期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
名称无关：面向开放词汇学习的符号不变Transformer
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 提出一种符号不变Transformer机制，通过并行嵌入流和聚合注意力实现可互换令牌的重命名不变性，在开放词汇任务上取得显著性能提升。
Comments ICML 2026 Poster (Camera-Ready Version)
用于数据高效查询式通用声音分离的语义一致数据集
机构 * Department of Computer Science and Technology, Institute for AI, BNRist, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究所，BNRist，清华大学，北京，中国） ； Shanda AI Research Tokyo（莎莎人工智能研究东京） ； IDG/McGovern Institute for Brain Research, Tsinghua University, Beijing, China（IDG/麦戈文脑研究 institute，清华大学，北京，中国） ； Johns Hopkins University（约翰霍普金斯大学） ； Chinese Institute for Brain Research (CIBR), Beijing, China（中国脑研究 institute（CIBR），北京，中国）
AI总结 提出自动管道通过语义一致合成协议消除事件共现，构建高质量合成数据集Hive，使模型在数据量极小的情况下达到与大规模训练模型相当的分离精度和泛化能力。
Comments Accepted to ICML 2026
弱扩散先验仍能实现强逆问题性能
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 研究弱扩散先验在逆问题中的鲁棒性，通过贝叶斯一致性和局部相关性分析揭示其在信息丰富测量下仍有效的原因。
Comments 37 pages, ICML 2026 spotlight. Code: https://github.com/jjia131/weak-diffusion-priors-inverse-problem, Project Page: https://jjia131.github.io/weak-diffusion-priors-inverse-problem/
OMP: 一步均值流策略与方向对齐
机构 * School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, China（上海交通大学机械工程学院） ； Global College, Shanghai Jiao Tong University, Shanghai, China（上海交通大学全球学院） ； Duke Kunshan University, Jiangsu, China（杜克昆山大学）
AI总结 提出一步均值流策略（OMP），通过方向对齐机制和微分推导方程解决均值流在机器人操作中的谱偏差和梯度饥饿问题，实现高保真实时操控。
Comments Accepted as poster of ICML-2026
局部学习能否匹配自监督反向传播？
机构 * University of Zurich（苏黎世大学）
AI总结 本文通过理论分析和算法变体，证明局部自监督学习在深度非线性卷积网络中可接近全局反向传播自监督学习的性能，并在图像数据集上达到或超越现有最优水平。
Comments Accepted at ICML 2026; Code is available at https://github.com/zihan-wu/local-SSL
$\mathbb{R}^{2k}$ 理论上足够大，用于基于嵌入的 Top-$k$ 检索
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 研究最小可嵌入维度（MED），证明对于内积、欧氏距离和余弦相似度，MED 为 Θ(k)，与 m 无关；进一步考虑鲁棒 MED（RMED），推导出可行性上限 ε_⋆(m,k)，并通过实验验证理论结果。
Comments v2: fix broken citation. v3: ICML 2026
ASAP：利用神经组合优化中的满意泛化优势
AI总结 针对神经组合优化模型在分布偏移下的脆弱性，提出ASAP框架，通过将决策分解为提案和选择两阶段，并利用MAML增强在线适应能力，在3D-BPP、TSP和CVRP上提升了泛化性能。
Comments Accepted as poster of ICML-2026
无排序RAG：用选择替代重排序以应用于敏感领域
机构 * University of Washington（华盛顿大学）
AI总结 提出METEORA框架，通过DPO微调LLM生成检索理由、统计肘部检测自适应截断和验证器过滤，在敏感领域实现可解释、高效且鲁棒的证据选择，无需重排序。
Comments ICML 2026
MIND：面向多模态大模型的多理由集成判别推理框架
机构 * Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学） ； MMLab, CUHK（CUHK多模态实验室）
AI总结 针对多模态大语言模型在多理由语义建模、逻辑鲁棒性和抗误导方面的不足，提出MIND推理框架，通过“理解-反思-纠正”机制实现从被动模仿到主动判别推理的范式转变。
