期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
UOTIP：用于无配对逆问题的不平衡最优传输映射
机构 * Sungkyunkwan University（成均馆大学） ； IPAI (Interdisciplinary Program in Artificial Intelligence, Seoul National University)（人工智能跨学科项目（Seoul National University）） ； Department of Mathematical Sciences, Seoul National University（首尔国立大学数学科学系）
AI总结 本文提出了一种基于不平衡最优传输的逆问题求解器UOTIP，通过引入基于似然的成本函数，将重建任务建模为从噪声测量分布到干净信号分布的学习过程，从而在无配对逆问题上实现了最先进的性能。
Comments Accepted at ICML 2026
AutoRPA: 通过基于LLM的代码合成实现高效的GUI自动化
机构 * Zhejiang Key Laboratory of Space Information Sensing and Transmission（浙江空间信息感知与传输重点实验室） ； School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院）
AI总结 本文提出AutoRPA框架，通过将ReAct风格代理的决策逻辑自动转化为鲁棒的RPA功能，提高GUI自动化效率和可重用性，同时减少82%到96%的token使用量。
Comments Accepted in ICML 2026
向序列分类中的自预训练理解迈进
机构 * Unit of Artificial Intelligence & Computer Systems, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，罗马生物医学学院） ； Unit of Advanced Robotics and Human-Centered Technologies, Università Campus Bio-Medico di Roma（先进机器人与以人为本技术单位，罗马生物医学学院） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University（诊断与介入部门，辐射物理，生物医学工程，乌梅拉大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 本文通过复制和系统消融Amos等人的研究，揭示了自预训练（SPT）在序列分类中提升性能的关键因素，发现标签监督在学习有用的查询-键注意力模式方面存在瓶颈，并通过简化理论框架证明了自预训练通过学习接近性交互来提升性能。
Comments v1: Preliminary, extension of the version accepted at ICML 2025 Workshop MOSS
面向大语言模型的上下文不变安全对齐
机构 * Fudan University, Shanghai, China（复旦大学，上海，中国） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国）
AI总结 本文提出了一种上下文不变的安全对齐方法，通过引入锚点不变正则化（AIR）来提升模型在不同上下文中的鲁棒性，从而增强安全约束对对抗性框架的抵抗力。
Comments ICML 2026
在不遗忘的情况下寻找正确的视觉证据：通过层间视觉注意力差异减轻LVLMs中的幻觉
机构 * School of Computer Science and Engineering, Southeast University, Nanjing, China（东南大学计算机科学与工程学院） ； School of Artificial Intelligence, Shenzhen University, Shenzhen, China（深圳大学人工智能学院） ； College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China（深圳大学计算机科学与软件工程学院） ； Engineering, South China University of Technology, Guangzhou, China（华南理工大学工程学院） ； National Engineering Laboratory for Big Data Systems Computing Technology, Shenzhen University, Shenzhen, China（深圳大学大数据系统计算技术国家工程实验室） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用重点实验室（东南大学），中华人民共和国教育部）
AI总结 本文提出了一种基于层间视觉注意力差异的幻觉缓解方法，通过增强视觉证据的注意力来减少视觉遗忘，从而在不遗忘的情况下找到正确的视觉证据。
Comments Accepted by ICML 2026
无需激活的图像识别回骨：在MetaFormer风格视觉模型中的多项式替代方案
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出无需激活函数的多项式替代方法，用于在MetaFormer风格的视觉模型中实现图像识别，展示了多项式模块在多个数据集上的优越性能。
Comments Accepted to ICML 2026
VSCD: 基于视频的非对齐场景变化检测
