期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
Kuramoto振荡相位编码：神经启发同步机制提升学习效率
机构 * Microsoft Research Asia（微软亚洲研究院）
AI总结 提出Kuramoto振荡相位编码（KoPE），为视觉Transformer引入神经启发同步机制，通过增强结构学习提升训练、参数和数据效率，并在语义分割、少样本推理等任务中取得优势。
Comments ICML 2026
SPARC: 分离感知与推理回路以实现VLM的测试时扩展
机构 * ETH Zürich（苏黎世联邦理工学院） ； IBM Research（IBM研究院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
AI总结 提出SPARC框架，通过显式分离视觉感知与推理，实现测试时动态扩展和不对称计算分配，在视觉推理任务中优于基线方法。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
CausalRAG2: 面向RAG的分层因果知识图谱设计
机构 * Department of Computer and Data Sciences, Case Western Reserve University, Cleveland, OH, USA（计算机与数据科学系，凯斯西储大学，克利夫兰，OH，USA） ； Design and Innovation Department, Case Western Reserve University, Cleveland, OH, USA（设计与创新部门，凯斯西储大学，克利夫兰，OH，USA）
AI总结 提出CausalRAG2框架，通过分层模块间的因果门控机制显式建模因果关系，抑制虚假相关，实现大规模知识图谱上的可扩展推理，并引入HolisQA基准，实验表明其优于现有图基RAG方法。
Comments Accepted at ICML 2026
组合熵风险最小化的几何感知高效算法
机构 * Texas A\&M University（德克萨斯A&M大学） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； National Taiwan University（国立台湾大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 针对组合熵风险最小化问题，提出几何感知随机算法SCENT，利用负指数函数诱导的Bregman散度进行随机近端镜像下降，实现凸问题O(1/√T)收敛率，并在极端分类、部分AUC最大化等任务中优于基线。
Comments Accepted to 43rd International Conference on Machine Learning. 39 pages, 7 figures
在线表格MDPs的数据依赖和方差依赖遗憾界
机构 * Department of Mathematical Informatics, The University of Tokyo, Tokyo, Japan（数学信息学系，东京大学，东京，日本）
AI总结 针对已知转移的在线表格马尔可夫决策过程，提出在对抗性环境下实现数据依赖遗憾界、在随机环境下实现方差依赖遗憾界的最优算法，并证明全局优化方法达到近乎最优。
Comments Accepted at ICML 2026. 72 pages, 4 tables
RN-D：用于同策略强化学习的离散化分类演员
机构 * University of California San Diego, La Jolla, USA（加州大学圣地亚哥分校）
AI总结 提出离散化分类演员替代高斯演员，结合正则化网络形成RN-D，在同策略RL中实现连续控制的最优性能。
Comments Accepted by ICML 2026
AMVICC: 一种用于VLM和IGM跨模态故障模式分析的新型基准
机构 * Centennial High School, Frisco, Texas, USA（Centennial High School, Texas, USA） ； Lebanon Trail High School, Frisco, Texas, USA（Lebanon Trail High School, Texas, USA） ； West Windsor-Plainsboro High School, Princeton Junction, New Jersey, USA（West Windsor-Plainsboro High School, New Jersey, USA） ； Algoverse AI Research, Palo Alto, California, USA（Algoververse AI Research, California, USA）
AI总结 提出AMVICC基准，通过图像到文本和文本到图像任务系统比较多模态大模型和图像生成模型的视觉推理失败模式，发现故障模式在模型和模态间共享，但存在特定于模型和模态的失败。
Comments 14 pages, 4 figures, 8 tables. Presented at the 39th Conference on Neural Information Processing Systems Workshop: VLM4RWD. Presented at the 43th International Conference on Machine Learning Workshops: ICML 2026 CTB, ICML 2026 FAGEN, ICML 2026 EMM-QA. Authors Aahana Basappa and Pranay Goel contributed equally. Code: https://github.com/AahanaB24/AMVICC, Data: https://doi.org/10.5281/zenodo.17646068
ScalingAR: 自回归图像生成的置信度缩放
AI总结 提出ScalingAR框架，通过令牌熵作为置信度信号，在轮廓级和策略级进行自适应轨迹剪枝和动态引导调度，无需早期解码或外部奖励，显著提升自回归图像生成性能。
