期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
ECA：面向开放图像到文本生成的高效持续对齐
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出ECA方法，通过混合查询模块、Fisher动态扩展和字典重放，实现无需旧数据的持续对齐，缓解灾难性遗忘，提升开放图像到文本生成的增量学习性能。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
病毒蛋白质揭示蛋白质语言模型的几何结构
机构 * University of Washington（华盛顿大学） ； DeepMind（深度思维）
AI总结 研究蛋白质语言模型在不平衡数据下对病毒蛋白的表示，发现嵌入空间中存在主导的“天然性”轴，该轴按模型困惑度排序序列，且缩放效果因病毒家族而异，但嵌入仍保留病毒特异性信号。
Comments Accepted at ICML 2026 GenBio Workshop and FM4LS Workshop. Code available at https://github.com/MisteFr/viral-proteins-plms
通过惩罚增强直接偏好优化
机构 * Pengwei Sun（Sun Pengwei）
AI总结 提出DPOP，在DPO损失上增加对参考模型贪婪响应的门控惩罚，仅当当前策略对偏好响应概率低于拒绝响应时激活，在AlpacaEval 2.0上显著提升胜率。
Comments Accepted at ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation: Black-Box Optimization to Reinforcement Learning
立场：生成式引擎优化带来未被充分研究的风险，治理必须聚焦于集中化、披露和学术盲点
AI总结 本文分析从搜索引擎优化到生成式引擎优化的转变，识别出集中化影响、未披露的商业影响和学术-工业盲点三大风险，主张答案级别的治理与测量。
Comments This paper is accepted by the ICML 2026 Position Track
Journal ref https://icml.cc/virtual/2026/poster/67185
深度学习的可能性预测不确定性
机构 * University of Cambridge（剑桥大学） ； National University of Singapore（新加坡国立大学） ； University of Warsaw（华沙大学）
AI总结 提出基于可能性理论的Dirichlet近似可能性后验预测（DAPPr）框架，通过投影-近似策略实现高效且原则性的认知不确定性量化，在多个基准上达到竞争性能。
Comments Accepted by ICML 2026, 20 pages
Select to Think: 利用局部充分性解锁小语言模型潜力
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出Select to Think (S2T)方法，通过将大语言模型角色从生成转为选择，并蒸馏选择逻辑到小语言模型，使其在推理时无需依赖大模型，显著提升性能。
Comments Accepted to ICML 2026. Code is available at https://github.com/YeRona/Select-to-Think
面向表格数据的通用异常检测
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出OFA-TAD框架，通过多视图邻居距离表示和混合专家评分网络，实现跨领域表格异常检测的通用化，一次训练即可泛化到未见数据集。
Comments Accepted by ICML 2026
CMI-RewardBench: 基于组合多模态指令评估音乐奖励模型
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 针对音乐生成模型缺乏有效评估机制的问题，提出CMI-RewardBench基准，包含大规模偏好数据集和参数高效奖励模型，实现多模态指令下的音乐质量评估。
Comments Accepted by ICML 2026
解析句法：语言建模与语法的子结构
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究语言模型在上下文无关语法子结构上的学习行为，证明损失函数在顶层子语法上线性递归，并发现参数化模型并行学习子语法，子语法预训练能提升小模型性能并改善内部表征。
Comments Equal contribution by LYS and DM. Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
InnoEval：将研究思路评估视为基于知识的多视角推理问题
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出InnoEval框架，通过异构深度知识检索和多视角评审委员会，实现基于知识的多维度解耦评估，在点对点、成对和分组评估任务中优于基线方法。
Comments ICML 2026
SCALE: 基于自不确定性条件自适应观察与执行的视觉-语言-动作模型
机构 * Seoul National University（首尔国立大学）
AI总结 提出SCALE推理策略，利用自不确定性联合调节视觉感知和动作，无需额外训练或验证器，仅单次前向传播，提升VLA模型在模拟和真实环境中的鲁棒性。
Comments ICML 2026 Spotlight. Project page: https://dcahn12.github.io/projects/scale/
对比几何学习实现统一的结构与配体药物设计
机构 * DeepMind Ltd（DeepMind有限公司）
AI总结 提出对比几何模型ConGLUDe，统一结构与配体训练，实现虚拟筛选、靶标钓鱼和配体条件口袋预测，在多项基准测试中表现优异。
Comments Forty-Third International Conference on Machine Learning
测量塑性：面向视觉-语言模型的传感器级自适应
机构 * University of Seoul（首尔大学）
AI总结 提出多视角物理提示（MVP）用于测试时自适应，通过将相机曝光三角（ISO、快门速度、光圈）作为物理提示，在传感器层面进行自适应，无需梯度或模型修改，在ImageNet-ES上优于数字方法。
Comments Accepted to the ICML 2026 Workshop on Continual Adaptation at Scale
语言模型电路在神经元基上是稀疏的
机构 * Stanford University（斯坦福大学）
AI总结 本文实证发现MLP神经元与稀疏自编码器一样是稀疏特征基，并基于此开发了端到端梯度归因流水线，在多项任务中揭示了因果有效的神经元电路。
Comments ICML Spotlight, camera-ready
通过序贯蒙特卡洛实现高效随机优化
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 针对梯度难以计算的优化问题，提出用序贯蒙特卡洛（SMC）采样器替代昂贵的内采样循环，实现高效随机优化，并在能量模型奖励调优中验证有效性。
Comments Accepted to ICML 2026
批量校准的置信模糊集：样本外污染下的快速、可处理决策
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。
Comments Accepted for publication (spotlight) at ICML 2026
构建未来：通过校准草稿图实现扩散LLM推测解码
机构 * University of Waterloo（多伦多大学）
AI总结 提出Spiffy算法，利用校准的草稿图结构实现扩散LLM的推测解码，在保持输出分布的同时加速推理，最高减少8.6倍模型推理次数并加速6.3倍令牌生成速率。
