ICML

XYZFlow:Scaling Multi dimensional Shortcut Flows for Efficient Generative Modeling

XYZFlow：用于高效生成建模的多维捷径流缩放方法

Jinxiu Liu, Xuanming Liu, Kangfu Mei, Yandong Wen, Weiyang Liu

机构 * CUHK（香港中文大学） ； Westlake University（西湖大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 XYZFlow框架通过流匹配的多维缩放实现高效图像生成，兼具7.2-8.5倍的教师模型速度提升与竞争力FID，其下一捷径预测可实现更优的质量-延迟权衡。

Comments ICML 2026 (16 pages, 5 figures)

Do Transformers Need Three Projections? Systematic Study of QKV Variants

Transformer 需要三个投影吗？QKV 变体的系统研究

Ali Kayyam, Anusha Madan Gopal, M Anthony Lewis

机构 * Ali Kayyam ； Anusha Madan Gopal ； M Anthony Lewis 纠错

AI总结 本文系统研究了注意力机制中查询、键、值投影共享的变体，发现 Q-K=V 共享在语言建模中仅以 3.1% 的困惑度损失实现 50% 的 KV 缓存减少，且与头共享结合可达到 96.9% 的缓存减少，从而支持设备端推理。

Comments Accepted at ICML 2026 (PMLR vol. 306). 26 pages, 12 figures, 16 tables. Code: https://github.com/Brainchip-Inc/Do-Transformers-Need-3-Projections

Reinforcement Learning with Pairwise Preferences in Long-Term Decision Problems

长期决策问题中基于成对偏好的强化学习

Jonathan Colaço Carr, Prakash Panangaden, Doina Precup, Benjamin Van Roy

机构 * School of Computer Science, McGill University, Montreal, Quebec, Canada（麦吉尔大学计算机科学学院） ； Mila - Quebec AI Institute, Montreal, Quebec, Canada（魁北克人工智能研究所） ； Department of Electrical Engineering, Stanford University, Stanford, California, USA（斯坦福大学电气工程系） 纠错

AI总结 针对长期决策问题中基于成对偏好的强化学习效率低且缺乏马尔可夫策略最优性保证的问题，提出马尔可夫决策竞赛模型，证明平稳马尔可夫策略最优性、求解复杂度为P，并给出亚线性收敛算法，在高维长期问题中显著提升学习效率。

Comments Accepted for ICML 2026. v2 has an updated abstract and introduction. Results and conclusions are unchanged

CoLA: Cross-Modal Low-rank Adaptation for Multimodal Downstream Tasks

CoLA: 跨模态低秩适配用于多模态下游任务

Wish Suharitdamrong, Tony Alex, Muhammad Awais, Sara Atito

机构 * Centre for Vision, Speech and Signal Processing (CVSSP)（视觉、语音和信号处理中心） ； University of Surrey（塞维利亚大学） ； Surrey Institute for People-Centred AI（以人为本的人工智能研究所） 纠错

AI总结 提出CoLA框架，通过引入跨模态适配路径扩展LoRA，实现双流架构中单模态基础模型的高效多模态适配，在视觉-语言和音频-视觉任务上分别提升约3%和2%的相对性能。

Comments Accepted by ICML 2026, 17 pages, 6 Figures

StarEmbed: Benchmarking Time Series Foundation Models on Astronomical Observations of Variable Stars

StarEmbed：在变星天文观测上对时间序列基础模型进行基准测试

Weijian Li, Hong-Yu Chen, Nabeel Rehemtulla, Ved G. Shah, Dongho Kim, Dennis Wu, Qinjie Lin, Adam A. Miller, Han Liu

机构 * Department of Computer Science, Northwestern University（计算机科学系，西北大学） ； Center for Foundation Models and Generative AI, Northwestern University（基础模型与生成AI中心，西北大学） ； NSF – Simons AI Institute for the Sky (SkAI)（国家科学基金会-斯隆人工智能天文研究所（SkAI）） ； Department of Physics and Astronomy, Northwestern University（物理与天文学系，西北大学） ； Center for Interdisciplinary Exploration and Research in Astrophysics (CIERA)（天文学跨学科探索与研究中心（CIERA）） ； Department of Statistics and Data Science, Northwestern University（统计与数据科学系，西北大学） 纠错

