期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
测试时自适应可学习性：恢复复杂性视角
机构 * Zhi Zhou（周智） ； Ming Yang（杨明） ； Shi-Yu Tian（田世宇） ； Kun-Yang Yu（于坤阳） ； Lan-Zhe Guo（郭兰哲） ； Yu-Feng Li（李宇峰）
AI总结 本文提出首个理论框架，通过引入(ε,δ)-恢复复杂性和(ε,ρ)-TTA可学习性，研究非平稳流下测试时自适应的可学习性，并揭示自适应-信息权衡。
Comments Accepted by ICML 2026
从体积到价值：面向设备端RAG的偏好对齐记忆构建
机构 * Department of Computer Science and Engineering, Ulsan National Institute of Science and Technology (UNIST), Ulsan, Republic of Korea（计算机科学与工程系，全州国立科学与技术研究所（UNIST），全州，韩国）
AI总结 本文提出EPIC方法，通过将用户偏好作为紧凑且稳定的个人上下文形式，整合到RAG流程中，以在有限内存下提高检索与用户偏好的对齐度，从而减少内存使用并提升准确性。
Comments Accepted to ICML 2026. Code and data are available at https://github.com/UbiquitousAILab/EPIC
关于成本效益的LLM作为评判者的改进技术
AI总结 研究通过集成评分、任务特定标准注入等四种技术提高LLM评判准确性，在RewardBench 2上达到85.8%准确率，成本效益显著。
Comments Accepted at the ICML 2026 workshops "Statistical Frameworks for Uncertainty in Agentic Systems" and "Combining Theory and Benchmarks: Towards a Virtuous Cycle to Understand and Guarantee Foundation Model Performance". 13 pages, 9 figures
你的自回归模型已经揭示了因果图
机构 * Department of Machine Learning \& Computer Vision, University of Augsburg, Augsburg, Germany
AI总结 本文提出TRACE框架，利用预训练自回归模型作为密度估计器进行条件独立性测试，从单序列离散事件中恢复时间因果图，并在大规模非线性SCM和真实车辆诊断日志上取得显著性能提升。
Comments 8 pages
Journal ref Structured Probabilistic Inference & Generative Modeling workshop ICML 2026
层次扩散策略中的在线自训练协同适应
机构 * ISIR, Sorbonne Université, CNRS（ISIR，索邦大学，国家科学研究中心）
AI总结 提出ORCHID自训练框架，通过环境反馈过滤轨迹并蒸馏回规划器和控制器，实现层次扩散策略的在线稳定改进，在CALVIN基准上轻量模型超越纯离线方法。
Comments Accepted at ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation (DEMO)
DSL-Topic：通过从语言模型中蒸馏软标签改进主题建模
机构 * University of Washington（华盛顿大学）
AI总结 提出DSL框架，通过从语言模型蒸馏软标签来增强主题模型训练，利用上下文感知的软标签重构信号，显著提升主题连贯性和分配准确性。
Comments 22 pages, 5 figures. Camera-ready version for ICML 2026
探索预测性医疗中基于概念正交推理的准确且透明的域适应
机构 * Department of Computer Science, Stevens Institute of Technology, Hoboken, NJ, United States（斯蒂文斯理工学院计算机科学系） ； UMass Chan Medical School, University of Massachusetts Amherst, Amherst, MA, United States（马萨诸塞大学阿默斯特分校UMass Chan医学学校）
AI总结 提出ExtraCare模型，通过将患者表示分解为不变和协变分量并强制正交，在保留标签信息的同时暴露域特定变异，实现准确预测并提供基于医疗概念的可解释性。
Comments Accepted by ICML 2026 Main Conference
盲去噪扩散模型与维度的祝福
机构 * Flatiron Institute, Simons Foundation（Flatiron研究院，Simons基金会） ； Foundations of Data Science, Yale University（数据科学基础，耶鲁大学） ； Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Ctr. for Neural Science & Courant Institute, New York University（神经科学中心及Courant学院，纽约大学）
AI总结 提出盲去噪扩散模型（BDDM），通过不向神经网络传递噪声幅度来简化设计，并在数据内在维度低于环境维度的假设下证明其正确性，实验显示自适应方案的优势。
Comments 39 pages, 13 figures; Accepted to ICML 2025 FoGen workshop
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
