期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
未修剪长视频中被操纵片段的可解释取证
机构 * MoE Key Laboratory of Brain-Machine Intelligence Technology, College of Artificial Intelligence, Nanjing University of Aeronautics（脑机智能技术关键实验室、人工智能学院、南京航空航天大学） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对长视频中AI生成片段的定位与解释任务，提出TASLE基准数据集和MSLoc粗到细取证方法，实现时序定位、真实性检测与可解释分析。
Comments Accepted to ICML 2026
FOAM：基于频率和算子误差的自适应阻尼方法，用于减少Shampoo的陈旧性误差
机构 * Kyunghun Nam ； Sumyeong Ahn
AI总结 提出FOAM算法，通过自适应控制阻尼因子和特征分解频率来抑制陈旧性误差，在保持收敛的同时减少Shampoo的计算时间。
Comments 9 pages, ICML 2026 camera-ready version
动力学是学出来的，不是告诉的：零样本策略适应的潜在动力学几何半监督发现
机构 * Zhiming Xu（徐志明） ； Weitao Zhou（周伟涛） ； Xianghui Pan（潘向辉） ； Nanshan Deng（邓南山） ； Chengju Liu（刘成军） ； Qijun Chen（陈齐军） ； Chenpeng Yao（姚晨鹏）
AI总结 针对机器人强化学习中动力学变化导致策略失效的问题，提出基于对比学习的半监督方法，通过构建平滑、任务相关的潜在拓扑结构，实现零样本策略适应，在MuJoCo基准上优于参数中心方法。
Comments Proceedings of the 43rd International Conference on Machine Learning
ShaplEIG：用于Shapley值估计的贝叶斯实验设计
机构 * Department of Statistics, LMU Munich（LMU慕尼黑统计系） ； Institute for Informatics, LMU Munich（LMU慕尼黑信息学院） ； Department of Computer Science, TU Dortmund University（图腾大学计算机科学系） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Lamarr Institute for Machine Learning（拉马尔机器学习研究所）
AI总结 提出ShaplEIG方法，通过高斯过程代理和期望信息增益自适应选择联盟，以高效估计Shapley值，在低预算场景下显著提升样本效率。
Comments Accepted at the Forty-Third International Conference on Machine Learning (ICML 2026)
CORE-MTL: 通过因果正交表示重新思考梯度平衡
机构 * Tsinghua University（清华大学）
AI总结 提出CORE-MTL框架，通过因果正交表示将共享表示分解为语义流和残差流，以分离任务相关结构与虚假上下文，从而减少负迁移并提升泛化能力。
Comments Accepted by ICML 2026
关于拓扑优化中通过敏感性条件伯努利流匹配的泛化性
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 通过信息论分析，提出伪敏感性概念，并利用敏感性条件伯努利流匹配生成器在拓扑优化中实现最优的分布外泛化性能。
Comments ICML Paper
混沌中的秩序：捕捉AI操纵图像伪造定位的内在能量异常
机构 * Zhejiang University（浙江大学）
AI总结 本文提出FLAME框架，利用扩散过程抑制局部高频方差产生的统计能量间隙，结合LAD图和SAM适配器实现像素级伪造定位，并引入EditStream流水线持续合成训练数据，在AI生成伪造数据集上达到最先进性能。
Comments Accepted by ICML 2026
低概率标记对AI生成文本检测的显著性：多尺度不确定性视角
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）
AI总结 针对AI生成文本检测中模板标记主导和点估计脆弱的问题，提出基于低概率标记的多尺度不确定性估计器Uncertainty及其改进版Uncertainty++，在多个数据集和LLM上验证了有效性、泛化性和鲁棒性。
Comments Accepted by ICML 2026 main conference
到底有多难？难度感知的多目标遗忘学习
机构 * National University of Singapore（新加坡国立大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对现有遗忘学习无法保证同时提升遗忘质量和保持保留效用的缺陷，提出一种基于约束优化的难度感知多目标遗忘算法（HAMU），通过量化遗忘数据与保留数据的相似度来指导模型更新，在保证遗忘质量提升的同时最小化保留效用损失。
Comments ICML 2026
凸距离算子传输：一种凸且保持几何的公式
机构 * KAIST（韩国科学技术院）
AI总结 提出凸距离算子传输（CDOT），通过算子正则化联合保持特征对应与内在几何结构，实现异质分布对齐，并证明其伪度量性质及与Gromov-Wasserstein的关系。