Comments Original version uploaded on Sep 22, 2025. (v2): Extended Table 2 with additional analysis and referenced it in Sec 5.2. (v3): Added note to Sec 4.2 and Appendix A.2 specifying conditions for losslessness. (v4): Updated with the version accepted to ICML 2026 workshops
论 $\textit{RemOve-And-Retrain}$ 的陷阱：数据处理不等式视角
机构 * KAIST（韩国科学技术院）
AI总结 从信息论角度揭示ROAR基准的缺陷：数据无关的后处理可提升ROAR分数，导致对归因图信息量的误判，并发现模糊性偏差。
Comments Accepted at the 2026 ICML Workshop on Mechanistic Interpretability
从几何到动力学：基于几何约束从稀疏观测学习过阻尼朗之万动力学
机构 * Dimitra Maoutsa（迪米特拉·马乌茨）
AI总结 提出一种随机控制框架，利用系统不变密度的几何结构进行路径增强，从稀疏时间采样数据中恢复过阻尼朗之万动力学，无需参数模型假设。
Comments 10+54 pages, 14 figures; accepted at ICML 2026 An earlier account of this work has previously appeared in arXiv:2301.08102 and arXiv:2304.00423 ; main methodology remains the same, this version includes additional numerical experiments and theory
ExPLAIND：统一模型、数据和训练归因以研究模型行为
机构 * University of Michigan（密歇根大学）
AI总结 提出ExPLAIND框架，统一归因于模型组件、数据和训练轨迹，支持跨粒度解释，通过梯度路径核和AdamW核机器推导参数级和步骤级影响分数，验证了Transformer的Grokking和EuroLLM预训练中的两阶段动态。
Comments published at ICML 2026, code at https://github.com/mainlp/explaind
上下文驱动的增量压缩用于多轮对话生成
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； NVIDIA AI Technology Center（NVIDIA AI技术中心） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 提出上下文驱动的增量压缩（C-DIC），通过可修订的线程压缩状态和轻量级检索-修订-写回循环，实现跨轮信息共享，稳定长对话性能。
Comments Accepted at ICML 2026
傅里叶特征让智能体通过模仿学习学习高精度策略
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心）
AI总结 提出在点云编码器中使用傅里叶特征映射，解决神经网络低频偏好导致的高精度操作问题，在多个基准和真实机器人上显著提升性能。
Comments Published as a conference paper at ICML 2026
从二维网格到一维标记：重塑多模态图像融合的共享表示
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出基于冻结预训练图像标记器的紧凑一维标记接口，通过选择性标记编辑（STE）稀疏更新关键标记，在保持融合骨干网络不变的同时引导全局外观一致性，实现全局连贯与局部保真的最佳平衡。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
PianoKontext: 从平淡语境中生成富有表现力的演奏
机构 * Dmitrii Gavrilev
AI总结 提出PianoKontext，一种基于流匹配的钢琴演奏渲染模型，通过动态时间规整对齐乐谱与演奏的潜在表示，生成可变长度的表现力演奏。
Comments ICML 2026 Workshop on Machine Learning for Audio (Oral)
VIA-SD：通过模型内路由进行推测解码的验证
机构 * ReLER, The State Key Lab of Brain Machine Intelligence, Zhejiang University（脑机智能国家重点实验室，浙江大学） ； College of Artificial Intelligence, Zhejiang University（人工智能学院，浙江大学） ； CFAR, Agency for Science, Technology and Research, Singapore（科学与技术研究局，新加坡） ； National University of Singapore（新加坡国立大学）
AI总结 提出VIA-SD多级验证框架，利用从完整验证器派生的精简验证器处理中等置信度令牌，减少大模型调用，在多个任务上实现10-20%加速。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
个体行为的隐式神经表示
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Behavioral INR模型，用隐式神经表示从无标签多策略行为数据中学习策略表示，通过FiLM层调节策略函数，实现无监督策略识别，在连续状态-动作空间中提升策略可识别性。
Comments ICML 2026, Structured Probabilistic Inference & Generative Modeling Workshop
DynaTok: 基于Token的部分点云4D重建
机构 * Technical University of Munich（慕尼黑工业大学） ； Google（谷歌） ； Imperial College London（伦敦帝国理工学院） ； University of Bonn（波恩大学）
AI总结 提出DynaTok框架，通过Transformer时空编码器和流匹配解码器，从部分点云序列中无对应地重建完整且时间一致的4D点云，无需图像。
Comments ICML 2026. Project page: https://wrchen530.github.io/dynatok/
nD-RoPE：一种用于n维位置嵌入的广义RoPE
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出nD-RoPE，将旋转位置嵌入推广到任意维度，通过多尺度正则单纯形波矢设计实现各向同性，在图像、视频和点云任务中提升性能。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
动力系统需要哪些不确定性？
机构 * Institute of Computer Science, LMU Munich（慕尼黑大学计算机科学研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Mathematics, LMU Munich（慕尼黑大学数学系） ； German Research Center for Artificial Intelligence (DFKI, DSA)（德国人工智能研究中心（DFKI, DSA））
AI总结 本文从机器学习视角探讨动力系统中的不确定性，区分偶然与认知不确定性，并讨论不同任务中表示和量化不确定性的目标。
Comments EIML@ICML
PAWS: 基于优势加权片段的首选学习
机构 * University of Freiburg（弗莱堡大学）
AI总结 针对偏好强化学习中训练与推理分布不匹配导致时间信用分配退化的问题，提出PAWS方法，利用片段级优势函数直接进行策略更新，在机器人操作和运动任务上优于现有方法。
Comments Published as a conference paper at ICML 2026
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