Comments ICML 2026; Code: https://github.com/EnVision-Research/ScalingAR
去除噪声，而非寻找黄金：大规模预训练的质量过滤
机构 * Work done as an intern at Apple（苹果公司实习生） ； University of Oxford（牛津大学） ； Apple（苹果公司）
AI总结 本文深入分析基于分类器的质量过滤（CQF）方法，发现其虽提升下游任务性能，但会隐式过滤高质量数据，且与基于合成数据的模型行为趋势不同，质疑CQF捕捉数据质量的有效性。
Comments 21 pages, 22 figures, 2 tables, accepted at ICML 2026
预训练分布如何塑造上下文学习？一个基本的权衡
AI总结 通过理论框架和实验，揭示预训练分布的统计特性（如重尾行为）在上下文学习中导致任务选择鲁棒性与泛化能力之间的基本权衡。
Comments 57 pages, 15 figures; to be presented at ICML 2026
狐狸进鸡窝：针对强化学习的供应链后门攻击
机构 * School of Computing and Information Systems, University of Melbourne, Parkville, Australia（墨尔本大学计算机与信息系统学院，墨尔本，澳大利亚）
AI总结 提出SCAB攻击，通过污染仅3%的训练经验即可激活超过90%的触发动作，使受害者平均每轮回报降低80%，揭示了强化学习供应链中的后门攻击风险。
Comments Forty-Third International Conference on Machine Learning (ICML2026)
从不确定到安全：扩散模型的安全自适应用于PDE控制
机构 * intern（实习生） ； Westlake University（西湖大学） ； School of Engineering, Westlake University（西湖大学工程学院） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Fudan University（复旦大学） ； Zhongguancun Academy（中关村学院）
AI总结 提出SafeDiffCon方法，通过共形预测估计不确定性分位数，结合后训练和推理阶段调整扩散模型，在满足安全约束下实现最优PDE控制。
Comments ICML 2025. 24 pages, 5 figures
能够避免缺失值的学习预测模型
机构 * Department of Computer Science and Engineering, Chalmers University of Technology and University of Gothenburg（计算机科学与工程系，查尔姆斯理工大学和哥德堡大学） ； Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学）
AI总结 本文提出一种避免缺失值的机器学习框架，通过在决策树、树集成和稀疏线性模型中引入特定分类器的正则化项，减少测试时对缺失值的依赖，同时保持预测性能。
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 234, 2025
RotRNN：利用旋转建模长序列
机构 * UCL AI Centre（UCL人工智能中心） ； UiPath London, UK（UiPath伦敦英国）
AI总结 提出RotRNN线性循环模型，利用旋转矩阵简化初始化与归一化，在长序列基准上达到竞争性能。
Comments Next Generation of Sequence Modeling Architectures Workshop at ICML 2024
分片世界模型：通用智能体的结构化认证
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen, Shenzhen, China（香港中文大学（深圳）数据科学学院）
AI总结 针对通用智能体在大世界场景下无法普遍胜任的问题，提出结构化认证框架，通过深度组合目标过滤特定转移，证明世界模型具有O(1/n)+O(δ)误差界，实现可认证部署。
Comments 30 pages, camera-ready version in ICML 2026
Grad Detect: 基于梯度的 LLM 幻觉检测
机构 * Amazon（亚马逊）
AI总结 提出 Grad Detect，通过单次前向-反向传播中的逐层梯度模式检测 LLM 幻觉，在多项基准上优于置信度与采样基线，并发现最后五层集中了97%以上的判别梯度信号。
Comments Accepted to the 2nd Workshop on Compositional Learning at ICML 2026, Seoul, South Korea. Copyright 2026 by the author(s)
Journal ref 2nd Workshop on Compositional Learning: Safety, Interpretability, and Agents, ICML 2026
LaGO：面向在线强化学习的潜在动作引导
机构 * Siebel School of Computing（计算科学系） ； Data Science, University of Illinois Urbana-Champaign, USA（数据科学，伊利诺伊大学厄巴纳-香槟分校，美国） ； Department of Computer Science, National Yang Ming Chiao Tung University, Taiwan（计算机科学系，National Yang Ming Chiao Tung大学，台湾） ； Institute of Information Science, Academia Sinica, Taiwan（信息科学研究所， Academia Sinica，台湾）
AI总结 提出LaGO框架，利用预训练大语言模型作为潜在动作先验，软引导在线策略优化，在离散和连续控制基准上显著提升奖励与成功率。
Comments 9 pages, 2 figures. Accepted at the ICML 2026 Workshop on Large Language Models for Planning (LM4Plan)