Comments This paper is 41 pages long, contains 6 figures, and has been accepted to ICML 2026
可信人工智能面临不变性冲突，因果性是解决方案
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 本文通过将可信AI目标重新解释为数据生成过程变化下的不相容不变性要求，论证因果性是理解和平衡性能与多个可信目标之间权衡的必要框架。
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
分而治之：用于深度伪造检测的可靠多视图证据学习
机构 * School of Computer Science, Wuhan University, Wuhan, China（武汉大学计算机学院） ； School of Integrated Circuits, Peking University, Beijing, China（北京大学集成电路学院） ； School of Information, Huazhong Agricultural University, Wuhan, China（华中农业大学信息学院） ； College of Cyber Security, Tarim University, Alaer, China（塔里木大学网络安全学院） ； School of Cyber Science and Engineering, Wuhan University, Wuhan, China（武汉大学网络安全与工程学院）
AI总结 提出分治多视图证据学习框架（DiCoME），通过几何视图净化解耦语义与伪影特征，并利用不确定性感知证据学习融合视图，提升深度伪造检测的泛化性和可靠性。
Comments Accepted to ICML 2026
我们说的谎言：通过切空间上的分数匹配纠正视觉-语言-动作策略中的欧几里得谬误
机构 * National Taiwan University（台湾大学）
AI总结 针对扩散视觉-语言-动作策略将SE(3)位姿表示为平坦R^12向量导致的欧几里得谬误，提出Lie Diffuser Actor (LDA)框架，通过左不变SDE注入噪声、在切空间预测分数并利用指数映射回缩样本，从根本上消除流形漂移、保证坐标框架等变性和测地线最优性，在CALVIN ABC→D上平均任务长度从3.27提升至3.51。
Comments ICML 2026 Accepted
自适应锐度感知最小化与Polyak型步长：一种理论驱动的调度器
机构 * Mathematical Institute for Data Science (MINDS), Johns Hopkins University, Baltimore, MD, USA（数据科学数学研究所（MINDS），约翰霍普金斯大学，巴尔的摩，MD，美国） ； Department of Computer Science, Johns Hopkins University, Baltimore, MD, USA（计算机科学系，约翰霍普金斯大学，巴尔的摩，MD，美国） ； Department of Applied Mathematics and Statistics, Johns Hopkins University, Baltimore, MD, USA（应用数学与统计学系，约翰霍普金斯大学，巴尔的摩，MD，美国）
AI总结 针对锐度感知最小化（SAM）对学习率敏感的问题，受随机Polyak步长启发，提出适用于SAM的Polyak调度器，在确定性和随机设置下实现自适应算法，并证明收敛性，实验表明性能优于或媲美调优的SAM基线。
Comments 43rd International Conference on Machine Learning (ICML 2026)
Site4Drug: 利用AI智能体预测药物结合靶点
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出Site4Drug，一种模态感知的靶点发现智能体，通过整合拓扑、亲水性、翻译后修饰等证据，输出带约束、风险标记和决策日志的可靶向区域排名列表，并自动推荐结合模态。
Comments Accepted to the ICML 2026 Workshop on Generative and Agentic AI for Biology (GenBio)
“我知道这会如何发展”：通过渐进条件惊奇度刻画多样性
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 提出一种基于上下文学习的多样性度量方法 Decan（D_{Ca_n}），通过单次前向传递计算每个字节的得分，无需嵌入模型、参考语料或人工标注，在多个基准上验证了其有效性。
Comments 28 pages, 18 figures, 9 tables. Accepted to the Workshop on Generative AI, Creativity, and Human-AI Co-Creation @ ICML 2026 (non-archival). Code and data: https://github.com/AMindToThink/icl-diversity
去中心化指令微调：冲突感知拆分与权重合并
机构 * Korea University（韩国大学）
AI总结 提出MERIT方法，通过冲突感知拆分和权重合并实现去中心化指令微调，在Qwen2.5-VL-3B上8个基准平均分从54.3提升至57.0。
Comments 32 pages, 5 figures. Accepted for publication at ICML 2026