机构 * Department of AI Convergence, Gwangju Institute of Science（人工智能融合系，全州科学研究院） ； GIST InnoCORE AI-Nano Convergence Institute for Early Detection of Neurodegenerative Diseases, Gwangju Institute of Science（全州科学研究院AI-纳米融合研究所，用于早期检测神经退行性疾病的机构）
AI总结 本研究提出VSCD，一种用于非对齐场景中视频基变化检测的方法，通过查询帧生成像素级变化掩码，利用多参考模型和局部补丁对应来对齐参考特征，并融合候选变化特征以生成高分辨率掩码，实现了优于现有图像和视频基基线的性能。
Comments 18 pages, 7 figures. Accepted to the 43rd International Conference on Machine Learning (ICML 2026)
面向组合奖励的冲突感知加法引导：流模型中的对抗性生成
机构 * Smart Systems Institute, National University of Singapore, Singapore（新加坡国立大学智能系统研究所） ； Faculty of Computing, Harbin Institute of Technology, Harbin, China（哈尔滨工业大学计算机学院） ； School of Computing, National University of Singapore, Singapore（新加坡国立大学计算机学院）
AI总结 本文提出了一种面向组合奖励的冲突感知加法引导方法，用于在流模型中处理对抗性生成问题，通过动态检测和解决梯度冲突来纠正离曼福德漂移，提升了生成保真度。
Comments Forty-Third International Conference on Machine Learning (ICML 2026)
在资源受限的Android蜂窝中实现内存高效的分区DNN推理
机构 * Department of Computer Science and Engineering, University of Moratuwa, Moratuwa, Sri Lanka（计算机科学与工程系，莫图瓦大学，莫图瓦，斯里兰卡）
AI总结 本文提出了一种在资源受限的Android设备上实现高效DNN推理的方法，通过五个机制将内存压力分散到多个设备上，从而在不修改模型的情况下实现ONNX推理，显著降低了电池消耗和延迟。
Comments 6 pages, 3 figures, 4 tables. Accepted at the ICML 2026 Workshop on Machine Learning for the Global South
动态TMoE：一种针对非平稳时间序列预测的漂移感知动态专家混合框架
机构 * School of Software Technology, Zhejiang University, Ningbo, China ； State Key Lab of CAD\&CG, Zhejiang University, Hangzhou, China
AI总结 本文提出Dynamic TMoE框架，通过动态构建异构专家和剪枝冗余专家来优化容量，并利用时间记忆路由器确保稳定且上下文感知的专家选择，从而在非平稳时间序列预测中实现更优性能。
Comments 27 pages, 7 figures. Accepted to ICML 2026
相同目标，不同盆地：标注者分布中的硬标签与软标签
机构 * Independent Researcher（独立研究者）
AI总结 本文研究了在标注者分布中硬标签与软标签的区别，发现当每个示例的标注数量较少时，硬标签方法在性能上优于软标签训练，尤其是在稀疏经验目标远离完整标注者分布时效果更佳。
Comments 14 pages, 12 figures. Accepted to the 2nd Workshop on Epistemic Intelligence in Machine Learning (EIML @ ICML 2026)
基于潜在类比的组合转导用于离线目标条件强化学习
机构 * Department of Electrical and Computer Engineering and ASRI, Seoul National University（电气与计算机工程系和首尔国立大学ASRI） ； Independent researcher（独立研究者） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
AI总结 本文提出了一种基于潜在类比的组合转导方法，用于解决离线目标条件强化学习中面对新情境时的目标泛化问题，通过引入新的类比表示方法，提升了在不同情境下的目标达到能力。
Comments ICML 2026
TriForces: 为可迁移表示增强原子istic GNNs
机构 * Université Paris-Saclay, CentraleSupélec, Inria, Gif-sur-Yvette, France（巴黎-萨克雷大学，中央超算研究所，法国国家信息与自动化技术研究院，法国吉夫-sur-耶vette）
AI总结 TriForces通过分离组成和结构信息并结合自监督学习，提升MatBench和QM9的性能，无需DFT标签，并在OMat24上实现高效相似结构检索。
Comments 28 pages, 11 figures. Accepted at ICML 2026
FedHPro: 通过梯度匹配实现联邦超原型学习
机构 * School of Computing and Information Technology, University of Wollongong, Wollongong, Australia（计算机与信息科技学院，沃尔灵戈大学，澳大利亚） ； School of Computing and Information Systems, Singapore Management University, Singapore, Singapore（计算机与信息系统学院，新加坡管理大学，新加坡） ； Monash University, Australia（莫纳什大学，澳大利亚） ； Macquarie University, Australia（麦考瑞大学，澳大利亚） ； Beijing Institute of Technology, China（北京理工大学，中国） ； La Trobe University, Australia（拉筹伯大学，澳大利亚）
AI总结 本文提出FedHPro框架，通过引入超原型和梯度匹配来提升联邦学习中的类别分离度和类别内一致性，实验表明其在多个基准数据集上达到最优性能。
Comments 23 pages, ICML 2026 Camera-ready Version
具有鲁棒不确定性和准确性相关性的分割任何东西
机构 * Technical University of Berlin（柏林技术大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文提出了一种名为RUAC的分割方法，通过引入轻量级不确定性头和对抗性训练，提高在外观和形变转移下的像素级不确定性估计，从而提升分割质量和不确定性准确性相关性。
Comments ICML 2026
IMPACT: 开集时间序列异常检测中的影响建模
机构 * National Key Laboratory of Parallel and Distributed Computing（国家级并行与分布式计算实验室） ； College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院） ； Intelligent Game and Decision Lab (IGDL)（智能游戏与决策实验室（IGDL）） ； Information Systems Technology and Design, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计系） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
AI总结 本文提出IMPACT框架，通过影响建模方法解决开集时间序列异常检测中的挑战，通过学习影响函数生成真实异常模式并净化训练数据。
Comments Accepted by ICML 2026
WestWorld: 一种知识编码的可扩展轨迹世界模型用于多样化机器人系统
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出WestWorld，一种知识编码的可扩展轨迹世界模型，用于多样化机器人系统，通过引入系统感知的混合专家（Sys-MoE）和结构嵌入来提升可扩展性和零样本泛化能力，实现了在多种机器人环境中的高效轨迹预测和控制。
Comments ICML 2026 spotlight
VLANeXt: 构建强大VLA模型的配方
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； SenseTime Research（商汤科技研究院） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文通过统一框架和评估设置重新审视VLA设计空间，系统分析了基础组件、感知要素和动作建模视角，总结出12项关键发现，提出了一种简单有效的VLA模型VLANeXt，并在LIBERO和LIBERO-plus基准测试中超越了现有方法，同时提供了易于使用的代码库。
Comments Accepted in ICML 2026, Project Page: https://dravenalg.github.io/VLANeXt/
参数作为专家：通过动态参数路由适应视觉模型
机构 * The University of Hong Kong（香港大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出ParaX方法，通过动态参数路由机制实现视觉模型的高效微调，以生成更定制化和强大的特征表示，从而在多种视觉识别任务中取得优越性能。
Comments Accepted by ICML 2026
微 canonical 动力学能否利用小批量梯度噪声？
机构 * Department of Statistics, LMU Munich（统计系，慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Physics, University of California, Berkeley（伯克利大学物理系） ； Department of Astronomy, Tsinghua University（清华大学天文系） ； Physics Division, Lawrence Berkeley National Lab（伯克利国家实验室物理部）
AI总结 本文研究了微 canonical 动力学能否有效利用小批量梯度噪声，提出了一种梯度噪声预条件化方案和能量方差基于的自适应调节器，从而开发出一种鲁棒且可扩展的微 canonical 采样器，实现了在高维推断任务中的最佳性能。
Comments In Proceedings of the 43rd International Conference on Machine Learning
MARS：模块化代理与反思搜索用于自动化AI研究
机构 * Google Cloud AI Research（谷歌云人工智能研究）
AI总结 本文提出MARS框架，通过预算感知规划、模块化构建和比较反思记忆解决复杂机器学习工程任务中的执行成本与性能归因问题，实现开放源代码框架在MLE-Bench上的最佳性能。
Comments Paper published at International Conference on Machine Learning (ICML 2026)
Q-DiT4SR: 探索细节保留的扩散变换器量化以实现实景图像超分辨率
机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei（华为）
AI总结 本文提出Q-DiT4SR，一种专门针对基于扩散变换器的实现实景图像超分辨率的后训练量化框架，通过引入层次化SVD和变异性感知时空混合精度方法，在保持细节的同时实现高效的模型压缩和加速。
Comments Accepted to ICML 2026. Our code and models will be available at https://github.com/xunzhang1128/Q-DiT4SR
通过黎曼流匹配对预训练视觉语言模型进行知识不确定性量化
机构 * Department of Information Technology, Uppsala University, Uppsala, Sweden（瑞典乌普萨拉大学信息科技系） ； Science for Life Laboratory, Uppsala University, Uppsala, Sweden（瑞典乌普萨拉大学生命科学实验室）
AI总结 本文提出REPVLM方法，通过黎曼流匹配在视觉语言模型嵌入的超球面流形上计算概率密度，以量化模型的知识不确定性，并在分类和异常检测中取得显著效果。
Journal ref Forty-Third International Conference on Machine Learning, 2026
自 refining 视频采样
AI总结 本文提出了一种自 refining 视频采样方法，通过预训练的视频生成器作为自身 refine 器，无需外部验证器或额外训练，在推理时实现迭代内部循环 refine，提高了运动一致性和物理对齐性。
Comments ICML 2026. Project page: https://agwmon.github.io/self-refine-video/
DNACHUNKER: 用于DNA语言模型的可学习分词
机构 * Graduate School of AI, KAIST（韩国科学技术院人工智能研究生院） ； Department of Electrical Engineering, KAIST（韩国科学技术院电气工程系） ； Inocras Korea Inc.（Inocras韩国公司）
AI总结 本文提出DNACHUNKER，一种可学习的DNA分词方法，通过动态分段模块生成上下文依赖的变长单元，提升DNA语言模型在基因组序列处理中的鲁棒性和效率。
Comments ICML 2026 camera-ready version
TimeRewarder: 通过帧间时间距离从被动视频中学习密集奖励
机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University, Beijing, China（清华大学交叉信息研究院） ； Shanghai Qi Zhi Institute（上海启智研究院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出TimeRewarder方法，通过帧间时间距离从被动视频中学习密集奖励，以提升强化学习在稀疏奖励任务中的性能，实验表明其在多个任务中显著提高了成功率和样本效率。
Comments ICML 2026 spotlight paper
有效模型剪枝：衡量模型组件的冗余性
机构 * Department of Mechanical and Aerospace Engineering, University of Florida（佛罗里达大学机械与航空航天工程系） ； Department of Mathematics, Ohio University（俄亥俄大学数学系）
AI总结 本文研究了模型剪枝中的基本问题，提出了一种基于有效样本大小的剪枝方法，通过分析重要性评分分布来确定可丢弃的组件数量，并在多种网络架构上验证了该方法的有效性。
Comments 18 pages, 4 figures. Accepted at ICML 2026 (Spotlight)
划分以获得内在模型逆向攻击抵抗力的协作推理
AI总结 本文研究了在协作推理中如何划分模型以提高对逆向攻击的内在抵抗力，挑战了深度是逆向攻击抵抗力驱动因素的直觉，并提出了一种基于内在阻力的划分标准，即黄金划分区（GPZ）
Comments Accepted by ICML 2026
Universal Reasoner: 一个单一、可组合的即插即用推理器用于冻结的LLM
机构 * Graduate School of Artificial Intelligence, Korea Advanced Institute of Science and Technology（人工智能研究生院，韩国科学技术院）
AI总结 本文提出Universal Reasoner，一种可组合且即插即用的推理模块，能够在冻结的大规模语言模型上提供专门的推理能力，通过共享或对齐的token空间实现弱到强的泛化，实验表明其在数学推理和机器翻译中优于现有微调方法。
Comments ICML 2026
LLMs on the Line: 数据决定损失-损失缩放定律
机构 * Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学）
AI总结 研究探讨了影响LLM损失-损失缩放定律的主要因素，发现预训练数据决定了缩放趋势，而模型大小、优化超参数、分词器和架构差异对缩放影响有限，因此应精心选择预训练数据以获得最佳下游性能。
Comments ICML 2025 camera-ready version
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