期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
THEIA：在纯神经模块架构中学习完整的克里尔三值逻辑
机构 * Irvine Valley College（伊文斯谷学院）
AI总结 THEIA通过纯神经模块架构学习完整的克里尔三值逻辑，展示了其在任务数据中无需外部符号推理或手编码K3门原语的能力，同时揭示了学习系统中的不确定性传播和可靠性光谱特性。
Comments 41 pages, 3 figures, 15 tables, 8 appendices (A-H). Accepted to the 2nd Workshop on Compositional Learning at ICML 2026 (non-archival)
预测变分推断：学习预测最优的后验分布
机构 * College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院） ； Department of Statistics and Data Sciences, University of Texas, Austin（德克萨斯大学奥斯汀分校统计与数据科学系）
AI总结 提出预测变分推断（PVI）框架，通过优化后验分布使预测分布逼近真实数据生成过程，解决模型误设问题，并实现自动模型诊断。
Comments ICML 2026
允许使用LLM润色同行评审的政策目前无法执行
机构 * Indian Institute of Science（印度科学研究院） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究通过模拟多级人机协作的同行评审数据集，评估五种AI文本检测器，发现它们无法可靠区分LLM润色后的评审与纯人工评审，导致误判风险，表明当前政策不可执行。
Comments ICML 2026
并非所有不变式都同等重要：利用SLM通过精选训练数据加速程序验证
机构 * Hebrew University of Jerusalem, Israel（特拉维夫大学） ； Amherst College, USA（阿默斯特学院） ； VMware Research by Broadcom, USA（Broadcom VMware 研究）
AI总结 提出Wonda数据筛选流水线，通过AST归一化和LLM语义重写从原始验证器输出中提取高质量训练不变式，微调小语言模型（SLM）后，在多个模型上使不变式正确性和加速率翻倍甚至三倍，小模型性能媲美大模型。
Comments A preprint of the ICML 2026 paper with the same title
LLM评估者真的是自恋者吗？对自我偏好评估的健全性检查
机构 * Department of Machine Learning, Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学机器学习系） ； Department of Computer Science and Engineering, University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Computer Science, University of Virginia, Charlottesville, VA, USA（弗吉尼亚大学计算机科学系） ； Martian Research, San Francisco, California, USA（火星研究公司） ； Apart Research, San Francisco, California, USA（Apart研究公司）
AI总结 通过比较评估者自我评价与评价其他模型时的投票分布，发现仅51%的先前结果具有统计显著性，表明自我偏好主要由评估者质量而非自恋驱动。
Comments ICML 2026 Main
最接近给定测度的混合：一种半定规划方法
机构 * College of Computing and Data Science, NTU, Singapore（新加坡国立大学计算与数据科学学院） ； LAAS-CNRS, Toulouse, France（法国图卢兹CNRS-Laas研究所） ； Toulouse School of Economics（图卢兹经济学院）
AI总结 针对仅知有限矩的目标测度，提出半定规划松弛层次法，用参数族混合逼近并最小化2-Wasserstein或全变差距离，渐近收敛且满足秩条件时有限收敛，可应用于聚类。
Comments 23 pages, 2 algorithms, 1 table, 4 figures
Journal ref ICML 2026 (oral)
图对齐：用于基准测试图神经网络和学习位置编码
机构 * INRIA, École Normale Supérieure - PSL, Paris, France（INRIA，法国国家信息与自动化研究所，巴黎高等师范学院-巴黎理工学院，巴黎，法国）
AI总结 提出基于图对齐问题的GNN基准测试方法，通过自监督学习生成难度递增的数据集，发现各向异性模型表现更优，且预训练嵌入可作为位置编码用于图回归或高精度结构重建。
Comments International Conference on Machine Learning, Seoul, 2026
面向一对多时间定位
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对一对多时间定位（OMTG）任务，提出包含基准、数据集和奖励函数的系统解决方案，显著提升多段视频定位性能。
Comments Accepted to ICML'26
通过策略拍卖扩展小型智能体
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Imperial College London（帝国理工学院伦敦分校） ； University of Cambridge（剑桥大学）
AI总结 针对小型语言模型在复杂任务中性能不足的问题，提出受自由职业市场启发的SALE框架，通过策略拍卖实现任务分配与测试时自我改进，在降低对大型模型依赖和成本的同时提升性能。
Comments ICML 2026
反对单一无线世界模型：为什么NextG需要可组合和代理智能
AI总结 本文指出无线领域缺乏等同于LLM的数据基础，主张采用可组合和代理智能架构以实现可部署的AI原生网络。
Journal ref ICML 2026 Workshop on AI and ML for NextG