零样本VLM中虚假相关性的密度感知转换
机构 * School of Computing and Information Systems, The University of Melbourne, Victoria, Australia（计算与信息系统学院，墨尔本大学，维多利亚，澳大利亚）
AI总结 提出密度感知转换（DAT）方法，利用局部几何密度项修正图像-文本相似度，以缓解CLIP等视觉语言模型在零样本分类中因虚假相关性导致的性能下降。
Comments ICML 2026
DOT-MoE：用于MoE化的可微最优传输
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 提出DOT-MoE框架，通过可微最优传输将密集层分解为专家，联合学习神经元分配和路由策略，在减少50%活跃参数的同时保留90%原始性能。
Comments Accepted at ICML 2026
通过几何对齐恢复文本到图像蒸馏中的初始噪声敏感性
机构 * Huazhong University of Science and Technology（华中科技大学）
AI总结 提出几何感知蒸馏（GAD）框架，通过匹配雅可比-向量积来对齐教师和学生模型的局部功能行为，从而恢复文本到图像蒸馏中丢失的初始噪声敏感性，提升下游噪声驱动控制任务的性能。
Comments ICML 2026
揭示具有内在测地耦合的多模态生物分子协同设计
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 针对生物分子协同设计中模态间时间耦合被忽视的问题，提出GeoCoupling框架优化异构模态的时间耦合，在基于结构的药物设计和无条件蛋白质设计中提升物理有效性和多样性。
Comments Accepted to ICML 2026
ProbMoE：可微分的专家混合概率路由
机构 * Imperial College London（伦敦帝国学院） ； University of Waterloo（多伦多大学） ； EPFL（瑞士联邦理工学院）
AI总结 提出ProbMoE概率路由框架，通过离散子集空间上的概率推断实现专家选择，解决top-k路由的离散非可微问题，并扩展到动态k路由，提升专家利用率和路由多样性。
Comments Accepted at ICML 2026
用于文本到语音中可解释情感控制的稀疏自编码器
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文通过稀疏自编码器分析基于LLM的TTS模型中的情感相关潜在特征，提出特征级干预框架实现双向情感诱导与抑制，无需修改模型参数。
Comments Accepted by ICML 2026
PSG-Nav: 通过多元宇宙决策的概率场景图导航
机构 * Tsinghua University（清华大学）
AI总结 提出PSG-Nav方法，通过构建3D概率场景图并利用多元宇宙决策从联合分布中采样最可能的世界设置，以处理开放词汇导航中的感知不确定性，并引入证据经验校准器实现在线终身适应，在多个基准上取得最新最优结果。
Comments 21 pages, 7 figures. ICML 2026
通过子句-文字超图上的极性感知表示学习进行不可满足核心预测
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出一种极性感知的表示学习框架，将SAT公式建模为子句-文字超图，通过极性感知分解和极性反转一致性正则化，有效预测不可满足核心。
Comments Accepted at ICML 2026
相对于语义保持嵌入的梯度揭示大语言模型的不确定性
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出首个基于梯度的自由文本生成不确定性量化方法SemGrad，通过语义空间中的梯度计算实现高效且无需采样的不确定性估计。
Comments Accepted by ICML 2026
从无奖励表示到偏好：重新思考离线基于偏好的强化学习
AI总结 本文提出一种结合无奖励表示学习和对比搜索微调的离线偏好强化学习框架，通过从无奖励离线数据中学习潜在后继度量表示，再利用偏好数据进行对比搜索和微调，显著提升了偏好效率。
Comments Published in ICML 2026
HASTE: 面向大输出空间的硬件感知动态稀疏训练
机构 * University of Waterloo（滑铁卢大学）
AI总结 提出组共享固定扇入稀疏性方法，通过半结构化输出层设计结合长尾分解，在极端多标签分类中实现显著加速并保持精度。
Comments Accepted at ICML 2026 Regular
DAG-MoE：从简单混合到专家混合中的结构聚合
机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学）
AI总结 本文提出DAG-MoE框架，通过轻量级模块自动学习选定专家之间的最优聚合结构，以替代标准加权求和聚合，从而在不改变专家或路由器的情况下扩展专家组合空间并实现单层多步推理，在预训练和微调中均优于传统MoE基线。
Comments Accepted by ICML 2026
AnyEdit++: 基于贝叶斯惊讶的自适应长文本知识编辑
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 提出AnyEdit++框架，通过基于贝叶斯惊讶的自适应分割机制Bayes-Chunk，实现结构感知的长文本知识编辑，在数学推理、代码生成和叙事任务上优于现有方法。
Comments Accepted by 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