Comments Accepted to ICML 2026
WISE: 一种基于世界知识的文本到图像生成语义评估方法
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 针对现有文本到图像生成模型缺乏复杂语义理解和世界知识整合评估的问题，提出WISE基准，包含25个子领域的1000个精心设计的提示，并引入WiScore指标评估知识-图像对齐，实验表明当前模型在整合世界知识方面存在显著局限。
Comments Accepted to ICML 2026. We have also released an updated version of the benchmark, WISE_Verified. Please refer to https://github.com/PKU-YuanGroup/WISE for the latest version
基于潜在扩散模型的可扩展单细胞基因表达生成
机构 * University of Cambridge（剑桥大学）
AI总结 提出scLDM，一种结合变分自编码器和潜在扩散模型的可扩展生成方法，通过置换不变/等变架构和扩散Transformer实现高质量单细胞基因表达生成。
Comments Accepted to ICML 2026, Github: https://github.com/czi-ai/scldm/
ProtocolBench：选择哪个LLM多智能体协议？
AI总结 提出ProtocolBench基准，系统比较多智能体协议在任务成功率、延迟、开销和鲁棒性上的表现，并设计可学习的协议路由器ProtocolRouter以动态选择最优协议。
Comments Accepted to ICML 2026. Camera-ready version.Code and benchmark artifacts: https://github.com/ulab-uiuc/AgentProtocols
DTKG: 用于多跳问答的双轨知识图谱验证推理框架
机构 * School of Computer Science ； Engineering, Beihang University, Beijing, China ； School of Reliability ； Systems Engineering, Beihang University, Beijing, China ； State Key Laboratory of Complex \& Critical Software Environment ； National Key Laboratory of Reliability ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences
AI总结 提出DTKG框架，通过分类阶段和分支处理阶段分别处理并行事实验证和链式多跳推理，提升多跳问答的效率和准确性。
Comments Accepted to ICML 2026
对齐感知解码
机构 * EPFL, Switzerland（瑞士联邦理工学院）
AI总结 提出一种推理时增强模型对齐的方法——对齐感知解码（AAD），可解释为隐式奖励优化，无需额外训练，在多种基准和模型规模上优于强基线，并能生成合成数据改善数据受限场景下的对齐。
Comments Accepted at ICML 2026
一次训练，随处重用：通过路由注意力实现可泛化的隐式上下文学习
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出In-Context Routing (ICR)方法，在注意力logits层面捕获可泛化的上下文学习模式，通过可学习的输入条件路由器调制注意力logits，实现高效的一次训练多次重用框架，在12个数据集上优于现有隐式ICL方法并展现强泛化能力。
Comments ICML 2026 Camera-ready
学习邻域：无对比的多模态自监督分子图预训练
机构 * University of Tübingen（图宾根大学）
AI总结 提出C-FREE框架，通过预测子图嵌入与互补邻域的关系，融合2D拓扑和3D构象信息，实现无对比、无负样本的多模态自监督分子图预训练，在MoleculeNet上取得最优结果。
Comments Accepted at ICML 2026
专家合作：大间隔融合异构信息
机构 * Shuo Wang, Shunyang Huang, Jinghui Yuan, Zhixiang Shen, Zhao Kang（未知）
AI总结 提出专家合作框架，通过大间隔机制融合异构信息，在统一异构多路网络中编码多类型数据，实现鲁棒且互补的知识提取。
Comments Accepted at the 42nd International Conference on Machine Learning (ICML 2025)
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:63169-63185, 2025
无需评估目标的马尔可夫链蒙特卡洛：一种辅助变量方法
AI总结 针对目标分布难以评估的采样问题，提出一种统一的辅助变量MCMC框架，利用估计梯度指导提议移动，显著提升性能。
Comments ICML 2026 oral. Code: https://github.com/ywwes26/Auxiliary-MCMC
立场：针对LLM的对抗性机器学习并未取得任何进展
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文认为，在大语言模型时代，对抗性机器学习研究的问题定义更模糊、更难解决且更难以评估，可能导致未来十年仍无法取得有意义进展。