Q-Flow: 基于流的稳定且表达力强的强化学习
机构 * KAIST AI（韩国科学技术院人工智能实验室）
AI总结 Q-Flow通过利用流动力学的确定性，将终端轨迹价值显式传播到中间潜在状态，实现稳定策略优化，同时在OGBench数据集上表现优于现有方法。
Comments ICML 2026
在产品空间上进行决策树学习
机构 * Department of Computer Science, University of Maryland, College Park, USA（大学计算机科学系，马里兰大学，College Park，美国）
AI总结 本文研究了在任意产品分布下决策树贪心启发法的理论分析，证明了贪心算法能构造出近似决策树，并提出了一种无需参数的算法。
Comments ICML 2026
基于广义吉辛森-香农散度的LLM生成文本黑盒检测
机构 * Department of Electrical and Computer Engineering, University of Toronto, Toronto, Canada（电子与计算机工程系，多伦多大学，多伦多，加拿大）
AI总结 本文提出SurpMark检测器，通过文本token意外性动态总结，利用广义吉辛森-香农散度衡量测试文本与人类和机器生成文本的差异，验证了其在不同领域和生成器上的鲁棒性。
Comments ICML 2026
局部Hessian谱过滤用于鲁棒内在维度估计
机构 * LY Corporation（LY公司）
AI总结 本文提出局部Hessian谱维度(LHSD)方法，通过谱过滤处理对数密度Hessian，有效抑制高维空间中噪声方向的影响，提升内在维度估计的鲁棒性，并在大规模扩散模型中检测记忆现象。
Comments Accepted at ICML 2026
非对抗模仿学习无复合误差的理论保证：价值流机制
机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家实验室） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Research Institute of Big Data（深圳大数据研究院）
AI总结 本文证明IQ-Learn等价于行为克隆，存在复合误差，并提出基于Bellman约束的Dual Q-DM方法，通过价值流传播实现非对抗模仿学习，理论上消除复合误差。
Comments Paper accepted by ICML 2026
ERM-MinMaxGAP：多语言多模态语音-LLM情感识别中的性别偏见基准测试与缓解
机构 * Kyoto University, Japan（京都大学，日本） ； Agency for Science, Technology, and Research (A*STAR), Singapore（科技研究局（A*STAR），新加坡）
AI总结 针对多语言语音大模型在情感识别中的性别偏见问题，提出基于MELD-ST的多语言多模态基准，并设计ERM-MinMaxGAP训练目标，通过自适应公平权重和MinMaxGAP正则化器，在英日德三种语言上提升性能并缩小性别差距。
Comments This paper has been accepted for presentation at INTERSPEECH 2026 and as non-archival paper at ICML 2026 Workshop on Machine Learning for Audio
通过先验映射协同进化训练扩散策略
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； CFAR Agency for Science Technology and Research（科技研究局（CFAR）） ； IHPC Agency for Science Technology and Research（科技研究局（IHPC））
AI总结 提出GoRL框架，通过将策略优化限制在易处理的潜空间，同时用条件生成解码器合成动作，解耦优化与生成，实现稳定优化与表达力提升，在连续控制任务上显著超越基线。
Comments Ver 3 (Accepted as a conference paper by ICML 2026)
SPEAR: 一种用于学习语音和音频表示的统一自监督学习框架
AI总结 提出SPEAR框架，通过多码本向量量化从语音和音频教师模型中蒸馏互补知识，并采用非对称预训练损失和令牌混合机制，在SUPERB和HEAR基准上取得领先性能。
Comments Proc. ICML 2026
超越尖峰恒等模型的组合稀疏PCA
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； UW Madison（威斯康星大学麦迪逊分校）
AI总结 针对稀疏PCA问题，提出首个在一般协方差矩阵下可证明成功的组合方法，基于截断幂方法的变体，使用s^2·polylog(d)样本和d^2·poly(s,log(d))时间，并推广到稀疏主导特征空间恢复。
Comments 36 pages, 6 figures; accepted to ICML 2026
LemmaBench: 一个用于评估LLM在数学领域能力的实时研究级基准
机构 * Korean Institute for Advanced Study（韩国高级研究院）
AI总结 提出一个自动从arXiv提取引理并重写为自包含陈述的基准，直接评估LLM在最新数学研究上的表现，当前模型定理证明准确率仅10-15%。
Comments Accepted at the 3rd AI for Math Workshop (AI4Math) at ICML 2026 (poster). Non-archival workshop. 15 pages, 3 figures, 5 Tables
EPSVec: 通过数据集向量实现高效且私密的合成数据生成
机构 * Capital One
AI总结 提出EPSVec，一种轻量级差分隐私方法，通过提取并净化数据集向量来引导LLM生成合成文本，在低数据场景下实现高保真度，且计算开销低。
Comments Accepted at ICML 2026. Camera-ready version
这是什么语言？问你的分词器
机构 * EPFL（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出基于UnigramLM分词算法的UniLID方法，通过比较字符串在各语言单字分布下的似然进行语言识别，在低资源和细粒度方言场景下显著提升样本效率。