AI总结 StarEmbed首次在变星天文观测上对时间序列基础模型进行基准测试，展示了TSFMs在天文任务中的优越性能和泛化能力。

Comments Accepted at ICML 2026

Reducing Per-Sample Interference in Stochastic Optimization

减少随机优化中的样本级危害

Apostolos Avranas

机构 * Amadeus（阿马德乌斯） 纠错

AI总结 研究随机优化中样本级危害问题，提出将参数更新形式化为优化问题，引入高效代理，通过降维、限制优化层等方法减少内存和速度瓶颈，集成到标准优化器，实验证明能减少样本干扰、提升泛化能力。

Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

WBMM: Windowed Batch Matrix Multiplication for Efficient Large Receptive Field Convolution

WBMM: 窗口化批量矩阵乘法实现高效大感受野卷积

Wan Song, Wei Zhou, Rui Wang, Jun Yu, Toru Kurihara, Jiajia Xu, Shu Zhan

机构 * Hefei University of Technology, Hefei, China（合肥工业大学） ； Lingyang Industrial Internet Co., Ltd., Hefei, China（灵阳工业互联网有限公司） ； Kochi University of Technology, Kochi, Japan（Kochi大学技术） 纠错

AI总结 提出WBMM方法，通过窗口化批量矩阵乘法替代逐点卷积，实现大感受野下的高效计算，在ImageNet等任务上取得加速与精度提升。

Comments 23 pages, 4 figures. Accepted as a Spotlight paper at ICML 2026. Code available at https://github.com/wansong-s/WBMM

Linear-Core Surrogates: Smooth Loss Functions with Linear Rates for Classification and Structured Prediction

线性核心替代方案：用于分类和结构预测的平滑损失函数与线性速率

Mehryar Mohri, Yutao Zhong

机构 * Google Research（谷歌研究） ； Courant Institute of Mathematical Sciences（Courant数学科学研究所） 纠错

AI总结 本文提出线性核心替代方案，结合平滑损失的优化优势与边际损失的统计效率，提升结构预测的计算效率和鲁棒性。

Comments ICML 2026

Mind the Gap: Structure-Aware Consistency in Preference Learning

注意间隙：在偏好学习中的结构感知一致性

Mehryar Mohri, Yutao Zhong

机构 * Google Research（谷歌研究） ； Courant Institute of Mathematical Sciences（数学科学学院） 纠错

AI总结 本文提出结构感知H一致性框架，通过引入SA-DPO目标函数，改进偏好学习中的一致性问题，证明重尾 surrogate 在容量受限模型中具有更好的一致性保证。

Comments ICML 2026

Optimized Deferral for Imbalanced Settings

优化不平衡设置下的延迟策略

Corinna Cortes, Anqi Mao, Mehryar Mohri, Yutao Zhong

机构 * Google Research（谷歌研究） ； Courant Institute of Mathematical Sciences（Courant数学科学研究所） 纠错

AI总结 本文研究了在专家不平衡情况下两阶段学习延迟方法，提出新的成本敏感学习算法MILD，通过改进损失函数和保障机制，提升了图像分类和LLM路由任务的性能。

Comments ICML 2026

Post-Training with Policy Gradients: Optimality and the Base Model Barrier

训练后使用策略梯度：最优性和基础模型障碍

Alireza Mousavi-Hosseini, Murat A. Erdogdu

AI总结 本文研究了训练后使用策略梯度方法在序列预测中的最优性和基础模型限制，提出通过过程奖励模型克服支持范围障碍，并展示了自适应学习率的SGD和PG在统计学习和在线学习中的有效性。

Comments 39 pages, 2 figures. Published at the International Conference on Machine Learning (ICML) 2026

A Theoretical Framework for Modular Learning of Robust Generative Models

模块化鲁棒生成模型的理论框架

Corinna Cortes, Mehryar Mohri, Yutao Zhong

AI总结 本文提出模块化鲁棒生成模型的理论框架，通过门控机制结合预训练专家，理论证明其在数据混合下的稳健性，并通过实验验证其优于整体模型的性能。

Comments ICML 2026

SpatialJB: How Text Distribution Art Becomes the "Jailbreak Key" for LLM Guardrails

