ICML

Learning Functions in Large Networks requires Modularity and produces Multi-Agent Dynamics

在大规模网络中学习函数需要模块化并产生多智能体动态

C. H. Huck Yang, Rise Ooi, Tom Hiscock, Victor Eguiluz, Jesper Tegnér

AI总结 本文研究了生物网络中是否存在更大的动态网络模组，并通过梯度下降机器学习和遗传算法来学习这些模组，发现学习能力受限于稳定性约束，从而强调了模块化在网络系统中的重要性。

Comments Accepted at the Joint ICML and IJCAI Workshop on Computational Biology (ICML-IJCAI WCB) to be held in Stockholm SWEDEN, 2018. Referring to accepted-papers?authuser=0" target="_blank" rel="noopener">https://sites.google.com/view/wcb2018/accepted-papers?authuser=0 update the team-learning figure

A Broader View on Bias in Automated Decision-Making: Reflecting on Epistemology and Dynamics

对自动化决策中偏见的更广泛视角：反思认识论与动态性

Roel Dobbe, Sarah Dean, Thomas Gilbert, Nitin Kohli

机构 * Department of Electrical Engineering and Computer Sciences, University of California Berkeley, USA（加州大学伯克利分校电气工程与计算机科学系） ； Department of Rhetoric, University of California Berkeley, USA（加州大学伯克利分校修辞学系） ； School of Information, University of California Berkeley, USA（加州大学伯克利分校信息学院） 纠错

AI总结 本文探讨自动化决策中偏见的根源，将技术偏见视为认识论问题，新兴偏见视为动态反馈现象，强调需反思认识论并采用价值敏感设计方法改进决策系统。

Comments Presented at the 2018 Workshop on Fairness, Accountability and Transparency in Machine Learning during ICML 2018, Stockholm, Sweden

Sketched Ridge Regression: Optimization Perspective, Statistical Perspective, and Model Averaging

草图岭回归：优化视角、统计视角和模型平均

Shusen Wang, Alex Gittens, Michael W. Mahoney

机构 * International Computer Science Institute and Department of Statistics University of California at Berkeley（国际计算机科学研究所和统计学系加州大学伯克利分校） ； Computer Science Department Rensselaer Polytechnic Institute（计算机科学系拉特格斯理工学院） 纠错

AI总结 本文从优化和统计角度研究了草图和Hessian草图在矩阵岭回归中的影响，发现经典草图能近似最优解，而Hessian草图则不同。通过理论和实验表明，模型平均可显著降低真实与草图解间的风险差距。

Comments To appear in Journal of Machine Learning Research, 2018. A short version has appeared in International Conference on Machine Learning (ICML), 2017

Journal ref Journal of Machine Learning Research, 19, pp1-50, 2018

Variational Policy for Guiding Point Processes

变分策略用于引导点过程

Yichen Wang, Grady Williams, Evangelos Theodorou, Le Song

AI总结 本文提出基于最优测度和变分推断的凸优化框架，用于设计点过程的最优控制策略，以更高效准确地引导系统状态。

Comments ICML 2017

Breaking Locality Accelerates Block Gauss-Seidel

打破局部性加速块高斯-塞德尔

Stephen Tu, Shivaram Venkataraman, Ashia C. Wilson, Alex Gittens, Michael I. Jordan, Benjamin Recht

AI总结 本文研究了在随机坐标采样下块高斯-塞德尔算法的加速效果，发现非加速的高斯-塞德尔在随机坐标采样下表现优于固定分块的加速版本，提出了新的数据依赖参数并验证了其在大规模机器学习中的有效性。

Comments Presented at the 34th International Conference on Machine Learning (ICML 2017)

An Efficient, Sparsity-Preserving, Online Algorithm for Low-Rank Approximation

一种高效、保持稀疏性的在线低秩近似算法

David G. Anderson, Ming Gu

AI总结 本文提出了一种高效的SRLU因子分解算法，用于低秩矩阵近似，通过理论分析和实验验证，展示了其在计算效率和近似质量上的竞争力。

Journal ref Proceedings of the 34th International Conference on Machine Learning, 70: 156-165 (2017)

On the Sampling Problem for Kernel Quadrature

关于核二次求积的采样问题

Francois-Xavier Briol, Chris J. Oates, Jon Cockayne, Wilson Ye Chen, Mark Girolami

机构 * University of Warwick, Department of Statistics（沃里克大学统计系） ； Imperial College London, Department of Mathematics（伦敦帝国理工学院数学系） ； Newcastle University, School of Mathematics（新castle大学数学系） ； University of Technology Sydney, School of Mathematical（悉尼技术大学数学与物理科学学院） ； The Alan Turing Institute for Data Science（数据科学阿尔图里研究所） 纠错