Comments Accepted at ICML 2026 Position Paper Track
PINNfluence: 通过影响函数解释 PINN
机构 * Technical University of Munich（慕尼黑技术大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Tübingen（图宾根大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出 PINNfluence 框架，基于影响函数对物理信息神经网络进行训练数据归因，实现预测、损失分量和训练数据点之间的细粒度归因，并通过基准实验区分训练好与差的 PINN 的结构特征。
Comments Accepted at ICML 2026
典型相关分析的高效降维方法
AI总结 提出一种基于随机降维变换的快速近似典型相关分析算法，在保证精度的同时显著降低计算复杂度。
Comments 22 pages. 4 figures. To appear in ICML 2013: The 30th International Conference on Machine Learning
基于模型的强化学习的不可知系统辨识
AI总结 针对模型类可能不包含真实系统的不可知情况，提出一种利用无遗憾在线学习算法获得近优策略的迭代方法，并在离散和连续域上验证其有效性。
Comments 8 pages, published in ICML 2012
同时稀疏和低秩矩阵的估计
AI总结 本文提出一种凸混合惩罚方法，同时使用ℓ1范数和迹范数，以估计同时稀疏和低秩的矩阵，并推导了预言不等式和链接预测的泛化误差界，通过近端下降算法高效求解。
Comments Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)
低秩矩阵完备可辨识性的组合代数方法
AI总结 本文通过组合代数方法，首次给出了任意秩矩阵从一组矩阵条目中可辨识的充要组合条件，并提出了新算法。
Comments Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)
通过感知扰动和奖励建模减轻多模态大语言模型作为评判者中的感知判断偏差
机构 * University of California, Berkeley（加州大学伯克利分校） ； KAIST（韩国科学技术院）
AI总结 本文通过构建感知扰动数据集和结合GRPO奖励与批排序目标的统一训练框架，解决了多模态大语言模型作为评判者时因视觉证据与文本线索冲突而产生的感知判断偏差问题，显著提升了感知忠实度和与人类评价的一致性。
Comments ICML 2026
追踪自适应智能体的行为轨迹
机构 * University of Birmingham（伯明翰大学）
AI总结 提出一种通过文本嵌入空间中的方向定义智能体特质的方法，训练线性模型对技能文件差异进行评分，实现高准确率的行为特质分类与排序。
Comments 5 pages, 1 figure. To appear at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026
MCP-Persona：通过环境模拟在真实个人应用上基准测试LLM智能体
机构 * Tsinghua University（清华大学）
AI总结 针对现有基准忽略个人社交应用中工具与个人账户或本地数据库交互的挑战，提出MCP-Persona基准，通过模拟真实个性化MCP工具评估LLM智能体性能，实验表明现有智能体在个性化工具使用上存在显著困难。
Comments ICML 2026 Camera Ready
像鸽子一样主动探索：通过智能视觉语言模型强化空间推理
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种受鸽子认知地图启发的智能视觉语言模型管道，通过动态认知地图和空间断言代码提供密集奖励信号，在MindCube基准上实现80.5%的总体准确率，在Rotation子集上相对提升53.2%。
Comments Accepted by ICML 2026
用于加速分子动力学的推测采样
机构 * FAIR at Meta（Meta FAIR） ； School of Computation, Information & Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center For Machine Learning（慕尼黑机器学习中心）
AI总结 提出Langevin推测动力学（LSD），一种分布式且模型无关的推测采样方法，通过草稿模型快速提议步长并用目标模型并行验证，实现分子动力学模拟的3-9倍加速而不增加相对误差。
Comments Forty-Third International Conference on Machine Learning (ICML 2026). 32 pages, 14 figures, 8 tables
初始化即半程：从引导势后验生成多样图像
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学）
AI总结 针对生成模型模式崩溃问题，提出从引导势后验中采样初始噪声的DivIn方法，利用朗之万动力学引导初始化远离崩溃区域，提升多样性且兼容扩散与流匹配模型。
Comments Accepted by ICML 2026 Spotlight
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