SpatialJB: 文本分布艺术如何成为LLM防护机制的'突破密钥'

Zhiyi Mou, Jingyuan Yang, Zeheng Qian, Wangze Ni, Tianfang Xiao, Ning Liu, Chen Zhang, Zhan Qin, Kui Ren

AI总结 SpatialJB通过破坏LLM输出生成过程，利用空间结构扰动突破现有防护机制，实验显示其高效性，同时提出基础防御策略以应对此类攻击。

Journal ref ICML 2026

SteeringSafety: Benchmarking Representation Steering in LLMs Across Safety Perspectives

SteeringSafety：针对大语言模型在多安全视角下的表征引导基准测试

Vincent Siu, Nicholas Crispino, David Park, Nathan W. Henry, Zhun Wang, Yang Liu, Dawn Song, Chenguang Wang

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本研究推出SteeringSafety基准，测试DIM等引导方法在3款大模型的9种安全视角表现，发现方法与模型、视角的匹配影响性能，且存在多视角纠缠问题，需多安全角度评估引导方法。

Comments Accepted at ICML 2026

Proteo-R1: Reasoning Foundation Models for De Novo Protein Design

Proteo-R1：用于从头蛋白质设计的推理基础模型

Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, Chiho Im, Seungju Han, Peng Xia, Tinson Xu, Yinxi Li, Deyao Zhu, Pheng-Ann Heng, Naoto Yokoya, Masashi Sugiyama, Li Erran Li, Jure Leskovec, Yejin Choi

AI总结 针对现有从头蛋白质设计模型缺乏推理能力的问题，本文提出 Proteo-R1 双专家架构框架，通过 MLLM 识别关键功能残基作为硬约束，结合扩散模型实现稳定可解释的蛋白质设计。

Journal ref ICML 2026

Position: We Need Large Language Models Optimized For Our Well-Being

立场：我们需要针对人类福祉优化的大语言模型

Ashton Anderson, Harsh Kumar, Louis Tay, Karina Vold

AI总结 本文指出大语言模型因追求即时认可出现谄媚问题，提出需开发针对长期福祉结果优化的可选大语言模型福祉模式，明确其设计的三大核心张力。

Comments Accepted to the ICML 2026 Position Paper Track

Position: The Inevitable Transition to Machine Learning in Quantum Chemistry

量子化学中向机器学习的必然转变

Karen Sargsyan, Chao-Ping Hsu

机构 * Institute of Chemistry, Academia Sinica, Taipei, Taiwan（中国科学院化学研究所） 纠错

AI总结 量子多体问题精确解计算难，传统方法发展遇瓶颈，机器学习被认为是量子化学最有前途的方向，它不受问题本质限制，近期传统方法可视为“手工制作机器学习”，虽有挑战但有路径，应获战略优先。

Comments Accepted as a position paper at ICML 2026. OpenReview forum: https://openreview.net/forum?id=Mq1oTEIwp4

Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026

Foundations of Equivariant Deep Learning: Unifying Graph and Sheaf Neural Networks

等变深度学习基础：统一图神经网络和层神经网络

Yoshihiro Maruyama

AI总结 扩展几何深度学习利用更丰富对称结构，开发等变神经网络，刻画线性等变映射，构建层并证明连续等变映射的通用逼近定理，还扩展到范畴等变神经网络，给出等变神经网络通用形式及定理。

Comments Accepted at ICML 2026 as a spotlight paper with oral presentation

The Truth Stays in the Family: Enhancing Contextual Grounding via Inherited Truthful Heads in Model Lineages