一步残差移位扩散用于图像超分辨率通过蒸馏
机构 * Kandinsky Lab（坎迪斯基实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Luzin Research Center（卢津研究所） ； Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究 institute） ； Applied AI Institute（应用人工智能研究所）
AI总结 提出RSD蒸馏方法，通过训练学生网络使基于其生成图像的虚拟ResShift模型与教师一致，实现单步超分辨率，在感知指标上超越教师和SinSR，且参数和计算成本更低。
Comments ICML-2026
重新思考基于流的渐进域适应：半对偶最优传输视角
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对渐进域适应中中间域构建问题，提出熵正则化半对偶非平衡最优传输框架，避免似然估计，实现稳定训练并提升性能。
Comments The paper has been accepted for presentation as a regular paper at the 43rd International Conference on Machine Learning (ICML 2026)
当距离干扰：BT损失中表示距离偏差对奖励模型的影响
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 分析BT损失中表示距离导致的梯度偏差，提出NormBT自适应归一化方案，提升奖励模型在细粒度区分上的性能。
Comments ICML 2026
对比谱校正：面向CLIP零样本对抗鲁棒性的测试时防御
机构 * University of Electronic Science and Technology of China（电子科技大学）
AI总结 提出对比谱校正（CSR）方法，利用对抗样本在频率衰减下的特征不一致性，通过谱引导对比目标优化校正扰动，在16个分类基准上平均提升18.1%的强攻击鲁棒性，且推理开销低。
Comments Accepted by ICML 2026
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
如何评估人机交互？软件代理设计案例研究
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出PULSE框架，通过用户反馈和模型预测结合评估人机交互，在15k用户实验中验证其能减少40%置信区间，并揭示基准测试与真实结果的差异。
Comments ICML 2026
TruthRL: 通过强化学习激励诚实的LLM
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出TruthRL框架，使用GRPO和三值奖励直接优化LLM的诚实性，减少幻觉并允许不确定时弃权，在知识密集型基准上显著提升诚实性。
Comments ICML 2026. Code: https://github.com/facebookresearch/TruthRL
立场：机器学习社区必须构建AI增强的同行评审生态系统
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对ML领域稿件激增导致同行评审危机，本文主张将AI辅助评审作为优先研究课题，提出利用大语言模型作为协作工具，增强事实核查、评审指导、作者改进和决策支持，并强调需要更细粒度的评审数据。
Comments 18 pages, 3 figures. Accepted (Oral) at the ICML 2026 Position Paper Track
面向组合优化的潜在引导采样
机构 * Sorbonne Université and Université Paris Cité, CNRS, Laboratoire de Probabilités, Statistique et Modélisation, F-75005 Paris, France（索邦大学和巴黎Cité大学，法国国家科学研究中心，概率、统计与建模实验室，法国巴黎F-75005） ； LOPF, Califrais' Machine Learning Lab, Paris, France（LOPF，Califrais机器学习实验室，法国巴黎）
AI总结 提出LGS-Net潜在空间模型，结合马尔可夫链蒙特卡洛与随机逼近的潜在引导采样方法，在路由任务上达到最先进性能。
Journal ref International Conference on Machine Learning, Jul 2026, Seoul, South Korea
基于大型语言模型的搜索引擎对抗攻击动力学
机构 * Arizona State University（亚利桑那州立大学）
AI总结 本文将排名操纵攻击建模为无限重复囚徒困境，分析合作维持条件，发现降低攻击成功率可能反而激励攻击，防御措施在某些情况下无效。
Comments New Frontiers in Game-Theoretic Learning Workshop, International Conference on Machine Learning (ICML) 2026
LaRI: 用于单视图3D几何推理的分层射线交点
机构 * ETH Zurich（苏黎世联邦理工学院） ； Adobe Research（Adobe研究）
AI总结 提出LaRI方法，通过分层点图预测射线与多个表面的交点，实现单次前馈的完整场景重建，支持物体级和场景级任务。
Comments Project page: https://ruili3.github.io/lari
Journal ref ICML 2026
学习承诺：通过学习异步解码扩展语言模型解码并行性