Comments In Proceedings of ICML 2026
时序图模式机器
机构 * University of Notre Dame（诺克斯维尔大学）
AI总结 提出TGPM框架，通过时间偏置随机游走构建交互块，利用Transformer学习全局时序规律，结合自监督预训练任务，在时序链接预测和节点分类任务上表现优异且具有跨域迁移能力。
Comments GFM @ ICML Workshop (Oral) 2026
MAVRL: 通过摊销变分推断从多种反馈类型中学习奖励函数
机构 * ETH AI Center, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院人工智能中心） ； Department of Computer Science, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； Department of Informatics, University of Zurich, Zurich, Switzerland（苏黎世大学信息学系）
AI总结 提出一种基于贝叶斯推断的框架，从异构反馈类型（如演示、比较、评分和停止）中联合学习共享潜在奖励函数，采用摊销变分推断方法，无需手动损失平衡，实验表明联合推断的奖励后验优于单类型基线，并提高了策略对环境扰动的鲁棒性。
Comments Accepted at ICML 2026
VDW-GNNs：面向几何图神经网络的向量扩散小波
机构 * Program in Computing, Boise State University, Boise, Idaho, USA（博伊西州立大学计算项目） ； Department of Mathematics, UCLA, Los Angeles, CA, USA（洛杉矶大学数学系） ； Department of Computer Science, Yale University, New Haven, CT, USA（耶鲁大学计算机科学系） ； Department of Genetics, Yale University, New Haven, CT, USA（耶鲁大学遗传学系） ； Department of Mathematics, Boise State University, Boise, Idaho, USA（博伊西州立大学数学系）
AI总结 提出向量扩散小波（VDW），受向量扩散映射算法启发，可有效融入几何图神经网络（VDW-GNNs），在合成点云和真实风场、神经活动数据上表现良好，并证明其具有框架理论和旋转平移对称性。
Comments Presented at ICML 2026. A previous, shorter version of this work was presented in the "New Perspectives in Advancing Graph Machine Learning" workshop at NeurIPS 2025
AIR：通过事件响应提升智能体安全性
机构 * Tianjin University（天津大学） ； Singapore Management University（新加坡国立管理学院）
AI总结 提出首个面向LLM智能体系统的事件响应框架AIR，通过语义检测、自动遏制恢复和规则合成，在三个典型智能体上实现超90%的检测、修复和根除成功率。
Comments Accepted at ICML 2026
公平公交站点布局：聚类视角及其超越
机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； University of Shanghai for Science and Technology（上海科学技术大学） ； Northwestern University（西北大学）
AI总结 研究一般度量空间中公交站点布局问题的公平性，通过正当代表性和核心概念揭示与公平聚类的结构对应，提出参数化算法实现可调权衡。
Comments To appear in ICML 2026
利用分位数梯度提升CVaR策略优化
机构 * GERAD \& Department of Decision Sciences, HEC Montreal, Canada ； Mila - Quebec AI Institute, Canada
AI总结 针对CVaR策略优化样本效率低的问题，引入期望分位数项，利用动态规划充分利用所有采样数据，在马尔可夫策略类中显著提升性能。
Comments ICML 2026
通过图展开的梯度流：学习机制与显式解
机构 * Applied AI Institute（应用人工智能研究所） ； Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院斯捷克洛夫数学研究所）
AI总结 提出一种数学框架，通过费曼图展开分析大规模学习问题中梯度流的缩放机制，揭示不同学习阶段并得到非线性梯度流的显式解，应用于高阶张量的CP分解。
Comments 51 pages, ICML'2026 spotlight
神经概念验证器：通过概念编码扩展证明者-验证者博弈
机构 * Zuse Institute Berlin, Germany ； AI \& ML Lab, Computer Science Department, TU Darmstadt ； Hessian Center for AI (hessian.AI) ； Lab1141 ； German Research Center for AI (DFKI) ； Institute of Mathematics, Technische Universit\"at Berlin, Germany ； Max Planck Institute for Informatics, SIC
AI总结 提出神经概念验证器（NCV）框架，结合概念编码与证明者-验证者博弈，实现高维输入的可验证分类，优于传统方法并缓解捷径行为。
Comments 28 pages, 5 figures, 12 tables, revised references. An earlier version of this work was presented at the ICML 2025 Workshop on Actionable Interpretability
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