真相留在家族中：通过模型谱系中继承的真相头增强上下文基础

Miso Choi, Seonga Choi, Mincheol Kwon, Woosung Joung, Jinkyu Kim, Jungbeom Lee

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

AI总结 研究发现基础LLM与下游变体间存在上下文真相分数的强继承性，提出TruthProbe软门控策略放大真相头以提升上下文真实性并减少多模态幻觉。

Comments Accepted at ICML 2026

Dissect and Prune: Enhancing Robustness in AI-Generated Image Detection

剖析与剪枝：增强AI生成图像检测的鲁棒性

Dahye Kim, Jaehyun Choi, Hyun Seok Seong, Seongho Kim, Donghun Lee, Sungwon Yi, Jang-Ho Choi

机构 * Korea AI Safety Institute (AISI), ETRI, Seongnam, South Korea（韩国人工智能安全研究所（AISI）、ETRI、Seongnam韩国） ； Department of Artificial Intelligence, Sungkyunkwan University, Suwon, South Korea（人工智能系，全州大学，Suwon韩国） 纠错

AI总结 针对AI生成图像检测器对真实类别的预测偏差问题，提出DEAR方法，利用修复图像识别并剪除干扰特征，从而提升对未知生成器和后处理的鲁棒性。

Comments Accepted to ICML 2026. 26 pages, 9 figures, 9 tables. Includes appendix

Where Flow Matching Leaks: Characterising Membership Signals Along the Interpolation Path

整流流泄漏之处：沿插值路径表征成员信号

Thomas Sesmat, Gabriel Meseguer-Brocal, Geoffroy Peeters

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文分析整流流（Rectified Flows）在插值路径上的训练数据成员信号，发现训练与测试数据的重建差异呈钟形曲线，并在高斯假设下推导出峰值位置，验证了该结构的普适性，并利用其进行成员推断攻击。

Comments ICML 2026 article, 9 main pages and 25 with annexes, 11 figures

Journal ref 43rd International Conference on Machine Learning, Seoul, South Korea, 2026

Taming the Loss Landscape of PINNs with Noisy Feynman-Kac Supervision: Operator Preconditioning and Non-Asymptotic Error Bounds

驯服带噪声Feynman-Kac监督的PINN损失景观：算子预条件与非渐近误差界

Nathanael Tepakbong, Hanyu Hu, Chengyu Liu, Xiang Zhou

机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Mathematics, City University of Hong Kong（香港城市大学数学系） 纠错

AI总结 通过引入点态数据保真项作为算子级预条件，显著改善PINN的损失景观条件数，并基于Feynman-Kac表示生成标签，提出FK-PINN方法，推导了梯度下降下的非渐近误差界。

Comments v2: discusses additional related works; final version accepted at ICML 2026

On Effectiveness and Efficiency of Agentic Tool-calling and RL Training

论智能体工具调用与强化学习训练的有效性与效率

Tong Liu, Cheng Qian, Matej Cief, Yuan He, Daniele Dan, Nikolaos Aletras, Gabriella Kazai

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文系统分析工具调用评估中的实现选择对结果敏感性的影响，并针对强化学习训练中的计算浪费提出两种加速技术。

Comments ICML 2026

From Talking to Singing: A New Challenge for Audio-Visual Deepfake Detection

从说话到唱歌：音视频深度伪造检测的新挑战

Ke Liu, Jiwei Wei, Wenyu Zhang, Shuchang Zhou, Ruikun Chai, Yutao Dai, Chaoning Zhang, Yang Yang

机构 * Center for Future Media, School of Computer Science and Engineering, University of Electronic Science and Technology of China（未来媒体中心，计算机科学与工程学院，电子科技大学） 纠错

AI总结 针对现有音视频深度伪造检测方法在唱歌场景中性能下降的问题，提出文本引导的音视频伪造检测框架（T-AVFD），通过面部真实性模式学习和多模态差异权重学习，在说话和唱歌场景中均实现鲁棒检测。

Comments Accepted by ICML 2026

When Does Critique Improve AI-Assisted Theoretical Physics? SCALAR: Structured Critic--Actor Loop for Agentic Reasoning

当批评如何提升AI辅助理论物理？SCALAR：用于代理推理的结构化批评-代理循环

Vasilis Niarchos, Constantinos Papageorgakis, Alexander G. Stapleton, Sokratis Trifinopoulos

机构 * Department of Physics, CCTP ； ITCP, University of Crete, 71303, Greece ； Centre for Theoretical Physics, Department of Physics ； Astronomy, Queen Mary University of London, London E1 4NS, United Kingdom ； Theoretical Physics Department, CERN, Geneva, Switzerland 纠错

AI总结 本文研究了研究人员与代理交互对AI辅助理论物理研究的影响，通过SCALAR框架评估不同交互结构对科学发现的促进作用。

Comments V2. Expanded experiments. Accepted at ICML 2026 Workshop (AI4Physics); 18 pages; 9 figures

Can Computational Reducibility Lead to Transferable Models for Graph Combinatorial Optimization?

