ICML

Terminal Dimension Reduction for Time Series with Applications

时间序列的终端降维及其应用

Alexander Munteanu, Matteo Russo, David Saulpic, Chris Schwiegelshohn

机构 * TU Dortmund（图宾根大学） ； EPFL（苏黎世联邦理工学院） ； CNRS & Université Paris Cité, IRIF（国家科学研究中心及巴黎cité大学，IRIF） ； Aarhus University（奥胡斯大学） 纠错

AI总结 研究针对时间序列聚类等复杂结构降维问题，将终端嵌入推广到仿射线段，利用保线终端嵌入结合约翰逊 - 林登施特劳斯嵌入获得无维核心集，实验表明其在时间序列降维上表现良好且有独特优势。

Comments ICML 2026

Robustifying Vision-Language Models via Test-Time Prompt Adaptation

通过测试时提示自适应增强视觉语言模型的鲁棒性

Xingyu Zhu, Huanshen Wu, Shuo Wang, Beier Zhu, Jiannan Ge, Jiaheng Zhang, Long Chen

机构 * University of Science（科学大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science（香港科学大学） 纠错

AI总结 研究针对对抗扰动下视觉语言模型性能下降问题，提出RITA框架，通过最优传输实现分布级对齐，引入动态缓存积累线索，提升了模型对抗鲁棒性且不损干净准确率。

Comments ICML 2026 regular

ReGen: Hierarchical Multi-Prompt Representation Generation for Efficient Waveform Diffusion Models

ReGen：用于高效波形扩散模型的分层多提示表示生成

Sang-Hoon Lee, Ha-Yeong Choi

机构 * Department of Artificial Intelligence, Ajou University, Suwon, Korea（人工智能系，全州大学） ； KT Corp., Seoul, Korea（KT公司） 纠错

AI总结 研究针对扩散训练中中间表示正则化问题，提出ReGen框架联合估计向量场，引入GFM提高泛化能力。在波形扩散模型及文本到语音模型上验证，提升了波形生成质量、语音清晰度等，实现高效训练与采样。

Comments Accepted to ICML 2026

L-MAD: A Systematic Evaluation of Multi-Agent Debate Structures in Legal Reasoning

L-MAD：法律推理中多智能体辩论结构的系统评估

Tan-Minh Nguyen, Hoang-Trung Nguyen, Huu-Dong Nguyen, Dinh-Truong Do, Thi-Hai-Yen Vuong, Le-Minh Nguyen

机构 * Japan Advanced Institute of Science（日本先进科学研究院） ； VNU University of Engineering（越南工程大学） 纠错

AI总结 研究在法律领域探索多智能体辩论（MAD）框架有效性，引入L-MAD框架评估不同结构和方法，通过分配专家角色提升效果，分析辩论规模发现权衡，明确了在法律推理中部署协作多智能体系统的边界与安全边际。

Comments Outstanding paper in the AI4Law Workshop at ICML 2026

Optimal Top-$k$ Identification from Pairwise Comparisons

从成对比较中进行最优的前\(k\)项识别

Motti Goldberger, Nils Rudi

AI总结 研究从成对比较中进行固定置信度前\(k\)项识别的主动学习问题，刻画下界结构为鞍点问题并开发渐近最优算法，构造自适应比较分配算法并证明其渐近最优，最小化比较预期数量。

Comments accepted for ICML 2026

Explaining is Harder Than Predicting Alone: Evaluating Concept-based Explanations of MLLMs as ICL Visual Classifiers

解释比单独预测更难：评估基于概念的MLLM解释作为ICL视觉分类器

Carmen Quiles-Ramírez, Leticia L. Rodríguez, Nicolás Martorell, Natalia Díaz-Rodríguez

AI总结 本文通过五种形式化程度递增的条件，系统评估多模态大语言模型在少样本上下文学习中的基于概念的可解释性，发现解释比预测更难，且强制生成形式化解释会降低预测准确性。

Comments Accepted to the CompLearn Workshop at ICML 2026

Upper-Linearizability of Online Non-Monotone DR-Submodular Maximization over Down-Closed Convex Sets

在线非单调DR-子模最大化在下闭凸集上的上线性化

Yiyang Lu, Haresh Jadav, Mohammad Pedramfar, Ranveer Singh, Vaneet Aggarwal

机构 * Purdue University（普渡大学） ； IIT Indore（印度理工学院Indore） ； Mila - Quebec AI Institute/McGill University（魁北克AI研究所/麦吉尔大学） 纠错

AI总结 本文提出了一种将非单调DR-子模最大化问题转化为在线线性优化的方法，实现了O(T^{1/2})的静态后悔和改进的动态后悔保证。

Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026): https://icml.cc/virtual/2026/poster/64472