机构 * DeepMind, London, UK（深度思维公司，伦敦，英国） ； Google Research, New York, NY, USA（谷歌研究院，纽约，纽约州，美国） ； Stanford University, Stanford, CA, USA（斯坦福大学，斯坦福，加利福尼亚州，美国） ； University of Toronto, Toronto, Ontario, Canada（多伦多大学，多伦多，安大略省，加拿大） ； University of Washington, Seattle, WA, USA（华盛顿大学，西雅图，华盛顿州，美国）
AI总结 本文提出PASTA系统，通过学习使语言模型识别语义独立性，提升解码并行性，实验证明在解码速度和响应质量上优于现有方法。
Comments 15 pages
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), PMLR 267:27941-27956, 2025
扩散模型中可重复性与泛化性的出现
机构 * CIFAR-10 dataset（CIFAR-10数据集）
AI总结 研究发现扩散模型在相同初始噪声和确定性采样器下，不同模型输出高度相似，且这种可重复性在记忆和泛化两种训练模式下均存在，对训练效率、模型隐私等有重要启示。
Comments NeurIPS Diffusion Model Workshop 2023 (best paper award), the Forty-first International Conference on Machine Learning (ICML 2024)
DDSupport: 一种展示差异和距离的语言学习支持系统
机构 * The University of Tokyo, Tokyo, Japan（东京大学） ； Sony CSL Kyoto, Kyoto, Japan（索尼CSL京都）
AI总结 本文提出DDSupport系统，通过小规模未标注语音数据计算学习者发音评分和错误识别，以直观方式展示学习者与模型发音的差异和距离，帮助非母语者提升英语口语清晰度。
Journal ref 2022 21st IEEE International Conference on Machine Learning and Applications (ICMLA)
通过动态等距保持持续学习中的可塑性
机构 * University of Amsterdam（阿姆斯特丹大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文通过动态等距机制保持深度神经网络在持续学习中的可塑性，提出等距正则化方法和AdamO优化器，在多个基准上匹配或超越现有方法。
Comments ICML26
Journal ref Forty-Third International Conference on Machine Learning (ICML 2026)
深度研究智能体在过程级反馈下的多轮评估
机构 * Google DeepMind（谷歌DeepMind） ； OpenAI ； Perplexity AI ； LangChain AI
AI总结 针对深度研究智能体（DRA）在单轮输出评估的不足，提出研究缺口推断（RGI）方法提供过程级反馈，发现单轮过程反馈可提升8-15分，但多轮改进因回归问题难以持续。
Comments Published as a workshop paper at SCALE - ICML 2026 (Oral)
通过自监督原则评估扩散模型的表示空间
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 受自监督学习启发，提出基于Fisher信息的度量ICR，分解特征为不变和残差成分，用于联合评估扩散模型的表示与生成能力，发现中间噪声水平下不变性最强且分类性能最佳，ICR可敏感检测训练中的记忆化。
Comments First two authors contributed equally. Accepted at ICML 2026
FuseFSS：基于函数秘密共享的高效安全LLM推理
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出FuseFSS编译器，通过统一编译流水线替代逐算子协议设计，实现安全推理中非线性与辅助操作的高效处理，在BERT和GPT模型上取得1.24-1.50倍加速并减少通信与预处理开销。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
正确看起来更好：成对比较揭示准确性排名
机构 * Max Planck Institute for Intelligent Systems, Tübingen, Germany（马克斯·普朗克智能系统研究所，蒂宾根，德国） ； Tübingen AI Center（蒂宾根人工智能中心）
AI总结 本文通过将基准测试转化为生成式评估，发现成对比较结合Elo方法得到的模型排名与基于真实准确率的排名高度一致（Spearman相关系数>0.9），且风格和裁判偏见影响较小，但答案重复（echo）是裁判偏好的因果驱动因素。
Comments Accepted at ICML'26
时间感知推理优化用于视频时间定位
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出TaRO框架，通过构造性推理探索和时间敏感性奖励，增强多模态大模型在视频时间定位中的时间感知推理能力，实现最先进性能。
Comments Accepted by ICML 2026
从可靠到表达：面向遵循评分标准的安全评判员的课程学习
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种结合动态评分标准和从可靠到表达的课程学习策略，训练安全评判员在多种评分标准下稳定评估，12B模型准确率达94.12-94.88%，跨标准方差仅0.76。
Comments Accepted to ICML 2026 Workshop on AIWILDS
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