iclr

ICLR 2027 面临去匿名化事件，投稿被暴露给程序委员会成员，引发学术会议的隐私和安全担忧。

作者对 ICLR 的审稿政策表示担忧，该政策要求个人如果出现在 3 篇或更多论文上，就必须担任审稿人，无论其资格如何。

一位推特用户建议论文作者和会议组织者取消 ICLR 2027，并实施政策以恢复顶级出版物的声望。

作者分享了进行人工智能研究的个人提醒，强调好奇心优先于出版压力，洞察力优先于基准测试，深入调查优先于仓促完成的论文。

一条推文幽默地评论了今年超过60,000篇论文提交给ICLR的事情，并质疑了这些提交论文的整体质量。

一条吐槽ICLR 2026论文的推文，指出某篇开源论文效果极好，但实际是用测试集标签来选参数，质疑顶会审稿不严。

ICLR 2027 将其完整论文截稿日期设定在 NeurIPS 2026 决策公布之前，这可能对在 NeurIPS 被拒后有所改进的论文不利。

公平强化学习引入了民主对齐，以整合来自不同代理的多个竞争性价值集，克服了传统RLHF的局限性，并通过黑盒策略包装器实现了数量级更快的优化。

本文介绍了针对ICLR 2026已被接收论文的数据集与分析流程，从PDF标题块中提取机构隶属关系，以创建一个干净的数据集和可直接发表的树图可视化。

MIT CSAIL 研究人员提出 RLCR 方法，在强化学习中引入布雷尔分数（Brier scores），训练 AI 模型输出经过校准的置信度估计，在显著降低过度自信的同时，不牺牲准确率。

一位ICLR参会博士生寻求实用策略，克服社交焦虑，在已有对话群体中插话，而非泛泛的“自信”建议。

ICLR 2026 的两篇论文展示了小型 RL 训练智能体如何在机器学习工程任务上击败前沿模型，以及 MLE-Smith 如何自动扩展 MLE 工作负载。

AutoFigure是一个开源系统，用于生成和精炼可编辑、适合出版的科学图表，已被ICLR 2026接收。