Latent Thoughts Tuning: Bridging Context and Reasoning with Fused Information in Latent Tokens

潜在思维调整：通过潜在令牌中的融合信息连接上下文与推理

Weihao Liu, Dehai Min, Lu Cheng

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究提出潜在思维调整（LT-Tuning）框架，通过重新定义潜在思维构建与部署方式，引入上下文预测融合机制，结合三阶段课程学习，实现潜在与显式思维模式动态切换，优于现有潜在推理基线，有效缓解特征崩溃并提升推理精度。

Comments In Proceedings of the Forty-third International Conference on Machine Learning

Overthinking: Amplifying Reasoning Weights to Extract Learned Secrets

过度思考：放大推理权重以提取学习到的秘密

Jack Hopkins, Dipika Khullar, Fabien Roger

AI总结 研究针对语言模型黑盒审计可能遗漏隐藏信息的问题，提出“过度思考”方法，通过特定模型构建及新策略放大推理，经实验证明该方法能更频繁揭示隐藏信息，不同秘密浮现方式有别。

Comments Accepted at ICML 2026. 9 pages, 6 figures

Contrastive Order Learning: A General Framework for Ordinal Regression

对比顺序学习：序数回归的通用框架

Chaewon Lee, BeomJun Shim, Kwang Pyo Choi, Chang-Su Kim

AI总结 该研究提出对比顺序学习框架ConOrd，整合对比学习与顺序学习优势，通过引入基于秩差的对比顺序损失解决相关局限，在面部年龄估计等序数回归任务实验中达最优性能且泛化性好。

Comments Accepted to ICML 2026

Stochastic Order Learning: An Approach to Rank Estimation Using Noisy Data

随机序学习：一种使用噪声数据进行秩估计的方法

Chaewon Lee, Seon-Ho Lee, Chang-Su Kim

AI总结 研究标签噪声下的秩估计问题，提出随机序学习（SOL）框架，通过判别损失和随机序损失两个互补目标捕捉不确定性并学习嵌入空间，实验证明该框架能在多种标签噪声下实现可靠秩估计。

Comments Accepted to ICML 2026

When Thinking Hurts: Epistemic Signals in the Reasoning Chains of Visual Language Models

当思考有害时：视觉语言模型推理链中的认知信号

Mayank Singal

AI总结 研究视觉语言模型推理链中的认知信号，通过在相同对抗样本上运行四个模型，发现不同模型的答案熵行为模式有差异，思考链熵在部分情况下优于答案熵，还发现结构化弃权及其实用弃权门可提升准确率。

Comments 7 pages, 2 figures, 5 tables. Oral paper at the 2nd Workshop on Epistemic Intelligence in Machine Learning (EIML@ICML 2026), Seoul, South Korea

Rethinking Small VLM Quantization: From Component-Wise Analysis to Hardware-Aware Edge Deployment

重新思考小型视觉语言模型量化：从组件级分析到硬件感知边缘部署

Hyeju Shin, Chorwon Kim, Ryangsoo Kim, Hark Yoo, Jaein Kim

AI总结 本文针对小型视觉语言模型量化，提出系统评估框架，在特定硬件上验证五个假设，分离相关组件得出结论，包括量化敏感性受结构范式影响、SigLIP编码器延迟情况、大语言模型INT4量化利弊、复合量化误差特点及不同平台每焦耳智能差异。

Comments 14 pages. Accepted at the ICML 2026 Workshop on Hypothesis Testing

Towards the Explainability of Temporal Graph Networks via Memory Backtracking and Topological Attribution

通过记忆回溯和拓扑归因实现时间图网络的可解释性

Yazheng Liu, Xi Zhang, Sihong Xie, Hui Xiong

AI总结 研究如何增强时间图网络（TGNs）的可解释性，通过拓扑归因树和记忆回溯树对其预测进行归因，应用LRP并设计优化目标，在九个时间图数据集实验中表现出色，提供可靠解释且优于基线。

Comments ICML 2026 Spotlight

Deployment-Time Memorization in Foundation-Model Agents

基础模型智能体中的部署时记忆

Lei, Chen, Guilin Zhang, Kai Zhao, Dalmo Cirne, Andy Olsen, Xu Chu, Zeke Miller, Alet Blanken, Amine Anoun, Jerry Ting

机构 * Lei (Rachel) Chen ； Guilin Zhang ； Kai Zhao ； Dalmo Cirne ； Andy Olsen ； Zeke Miller ； Xu Chu ； Alet Blanken ； Amine Anoun ； Jerry Ting 纠错