AI总结 本文探讨了核二次求积中采样分布对收敛速率的影响，提出基于自适应温度调节和序列蒙特卡罗的自动方法，显著降低积分误差。

Comments To appear at Thirty-fourth International Conference on Machine Learning (ICML 2017)

Journal ref Proceedings of the 34th International Conference on Machine Learning, PMLR 70:586-595, 2017

Adaptive Consensus ADMM for Distributed Optimization

自适应共识ADMM用于分布式优化

Zheng Xu, Gavin Taylor, Hao Li, Mario Figueiredo, Xiaoming Yuan, Tom Goldstein

机构 * University of Maryland, College Park（马里兰大学 College Park分校） ； United States Naval Academy, Annapolis（美国海军学院 安纳波利斯分校） ； Hong Kong Baptist University, Hong Kong（香港 Baptist大学） 纠错

AI总结 本文提出自适应共识ADMM方法，通过为每个节点定制参数提升分布式优化性能，并证明其O(1/k)收敛速率。

Comments ICML 2017

Provable Alternating Gradient Descent for Non-negative Matrix Factorization with Strong Correlations

可证明的非负矩阵分解交替梯度下降法用于强相关性情况

Yuanzhi Li, Yingyu Liang

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出了一种简单的交替梯度下降算法，证明在强相关性下能有效恢复真实特征矩阵，并展示了其在噪声下的鲁棒性。

Comments Accepted to the International Conference on Machine Learning (ICML), 2017

Stochastic Variance Reduction Methods for Policy Evaluation

基于随机方差缩减的方法用于策略评估

Simon S. Du, Jianshu Chen, Lihong Li, Lin Xiao, Dengyong Zhou

AI总结 本文提出基于线性函数逼近的策略评估方法，通过将经验策略评估问题转化为二次凸-凹鞍点问题，并设计了双变量批量梯度方法及两种随机方差缩减算法，实现线性缩放和线性收敛。

Comments Accepted by ICML 2017

Faster Eigenvector Computation via Shift-and-Invert Preconditioning

通过移位和倒置预条件化加速特征向量计算

Dan Garber, Elad Hazan, Chi Jin, Sham M. Kakade, Cameron Musco, Praneeth Netrapalli, Aaron Sidford

AI总结 本文提出更快的算法和改进的样本复杂度，用于估计矩阵Σ的顶部特征向量，通过分离gap依赖性和非零元素数量，改进了经典幂方法和Lanczos方法，并在在线估计中利用方差降低样本复杂度。

Comments Appearing in ICML 2016. Combination of work in arXiv:1509.05647 and arXiv:1510.08896

Low-rank tensor completion: a Riemannian manifold preconditioning approach

低秩张量补全：黎曼流形预条件方法

Hiroyuki Kasai, Bamdev Mishra

AI总结 本文提出了一种基于黎曼流形预条件的方法用于具有秩约束的张量补全问题，通过引入新的黎曼度量利用最小二乘结构和Tucker分解的对称性，开发出预条件非线性共轭梯度和随机梯度下降算法，实验表明其在不同数据集上优于现有方法。

Comments The 33rd International Conference on Machine Learning (ICML 2016). arXiv admin note: substantial text overlap with arXiv:1506.02159

Doubly Robust Off-policy Value Evaluation for Reinforcement Learning

强化学习中的双重鲁棒离策略价值评估

Nan Jiang, Lihong Li

AI总结 本文提出一种双重鲁棒估计器，用于离策略价值评估，兼顾无偏性和低方差性，并在基准问题中验证其有效性。

Comments 14 pages; 4 figures; ICML 2016

Quasi-Monte Carlo Feature Maps for Shift-Invariant Kernels

准蒙特卡洛特征映射用于移不变核

Haim Avron, Vikas Sindhwani, Jiyan Yang, Michael Mahoney

AI总结 本文提出用准蒙特卡洛方法改进随机傅里叶特征映射，以加速大规模数据集上核方法的训练和测试速度，通过低差异序列减少积分误差。

Comments A short version of this paper has been presented in ICML 2014

A General Analysis of the Convergence of ADMM

ADMM收敛性的通用分析

Robert Nishihara, Laurent Lessard, Benjamin Recht, Andrew Packard, Michael I. Jordan

AI总结 本文基于Lessard等人(2014)提出的框架，证明了当目标函数中一项强凸时ADMM的线性收敛性，并给出了参数选择的实用方法及收敛率的上下界。

Comments 10 pages, 6 figures

Journal ref International Conference on Machine Learning 32, 2015

Margins, Kernels and Non-linear Smoothed Perceptrons

边距、核与非线性平滑感知机

Aaditya Ramdas, Javier Peña

AI总结 本文研究了在RKHS中寻找非线性分类函数的问题，提出了一种加速平滑算法，具有与经典核感知机相似的收敛特性，并给出了在无分类器存在时的分离定理。

Comments 17 pages, published in the proceedings of the International Conference on Machine Learning, 2014

