lyu

机构 * University at Buffalo, State University of New York（纽约州立大学布法罗分校） ； Zhejiang University（浙江大学） 纠错

AI总结 本文揭示了扩散生成模型采样轨迹的几何正则性，提出动态规划方案提升图像生成性能。

Comments 57 pages. Accepted by Journal of Statistical Mechanics: Theory and Experiment (2025). The short version was published in ICML 2024. arXiv admin note: text overlap with arXiv:2405.11326

Journal ref J. Stat. Mech. (2025) 124002

When can in-context learning generalize out of task distribution?

在什么情况下上下文学习可以泛化到任务分布之外？

Chase Goddard, Lindsay M. Smith, Vudtiwat Ngampruetikorn, David J. Schwab

机构 * Princeton University（普林斯顿大学） ； University of Sydney（悉尼大学） ； The Graduate Center, CUNY（纽约大学研究生中心） 纠错

AI总结 研究探讨了预训练分布中任务多样性的变化如何影响转换器模型在不同任务分布上的泛化能力，揭示了ICL从专门化到泛化出分布的相变机制。

Comments ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:19585-19599, 2025

Tuning Sequential Monte Carlo Samplers via Greedy Incremental Divergence Minimization

通过贪心递增分歧最小化调整序列蒙特卡罗采样器

Kyurae Kim, Zuheng Xu, Jacob R. Gardner, Trevor Campbell

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 本文提出了一种通过最小化递增KL分歧来调整SMC采样器马尔可夫核的通用框架，适用于Langevin Monte Carlo等内核，并展示了其在调节动能LMC中的应用。

Comments Accepted to ICML'25; v4, v5: fixed typos; v6: fixed missing log in display after Eq (8)

Equivariant Diffusion for Crystal Structure Prediction

等价扩散用于晶体结构预测

Peijia Lin, Pin Chen, Rui Jiao, Qing Mo, Jianhuan Cen, Wenbing Huang, Yang Liu, Dan Huang, Yutong Lu

机构 * School of Computer Science ； Engineering, Sun Yat-sen University, Guangzhou, China ； National Supercomputer Center in Guangzhou, China ； Dept. of Comp. Sci. \& Tech., Institute for AI, Tsinghua University, Beijing, China ； Institute for AIR, Tsinghua University, Beijing, China ； Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China ； Beijing Key Laboratory of Big Data Management ； Analysis Methods, Beijing, China 纠错

AI总结 EquiCSP通过等价扩散模型解决晶体结构预测中的对称性问题，提升生成结构的准确性并加快训练收敛速度。

Comments ICML 2024

DiTAR: Diffusion Transformer Autoregressive Modeling for Speech Generation

DiTAR：基于扩散变换器的语音生成自回归建模

Dongya Jia, Zhuo Chen, Jiawei Chen, Chenpeng Du, Jian Wu, Jian Cong, Xiaobin Zhuang, Chumin Li, Zhen Wei, Yuping Wang, Yuxuan Wang

机构 * ByteDance Seed（字节跳动种子） 纠错

AI总结 DiTAR通过结合语言模型和扩散变换器，提出一种基于补丁的自回归框架，有效提升连续语音生成的效率与质量。

Comments ByteDance Seed template, ICML 2025