AI总结 研究基础模型智能体在部署时记忆的设计选择如何影响个性化效用、提取风险和删除保真度，提出遗忘残差分数并揭示压缩与删除的权衡。

Comments 4 pages, ICML MemFM 2026 Workshop

Coupling-Robust Accuracy in Multiphysics Physics Informed Neural Networks via Kronecker-Preconditioned Optimization

通过Kronecker预条件优化实现多物理场物理信息神经网络的耦合鲁棒精度

Youngjae Park, Jaemin Kim, Junghwa Hong

机构 * Dept. of Control and Instrumentation Engineering, Korea University, Sejong, South Korea（控制与仪器工程系，韩国大学，世宗，韩国） ； BK21 FOUR Smart Mobility Education and Research Team, Korea University, Sejong, South Korea（BK21 FOUR智能交通教育与研究团队，韩国大学，世宗，韩国） 纠错

AI总结 针对多物理场耦合PINN在强耦合下精度退化问题，通过神经正切核分析证明标准NTK谱半径随耦合强度γ呈Ω(γ²)增长，而块对角Gauss-Newton预条件使谱半径有界于网络数S，结合Kronecker预条件优化器SOAP与逆梯度范数损失平衡实现耦合鲁棒精度。

Comments Extended version of AI4Physics Workshop accepted paper (ICML 2026)

Before the Last Token: Diagnosing Final-Token Safety Probe Failures

在最后的标记之前：诊断最终标记安全探针失败

Shravan Doda

机构 * SafeSwitch ； HarmBench ； SorryBench 纠错

AI总结 研究最终标记安全探针在预填充阶段的失败模式，发现安全证据分布在早期用户标记中，传统探针无法捕捉，提出基于PCA-HMM的轨迹模型提升诊断能力。

Comments 8 pages, 2 figures, 7 tables. Accepted at the ICML 2026 Mechanistic Interpretability Workshop and the ICML 2026 Failure Modes in Agentic AI Workshop

Multi-Distribution Robust Conformal Prediction

多分布鲁棒共形预测

Yuqi Yang, Ying Jin

机构 * Mathematics Department, The Hong Kong University of Science（香港科学与技术大学数学系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） ； Data Science, University of Pennsylvania, Philadelphia, PA, USA（宾夕法尼亚大学数据科学） 纠错

AI总结 研究在多源分布下构建一致有效的共形预测集问题，提出最大\(p\)聚合方案，证明其最优性并给出学习一致性分数算法，实验表明该方法能在多分布上提供有效覆盖率且减小集合大小。

Comments ICML 2026

Adaptive Generation of Bias-Eliciting Questions for LLMs

为大语言模型自适应生成偏差引发问题

Robin Staab, Jasper Dekoninck, Maximilian Baader, Martin Vechev

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 针对大语言模型固有偏差问题，引入反事实框架，通过迭代问题变异生成开放式问题评估偏差，构建CAB基准，评估发现模型在某些场景有持续偏差，凸显公平性研究需求。

Comments ICML 2026

Tensor Train Diffusion: Leveraging Low-Rank Structures for High-Dimensional Score-Based Sampling

张量列车扩散：利用低秩结构进行高维基于分数的采样

Robert Gruhlke, Julius Berner, David Sommer, Lorenz Richter

AI总结 研究如何利用低秩结构进行高维基于分数的采样，提出基于函数张量列车格式求解HJB方程的方法，结合反向迭代方案，克服现有技术瓶颈，实现从复杂目标分布高效高保真采样。

Journal ref ICML 2026

RL Post-Training Builds Compositional Reasoning Strategies

强化学习后训练构建组合推理策略

Azwar Abdulsalam, Nishil Patel, Andrew Saxe

AI总结 研究强化学习后训练能否组合原始技能成高级策略，通过在可观察环境实验发现，强化学习能解决预训练模型难题，通过分阶段组合机制重组能力，组合过程可复用巩固，与拒绝微调关键差异在选择性，预训练消融表明其对组合策略出现有影响。

Comments 8 pages, 6 figures. Accepted to the 2nd Workshop on Compositional Learning at ICML 2026, Seoul, South Korea

Creativity from Friction: Human-AI Interaction for Exploratory Structural Design

摩擦产生创造力：用于探索性结构设计的人机交互

Ricardo Maia Avelino, Rita Sevastjanova, Tom Van Mele, Philippe Block, Mennatallah El-Assady

机构 * Block Research Group, Department of Architecture, ETH Zurich（建筑系，苏黎世联邦理工学院） ； IVIA Lab, Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 探讨当前生成式AI目标与结构设计师等创作者需求的偏差，提出允许受限人机共同创作的系统设计维度，通过试点设计界面和专家研究，展示其对设计空间探索的支持及设计师看法。