计算可约性能否导致图组合优化的可迁移模型？

Semih Cantürk, Thomas Sabourin, Frederik Wenkel, Michael Perlmutter, Guy Wolf

机构 * Operations Research, Université de Montréal（运营研究，蒙特利尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； Valence Labs（Valence实验室） ； Dept. of Mathematics, Boise State University（数学系，博伊州立大学） 纠错

AI总结 本文提出了一种基于计算可约性的方法，通过表达性消息传递和预训练策略，在图组合优化中实现跨任务的可迁移模型。

Comments Accepted at ICML 2026; 20 pages, 2 figures, 15 tables

On the Condition Number Dependency in Bilevel Optimization

关于双层优化中条件数依赖性的研究

Lesi Chen, Kaiyi Ji, Jingzhao Zhang

机构 * IIIS, Tsinghua University（清华大学信息学院） 纠错

AI总结 本文针对非凸上层、强凸下层的双层优化问题，建立了条件数依赖性的下界，揭示了双层与极小极大优化在条件数依赖上的首次可证明差距。

Comments v4 is a merge with v3 (Chen and Zhang) and https://arxiv.org/abs/2511.19656 (Ji, ICML 2026)

URS: A Unified Neural Routing Solver for Cross-Problem Zero-Shot Generalization

URS：一种面向跨问题零样本泛化的统一神经路由求解器

Changliang Zhou, Canhong Yu, Shunyu Yao, Xi Lin, Zhenkun Wang, Yu Zhou, Qingfu Zhang

机构 * School of Automation and Intelligent Manufacturing, Southern University of Science and Technology, Shenzhen, China（自动化与智能制造学院，南方科技大学，深圳，中国） ； Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, Southern University of Science and Technology, Shenzhen, China（广东省全驱动系统控制理论与技术重点实验室，南方科技大学，深圳，中国） ； College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China（计算机科学与软件工程学院，深圳大学，深圳，中国） ； Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China（计算机科学系，香港城市大学，香港特别行政区，中国） ； School of Mathematics and Statistics, Xi'an Jiaotong University, Xi'an, China（数学与统计学学院，西安交通大学，西安，中国） 纠错

AI总结 提出URS，一种统一神经路由求解器，通过统一数据表示和混合偏置模块，实现单个模型在110种车辆路径问题变体（含99种未见变体）上的零样本泛化，并支持高达7000节点的规模。

Comments accepted by ICML 2026

Evolutionary Curriculum Learning Improves Biological Sequence Modeling

进化课程学习改进生物序列建模

Richard Zhu, Kento Nishi

AI总结 该研究提出进化课程学习（ECL），将其应用于VAE模型的蛋白质变异预测与RNA序列生成任务，提升了下游任务性能，证实进化距离是生物序列建模中排序训练课程的有效归纳偏置。

Comments Published in ICML 2026 SPIGM Workshop

PointCHR: Point Cloud Analysis via Curvature-Aware Hyperbolic Rectification

PointCHR：通过曲率感知双曲整流进行点云分析

Xinxing Yu, Liying Yang, Hao Mo, Hui Ma, Fang Kai, Ajian Liu, Yanyan Liang

AI总结 针对三维点云中高曲率区域难以解析的问题，提出PointCHR方法，利用双曲流形指数体积膨胀特性，通过曲率引导径向整流机制，有效缓解表示拥挤问题，提升主干网络捕捉细节能力，在多基准测试中达最优性能。

Journal ref Proceedings of the 43 rd International Conference on Machine Learning,2026