Journal ref Ramdas, Aaditya, and Javier Pena. "Margins, kernels and non-linear smoothed perceptrons." Proceedings of the 31st International Conference on Machine Learning (ICML-14). 2014

Spectral Clustering via the Power Method -- Provably

通过幂法进行谱聚类--可证明的

Christos Boutsidis, Alex Gittens, Prabhanjan Kambadur

AI总结 本文提出通过幂法计算谱聚类的近似特征向量，证明少量迭代即可获得近优划分。

Comments ICML 2015, to appear

Spectral Compressed Sensing via Structured Matrix Completion

通过结构矩阵补全的谱压缩感知

Yuxin Chen, Yuejie Chi

AI总结 本文提出基于结构矩阵补全的增强矩阵补全算法，用于从少量时域样本中恢复谱稀疏对象，通过核范数最小化实现完美恢复，且在信息理论极限附近具有鲁棒性和超分辨率应用能力。

Comments accepted to International Conference on Machine Learning (ICML 2013)

Journal ref Journal of Machine Learning Research, W&CP 28 (3) :414-422, 2013

Quantile Regression for Large-scale Applications

分位数回归在大规模应用中的方法

Jiyan Yang, Xiangrui Meng, Michael W. Mahoney

AI总结 本文提出一种近线性时间复杂度的随机算法，用于解决大规模分位数回归问题，通过低失真子空间保持嵌入提升计算效率，适用于超大规模数据集。

Comments 35 pages; long version of a paper appearing in the 2013 ICML. Version to appear in the SIAM Journal on Scientific Computing

Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting

学习细化：用于降水临近预报的频谱解耦迭代细化框架

Yunlong Zhou, Chen Zhao, Danyang Peng, Fanfan Ji, Xiao-Tong Yuan

机构 * National University of Singapore（新加坡国立大学） 纠错

AI总结 提出频谱解耦迭代细化框架（SDIR），通过双路径设计（SFG-Former和FR-Refiner）和物理一致功率谱密度损失，在确定性框架中实现降水临近预报的渐进频率解耦细化，消除模糊和幻觉，在空间精度和频谱保真度上超越现有方法。

Comments 21 pages, 10 figures, accepted at ICML 2026

ScoreStop: Gradient-based early stopping using functional score tests

ScoreStop: 基于梯度的早期停止方法使用函数得分检验

Oliver J. Hines, Christian L. Hines

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出ScoreStop方法，通过函数得分检验在每次迭代中检验当前预测器是否为总体风险最小化器，从而在梯度提升决策树中实现基于梯度的早期停止，避免过拟合。

Comments Presented at the International Conference on Machine Learning 2026 Workshop on Hypothesis Testing

Position: Prioritize Identifying Structure, Not Complex Models, for Scientific Discovery

立场：优先识别结构，而非复杂模型，以促进科学发现

Tyler H. McCormick

AI总结 本文论证现代机器学习在高维代理机制下存在通用欠定性，提出“机制性机器学习”的具体标准，以确保以LLM为中心的工作流真正支持科学而非模拟科学。

Comments Will appear as a position paper in ICML

TadA-Bench: A Million-Variant Benchmark for Future-Round Discovery Toward Agentic Protein Engineering

TadA-Bench：面向智能蛋白质工程的未来轮次发现的百万变异基准

Jin Gao, Juntu Zhao, Zirui Zeng, Jiaqi Shen, Junhao Shi, Dukun Zhao, Yuming Lu, Dequan Wang

机构 * Tsinghua University（清华大学） 纠错

AI总结 TadA-Bench 是一个基于31轮TadA定向进化的百万变异湿实验回放基准，通过定义固定数据回放任务来评估模型在未见过的未来轮次中排序变异的能力，并引入Seq2Graph统一标签，揭示进化覆盖度比局部数据密度更重要。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026). Data: https://huggingface.co/datasets/JinGao/TadABench-1M . Code: https://github.com/shiyegao/TadABench-1M

Formalizing the Binding Problem

形式化绑定问题

Lianghuan Huang, Yihao Li, Saeed Salehi, Yingshan Chang, Ansh Soni, Konrad P. Kording