Comments Accepted at ICML 2026, Workshop on Human-AI Co-Creativity

A Theory of Contrastive Learning with Natural Images

一种基于自然图像的对比学习理论

Antonio Torralba, Yair Weiss

AI总结 研究简单图像与增强方式的对比学习为何能为下游任务产生有用表征。核心方法是依据对比损失解析计算最优表征，贡献为揭示特定增强方式下最优 CNN 的结构及权重特点，实验验证其有效性。

Comments ICML 2026

FMMVCC: Fuzzy Mamba-based Multi-View Contrastive Clustering for Univariate Time Series

FMMVCC：基于模糊曼巴的单变量时间序列多视图对比聚类

Donato Cerciello, Leonardo Schiavo, Angel Panizo-LLedot, Javier Huertas Tato, David Camacho

AI总结 针对大量带有限或昂贵注释的时间序列数据，介绍基于曼巴的深度聚类框架FMMVCC。它利用状态空间序列建模及多视图自监督学习，在15个基准数据集实验中优于现有基线，在多指标评估中表现出色。

Journal ref Proc. 2026 6th International Conference on Machine Learning and Intelligent Systems Engineering (MLISE), IEEE, 2026

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 ICML 2026 paper, with corresponding revisions to the affected statements and proofs

Rethinking Multimodal Time-Series Forecasting Evaluation

重新思考多模态时间序列预测评估

Haoxin Liu, Yichen Zhou, Rajat Sen, B. Aditya Prakash, Abhimanyu Das

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Google Research（谷歌研究院） 纠错

AI总结 研究针对现有多模态时间序列预测基准的问题，引入TimesX基准，通过自动数据生成管道获取多样真实世界时间序列。经实证研究发现，一些在现有基准上好的方法在TimesX上可能失败，而利用文本上下文的简单集成方法表现出色。

Journal ref Published in ICML 2026

End-to-End LLM Flight Planning with RAG-based Memory and Multi-modal Coach Agent

基于基于检索增强生成的记忆和多模态教练代理的端到端大语言模型飞行规划

Amin Tabrizian, Arsyi Aziz, Aarifah Ullah, Mahyar Ghazanfari, Pouria Razzaghi, Peng Wei

机构 * George Washington University（乔治华盛顿大学） ； Metis Solutions Technology Inc 纠错

AI总结 针对电动垂直起降飞机部署中传统飞行规划算法难以融入人类偏好的问题，提出FRAMe工具，集成规划器LLM、多模态教练代理和基于RAG的记忆，在多场景演示中效果最佳，能将自然语言指令转化为优质飞行路线。

Comments Accepted at the ICML 2026 LM4Plan Workshop

Geometric Collapse: When Vision Models Fail to Verify Physical Causality

几何崩溃：视觉模型何时无法验证物理因果关系

Wentao Zhang, Jinhu Qi, Weiqiang Jin, Yifei Zhang, Chan-Tong Lam, Irwin King

机构 * Faculty of Applied Sciences, Macao Polytechnic University（澳门理工学院应用科学学院） ； The Chinese University of Hong Kong（香港中文大学） ； AgentecFusion Limited（AgentecFusion有限公司） ； School of Information and Communications Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） 纠错

AI总结 研究视觉模型在验证物理因果关系时的问题，提出“Scrambled Edges”方法，通过特定控制分离无支撑边缘证据影响，实验表明该方法使预测偏差增大，几何崩溃全局传播，为改进模型物理合理性提供依据。

Comments ICML 2026

Evaluating SageMath-Augmented LLM Agents for Computational and Experimental Mathematics

评估用于计算和实验数学的SageMath增强型大语言模型智能体

Pavel Snopov, German Magai

机构 * The Sage Developers（Sage开发者团队） 纠错

AI总结 研究聚焦AI在数学领域进展，提出结合大语言模型推理与SageMath反馈的智能体设置，改进RealMath基准。实验表明该设置能提升模型性能，缩小模型差距，CAS增强型智能体在计算探索上有潜力，朝自动猜想发现迈进。

Comments 37 pages, 16 figures, accepted to 3rd AI for Math Workshop at ICML 2026

When Agents Go Rogue: Activation-Based Detection of Malicious Behaviors in Multi-Agent Systems

当智能体行为异常时：基于激活的多智能体系统恶意行为检测

Haowen Xu, Xue Tan, Lei Ma, Zhihao Zhang, Chao Wang, Qingze Wang, Ping Chen, Jun Dai, Xiaoyan Sun

AI总结 针对多智能体系统面临的安全挑战，提出基于激活的框架AcMAS，通过分析智能体激活空间中的推理状态检测隐蔽攻击，不依赖交互图，还能恢复受损智能体功能，在检测隐蔽攻击上显著优于基线方法。

Comments Accepted to ICML 2026