SAFARI: 通过主动调查扩展长时域智能体故障归因
机构 * Department of Engineering Sciences（工程科学系） ； Applied Mathematics, Northwestern University（应用数学，西北大学）
AI总结 提出SAFARI框架，用工具增强的诊断循环替代线性上下文加载，结合短期记忆解耦诊断准确性与上下文限制，在Who&When和TRAIL GAIA数据集上分别提升20%和19%，并在超出上下文窗口5倍时保持0.58精度。
Comments Published at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026
图基础模型在节点属性预测中的公平评估
机构 * HSE University（俄罗斯高等经济学院） ； Yandex Research（Yandex研究院）
AI总结 本文对9种图基础模型进行公平评估，发现仅基于先验数据拟合网络的最新模型在预测性能上优于调优的图神经网络，但推理成本更高。
Comments Accepted at The Workshop on Graph Foundation Models at ICML 2026
ActiveScope: 主动寻求和纠正MLLMs的感知
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； State Key Lab of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院人工智能安全国家重点实验室，计算技术研究所，北京，中国） ； Harbin Institute of Technology (Weihai)（哈尔滨工业大学（威海））
AI总结 提出ActiveScope框架，通过语义锚点定位和干扰抑制细化模块，解决MLLMs在高分辨率图像中的细粒度感知问题，在V* Bench上达到96.34%准确率。
Comments ICML 2026
VeryTrace: 通过可编译形式化与结构化验证验证推理轨迹
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology, USA（佐治亚理工学院电子与计算机工程学院） ； Department of Electrical and Computer Engineering, Bogazici University, Turkey（博亚奇大学电子与计算机工程系）
AI总结 提出VeryTrace框架，将自然语言推理轨迹形式化为可编译的领域特定语言（DSL），结合确定性检查与LLM审计进行混合验证，实现步骤级错误定位与修复，在数学、机器人规划、亲属推理任务上提升准确率。
Comments Accepted at LM4Plan Workshop @ ICML 2026
EMAgnet：大规模博弈中策略梯度自我博弈的参数空间EMA正则化
机构 * Riot Games（拳头游戏） ； University of California, Irvine（加州大学尔湾分校） ； New York University（纽约大学）
AI总结 提出EMAgnet，通过指数移动平均（EMA）对策略参数进行自适应正则化，替代均匀分布正则化，在两人零和博弈中降低可剥削性。
Comments Accepted at NExT-Game 2026: New Frontiers in Game-Theoretic Learning (ICML 2026 Workshop). 13 pages, 2 figures,
离线推理训练的权重空间几何
AI总结 通过余弦相似度、主角度子空间分析等方法，研究六种离线强化学习方法在数学推理任务中的权重更新几何，发现SFT、RFT、RIFT几乎共线，DFT方向偏离，Offline GRPO添加正交分量，DPO位于近正交子空间且准确率最高。
Comments accepted for ICML 2026 workshop
法律推理不是律师工作：重新思考面向自助诉讼的司法基准
机构 * Yale Law School, USA（耶鲁法学院，美国）
AI总结 本文指出当前法律AI基准仅评估专家预处理后的输入，忽略了自助诉讼者提供的杂乱、有误的提示，导致模型性能高估；通过实验展示上下界差距，呼吁建立直接衡量鲁棒性的基准。
Comments Both authors contributed equally. Accepted to the AI4Law Workshop at ICML 2026
Self-CriTeach: LLM 自我教学与自我批评用于通过自动领域生成提升机器人规划
机构 * Huawei Noah's Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McGill University（麦吉尔大学）
AI总结 本文提出Self-CriTeach框架，通过LLM自动生成符号规划领域，用于自我教学生成规划问题-计划对及自我批评生成结构化奖励信号，提升机器人规划性能与泛化能力。
Comments International Conference on Machine Learning (ICML) 2026
分块码字嵌入用于可靠的多比特文本水印
机构 * Department of AI, DGIST, Daegu, Republic of Korea（韩国大邱科学技术院人工智能系） ； Department of EECS, DGIST, Daegu, Republic of Korea（韩国大邱科学技术院电子工程与计算机科学系） ； ICT convergence, University of Ulsan, Ulsan, Republic of Korea（韩国釜山大学信息通信融合学院）
AI总结 本文提出BREW框架，通过分块盲消息估计和窗口位移验证，解决多比特水印中高误报率问题，实现高真阳性率和低误报率。
Comments Accepted at ICML 2026
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
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