6 ICML-Paper für die ML-Gruppe der RPTU in Kaiserslautern - 10 für den Fachbereich Informatik insgesamt
- Prof. Dr. Marius Kloft
6 ICML-Paper für die ML-Gruppe der RPTU in Kaiserslautern - 10 für den Fachbereich Informatik insgesamt
Die Machine-Learning-Gruppe der RPTU Kaiserslautern-Landau unter Leitung von Prof. Dr. Marius Kloft und Jun.-Prof. Dr. Sophie Fellenz
hat erfolgreich 6 Beiträge auf der International Conference on Machine Learning (ICML) 2026 platziert.
Die ICML zählt neben NeurIPS und ICLR zu den drei weltweit führenden KI-Konferenzen; die Akzeptanzquote lag in diesem Jahr bei rund 26 %, bei einer Rekordzahl von 24.371 Einreichungen.
Die angenommenen Arbeiten decken ein bemerkenswert breites Spektrum ab: von differenzieller Privatsphäre auf Kolmogorov–Arnold-Netzwerken
über physikinformierte neuronale Netze und Diffusionsmodelle bis hin zu visueller Anomalieerkennung und der Optimierung großer Sprachmodelle.
Auch darüber hinaus zeigt sich der Fachbereich Informatik der RPTU bemerkenswert stark.
2 der 6 Paper der ML-Gruppe entstanden in Kooperation mit Prof. Dr. Sebastian Vollmer,
der zusätzlich an 2 weiteren angenommenen Arbeiten beteiligt ist.
Die Arbeitsgruppe von Prof. Dr. Anthony Lin verzeichnet 2 weitere Annahmen.
Somit kommen mindestens 10 ICML-Paper vom Fachbereich Informatik der RPTU in Kaiserslautern,
ein deutliches Signal für die Schlagkraft des Standorts Kaiserslautern in der internationalen KI-Forschung.
Die ICML 2026 findet vom 6. bis 11. Juli 2026 in Seoul statt.- J. Abijuru, M. Nagda, P. Ostheimer, J. Tauberschmidt, S. Vollmer, S. Mandt, M. Kloft, and S. Fellenz. Heavy-tailed Physics-Informed Neural Networks.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - P. Wang, J. Zhou, P. Liznerski, and M. Kloft. Optimization, Generalization and Differential Privacy Bounds for Gradient Descent on Kolmogorov–Arnold Networks.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - M. Monteiro, W. Li, P. Wang, M. Kloft, and S. Fellenz. Landmark-Guided Policy Optimization for Multi-Objective Language Model Selection.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - J. Abijuru, M. Nagda, P. Ostheimer, S. Vollmer, M. Kloft, and S. Fellenz. Physics-Informed Residual Flows.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - N. Iqbal, D. Wagner, P. Liznerski, N. Syed, S. Fellenz, N. Martinel, and M. Kloft. Formally Exploring Visual Anomaly Detection Evaluation Metrics.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - P. Ostheimer, M. Nagda, A. Balinskyy, G. Rodrigues, J. Radig, C. Herrmann, S. Mandt, M. Kloft, and S. Fellenz. Skipping the Zeros in Diffusion Models for Sparse Data Generation.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - A. Warrier, D. Nguyen, M. Naim, M. Jain, Y. Liang, K. Schroeder, C. