期刊&会议
International Conference on Machine Learning · 会议 · Machine Learning
静止MMD点
机构 * University College London, London, UK（伦敦大学学院） ； Lappeenranta--Lahti University of Technology LUT, Lappeenranta, Finland（拉佩伦塔-拉赫蒂技术大学LUT） ； Newcastle University, Newcastle upon Tyne, UK（纽卡斯尔大学） ； The Alan Turing Institute, London, UK（艾伦·图灵研究所）
AI总结 本文研究了静止MMD点的数值积分误差收敛性，证明其比MMD更快收敛，并提出基于MMD梯度流的方法计算静止点。
Journal ref International Conference on Machine Learning, 2026
表达怀疑——概率世界建模不应基于token logprobs
机构 * Eitan Wagner ； Omri Abend
AI总结 本文探讨了大型语言模型作为概率估计器在世界概率估计中的应用问题，指出基于token logprobs的局限性，并提倡第二阶预测方法以提高概率合理性。
Comments Accepted to ICML 2026 (position track)
局部与混合基算法用于从Glauber动力学中选择高斯图模型
机构 * Arizona State University（亚利桑那州立大学）
AI总结 本文研究了从Glauber动力学单轨迹中学习图结构，提出局部边测试估计器和预热/稀释方法，通过总变差界证明子采样轨迹接近独立样本，提供有限样本恢复保证和信息论下限。
Comments Major revision. Corrects the earlier local ratio-estimator analysis by replacing it with a local product estimator; adds a burn-in/thinning estimator based on total-variation decoupling for Gaussian Gibbs samplers; strengthens the lower bounds; adds experiments; and compares with the related ICML 2026 work of Shen, Wu, Majid, and Moitra
长上下文LLM的训练-推理一致分段执行
机构 * College of Computer Science, Inner Mongolia University, Hohhot 010021, China ； National \& Local Joint Engineering Research Center of Intelligent Information Processing Technology for Mongolian, Hohhot 010021, China ； Inner Mongolia Key Laboratory of Multilingual Artificial Intelligence Technology, Hohhot 010021, China ； Thrust of Artificial Intelligence, The Hong Kong University of Science
AI总结 本文提出训练-推理一致的分段生成框架，通过统一训练和推理的分段前向执行语义，实现长上下文生成的高效与可扩展性。
Comments Accepted by ICML 2026. 19 pages, 6 figures, 3 tables
迈向稳定的值对齐：引入独立模块以实现一致的价值引导
机构 * School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院） ； Yuanpei College, Peking University（北京大学元培学院） ； State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（北京大学通用人工智能国家重点实验室）
AI总结 本文提出SVGT模型，通过独立的价值模块解决大语言模型与人类价值观对齐的问题，采用独立价值建模和显式行为引导，提升价值表达的稳定性，实验显示有效降低有害评分。
Comments Accepted to ICML 2026 (Spotlight). 32 pages
去偏的基于模型的表示用于样本高效的连续控制
机构 * Tencent Hunyuan（腾讯文言） ； McGill University（麦吉尔大学） ； School of Computer Science, Peking University（北京大学计算机学院）
AI总结 本文提出DR.Q算法，通过最大化当前状态-动作对表示与下一状态之间的互信息，并采用衰减优先经验回放，以减少表示和actor-critic学习中的偏差，从而在连续控制任务中取得优于现有方法的性能。
Comments ICML 2026
RNA-FM：基于WSI的全基因组RNA-Seq预测的流匹配生成模型
机构 * School of Computer Science, The University of Sydney, Australia（悉尼大学计算机科学学院） ； Engineering Division, Lawrence Berkeley National Lab, USA（伯克利国家实验室工程部） ； Berkeley Biomedical Data Science Center, Lawrence Berkeley National Lab, USA（伯克利生物医学数据科学中心） ； Department of Computer Science, University of Maryland College Park, USA（马里兰大学学院市计算机科学系）
AI总结 本文提出RNA-FM模型，通过流匹配生成框架实现基于WSI的全基因组RNA-Seq预测，利用连续时间条件传输问题学习速度场，实现基因表达分布的映射，提升预测的可扩展性和生物解释性。
Comments 15 pages, 13 tables, 3 figures. Accepted by the Forty-Third International Conference on Machine Learning (ICML2026). Code is available at https://github.com/YXSong000/RNA-FM
多模态生成策略细调中的行为模式发现
机构 * Naver Labs Europe（纳维尔实验室欧洲分部） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
AI总结 本文提出一种无监督的行为模式发现框架，用于在强化学习细调多模态生成策略时保持行为多样性，通过互信息作为内在奖励提升任务成功率。
Journal ref International Conference on Machine Learning, 2026
可解释性可以是可操作的
机构 * Kempner Institute at Harvard University（哈佛大学凯默纳研究所） ； University of Southern California（美国南加州大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Boston University（波士顿大学）
AI总结 本文探讨了可解释性研究的核心问题，提出应以可操作性作为评价标准，通过具体性和验证性两个维度分析阻碍实际应用的障碍，并提出五个领域和评估框架。
Comments Accepted to ICML 2026
探测音频-视觉大语言模型中的跨模态信息枢纽
机构 * Department of Electrical Engineering, Korea Advanced Institute of Science ； The Graduate School of Advanced Imaging Science, Multimedia \& Film, Chung-Ang University, Seoul, Republic of Korea
AI总结 本文研究了音频-视觉大语言模型中音频与视觉模态间的跨模态信息流动，发现信息主要存储在sink tokens中，并提出一种无需训练的hallucination缓解方法。
Comments Accepted by ICML 2026
学习蛋白质-蛋白质相互作用的优先级：一种模型无关的方法
机构 * Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； National University of Singapore（新加坡国立大学） ； IDEA Research（IDEA研究院）
AI总结 本文提出L3-PPI方法，通过生物启发的L3路径正则化图提示学习，提升蛋白质相互作用预测性能。
Comments Accepted at ICML 2026
从平面事实到尖锐幻觉：通过梯度敏感性检测顽固错误
机构 * School of Intelligent Manufacturing Ecosystem, Xi’an Jiaotong-Liverpool University, People’s Republic of China（智能制造生态系统学院，西安交通大学-利物浦大学，中华人民共和国） ； Department of Computer Science, University of Liverpool, United Kingdom（计算机科学系，利物浦大学，英国） ； Faculty of Engineering and Technology, Sunway University, Malaysia（工程与技术学院，Sunway大学，马来西亚） ； School of Robotics, Xi’an Jiaotong-Liverpool University, People’s Republic of China（机器人学院，西安交通大学-利物浦大学，中华人民共和国）
AI总结 本文提出通过梯度敏感性检测顽固错误，利用嵌入扰动梯度敏感性（EPGS）区分稳定知识与不稳定记忆，实验显示其优于熵基和表示基方法。
Comments Accepted to ICML 2026. Camera-ready version
MoshiRAG: 异步知识检索用于全双工语音语言模型
机构 * Toyota Technological Institute at Chicago（丰田技术研究所（芝加哥））
AI总结 本文提出MoshiRAG，通过异步框架结合紧凑接口与选择性检索，提升全双工语音模型的事实性，同时保持交互性。
Comments Accepted to ICML 2026
通过表示层次解析剪枝何时有效
机构 * University of Maryland, College Park, USA（美国马里兰大学学院公园分校） ； Northeastern University, USA（美国东北大学）
AI总结 本文通过分析语言模型内部计算的三个空间，揭示剪枝在非生成任务中有效而在生成任务中失效的原因，为剪枝应用提供指导。
Comments ICML 2026. 24 pages, 21 figures, and 3 tables. Includes an appendix with supplementary experiments and derivations
通过目标层面黑客的视角探查RLVR训练不稳定性
机构 * School of Physics, Peking University（北京大学物理学院） ； Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团） ； Kavli Institute for Astronomy and Astrophysics, Peking University（北京大学天文与天体物理研究院） ； National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）
AI总结 本文通过目标层面黑客视角揭示RLVR训练不稳定性的根源，分析MoE模型中训练-推理差异异常增长的机制，为设计稳定的RLVR算法提供指导。
Comments Accepted by ICML 2026
对抗流模型
机构 * ByteDance Seed（字节跳动种子）
AI总结 本文提出对抗流模型，一种结合对抗与流方法的生成模型，通过对抗目标训练，稳定训练过程，提升生成性能。
Comments ICML 2026
为逆问题保存基础流匹配先验
机构 * Department of Computer Science and Engineering, University of Minnesota, Minneapolis, Minnesota, USA（计算机科学与工程系，明尼苏达大学，明尼阿波利斯，明尼苏达州，美国）
AI总结 本文提出FMPlug框架，通过实例引导和高斯性正则化提升基础流匹配模型在逆问题中的性能，尤其适用于样本少的科学问题。
Comments Accepted by ICML 2026
校准的多模态表示学习与缺失模态
机构 * National University of Singapore（国立新加坡大学） ； University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Central South University（中南大学）
AI总结 本文提出CalMRL，通过校准缺失模态导致的不完整对齐问题，从锚点偏移角度提供理论见解，结合先验知识和模态间联系，解决优化难题，验证了方法的有效性。
Comments Accepted by ICML 2026
大规模多智能体强化学习中的脆弱智能体识别
机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文研究大规模多智能体强化学习中的脆弱智能体识别问题，提出通过分层对抗性去中心化均值场控制框架，结合Fenchel-Rockafellar变换和强化学习算法，有效识别脆弱智能体并降低计算复杂度。
Comments Accepted by ICML 2026
DAG：一种用于具有外生变量的时间序列预测的双相关网络
机构 * School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国）
AI总结 本文提出DAG网络，通过时间与通道维度的双相关模块，提升外生变量在时间序列预测中的利用效率，改进现有方法对历史和未来外生变量相关性的建模能力。
Comments Accepted by ICML 2026
深度神经网络中潜在代理子结构的概率建模
机构 * Department of Statistics, University of Chicago（芝加哥大学统计学系） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系）
AI总结 本文提出基于概率建模的智能代理理论，探讨了代理通过加权对数池化实现递归结构，并揭示了在LLM中代理对齐现象的数学框架。
Comments Accepted by ICML 2026
理解偏好学习中的性能差距：RLHF和DPO的二元性
机构 * University of Washington（华盛顿大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Amazon Inc.（亚马逊公司）
AI总结 本文分析RLHF和DPO性能差距的来源，揭示模型规格误差对方法选择的影响，指出在线DPO在特定条件下优于其他方法，揭示两阶段学习的统计优势。
Comments ICML accepted version
语义完整性至关重要：在KV缓存压缩中基准测试与保持高密度推理
机构 * The Hong Kong University of Science（香港科学与技术大学） ； Guangzhou HKUST Fok Ying Tung Research Institute（广州HKUST傅种群研究院）
AI总结 本文提出KVFundaBench基准测试，揭示了在高密度推理中压缩导致的严重任务依赖性退化问题，并提出ShotKV方法，通过分离prefill和解码阶段以优先保持语义完整性，提升了长上下文生成任务的准确率并降低了延迟。
Comments ICML 2026
通过多边际最优传输和薛定谔桥实现最优且可扩展的多智能体路径规划
机构 * Amazon Robotics（亚马逊机器人技术）
AI总结 本文将匿名多智能体路径规划问题转化为具有马尔可夫结构的多边际最优传输问题，通过概率框架和薛定谔桥方法实现线性规划，从而在保持最优性的同时显著降低计算复杂度。
Comments Accepted in ICML 2026 as a spotlight paper
在需要的地方计算：自优化语言模型
机构 * Cornell University（康奈尔大学）
AI总结 本文提出自优化语言模型(SOL)，通过轻量策略网络动态分配计算预算，提升解码效率与生成质量，在不同模型和计算条件下优于静态分配和随机搜索。
Comments Accepted at ICML'26 Code: https://github.com/akhauriyash/SOL
用于患者管理警报系统的条件异常检测方法
机构 * University of Pittsburgh, PA（匹兹堡大学）
AI总结 本文提出基于实例的条件异常检测方法，通过优化距离度量提升异常检测性能，应用于患者异常入院决策和HPF4检测异常识别。
Comments Published at Workshop on Machine Learning in Health Care Applications ICML-2008 - MLHealth
推理并非免费：面向LLM-as-a-Judge的鲁棒自适应成本高效路由
机构 * Department of Statistics, University of California, Irvine, USA（加州大学伊维特分校统计学系）
AI总结 本文通过对比推理与非推理法官，发现推理在结构验证任务中提升准确性，但成本高。提出RACER方法，通过分布鲁棒优化动态选择推理或非推理法官，实现成本效率的最优平衡。
Comments Accepted at ICML 2026
朝着理解语言模型持续事实知识获取的理解：从理论到算法
机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院） ； School of Artificial Intelligence（人工智能学院） ； Data Science, University of International Business（国际商务大学数据科学）
AI总结 本文提出理论框架解释持续事实知识获取机制，提出STOC方法提升知识持续性，实验验证其有效性。
Comments Accepted by ICML 2026
DeepSight: 通过潜在状态预测实现长视距世界建模的端到端自动驾驶
机构 * Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团Amap） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出通过鸟瞰图空间预测连续未来帧的潜在语义特征，实现长视距世界建模，并引入高效适应性文本推理机制提升复杂场景下的驾驶性能。
Comments ICML 2026
通过策略引导的扩散修复进行主动表格增强
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
AI总结 本文提出TAP方法，结合扩散修复与轻量策略，提升表格增强的实用性和安全性，在数据稀缺情况下提升分类准确率和回归性能。
Comments Accepted for publication at 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