机构 * Department of Physics and Astronomy, University of Pennsylvania, Philadelphia, PA, USA（物理与天文学系，宾夕法尼亚大学） ； Department of Neuroscience, University of Pennsylvania, Philadelphia, PA, USA（神经科学系，宾夕法尼亚大学） ； Department of Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Department of Psychology, University of Pennsylvania（心理学系，宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin, Berlin, Germany（机器学习组，柏林技术大学） ； Language Technology Institute, Carnegie Mellon University, Pittsburgh, PA, USA（语言技术研究所，卡内基梅隆大学） 纠错

AI总结 本文用信息论方法形式化绑定问题，提出一种探测方法测量模型表示中的绑定信息，并在视觉Transformer上实验，证明绑定是强视觉识别和推理的关键要素。

Comments Accepted to ICML 2026

Bootstrap Your Generator: Unpaired Visual Editing with Flow Matching

Bootstrap Your Generator: 基于流匹配的无配对视觉编辑

Yoad Tewel, Yuval Atzmon, Gal Chechik, Lior Wolf

机构 * Weizmann Institute of Science（魏茨曼科学研究院） 纠错

AI总结 提出Bootstrap Your Generator (ByG)框架，利用基础模型知识通过流匹配实现无配对训练的图像视频编辑，无需外部信号，在数据稀缺场景下达到最优性能。

Comments Accepted at ICML 2026. Project page is at https://research.nvidia.com/labs/par/byg/

Reasoning Structure of Large Language Models

大型语言模型的推理结构

Frédéric Berdoz, Luca A. Lanzendörfer, Fabian Farestam, Roger Wattenhofer

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

AI总结 针对大型推理模型评估中隐藏不同推理结构的问题，提出基于逻辑谜题的基准测试和将非结构化轨迹转化为可验证推理图的方法，并定义推理效率指标，以量化分析推理拓扑结构。

Comments Accepted at ICML 2026 and presented at the ICLR 2026 workshop on LLM reasoning

Compress then Merge: From Multiple LoRAs into One Low-Rank Adapter

先压缩后合并：从多个LoRA到一个低秩适配器

Zhengbao He, Ruiqi Ding, Zhehao Huang, Ruikai Yang, Tao Li, Xiaolin Huang

机构 * Institute of Image Processing and Pattern Recognition, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（图像处理与模式识别研究所，自动化与智能感知学院，上海交通大学，上海，中国） ； Shanghai Key Laboratory of Flexible Medical Robotics, Tongren Hospital, Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China（柔性医疗机器人上海市重点实验室，同仁医院，医疗机器人研究所，上海交通大学，上海，中国） 纠错

AI总结 针对多LoRA合并时全参数合并破坏低秩结构的问题，提出先压缩后合并（CtM）方法，通过共享子空间投影保证输出严格秩r，性能优于现有单LoRA基线。

Comments Accepted to ICML 2026. Code: https://github.com/ZhengbaoHe/compress-then-merge

Unveiling the Structure of Do-Calculus Reasoning via Derivation Graphs

通过推导图揭示Do-演算推理的结构

Clément Yvernes, Emilie Devijver, Marianne Clausel, Eric Gaussier

机构 * Univ Grenoble Alpes, CNRS, Grenoble INP, LIG, France（格勒诺布尔阿尔卑斯大学，国家科学研究中心，格勒诺布尔理工学院，实验室，法国） ； Université de Lorraine, CNRS, CRAN, 54000 Nancy, France（洛林大学，国家科学研究中心，CRAN，法国） 纠错

AI总结 本文引入推导图来表示Do-演算规则的应用与组合，刻画了在Do-演算下等价的观测与干预概率的完整空间，并展示了通过最多四次规则应用即可实现等价变换，进而利用等价因果查询产生更有效的估计量。

Comments Accepted at ICML 2026

The Shape of Addition: Geometric Structures of Arithmetic in Large Language Models

加法的形状：大型语言模型中算术的几何结构

Liuyuan Wen, Xun Zhu, Lihao Huang, Wenbin Li, Yang Gao

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 通过分析多操作数加法中残差流的几何结构，发现等原始和轨迹（IRST）并建立噪声量化模型，将算术错误解释为由内部神经噪声引起的几何滑移，并利用几何一致性检查方法检测和纠正量化失败。

Comments Accepted by ICML 2026

Building Reliable Long-Form Generation via Hallucination Rejection Sampling

通过幻觉拒绝采样构建可靠的长文本生成

Lin Li, Georgia Channing, Suhaas M Bhat, Gabriel Davis Jones, Yarin Gal

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； DeepMind（深度思维） 纠错

AI总结 提出分段幻觉拒绝采样框架SHARS，利用任意幻觉检测器在生成过程中拒绝并重采样幻觉片段，以缓解长文本生成中的幻觉累积问题，提升事实一致性。

Comments accepted by ICML 2026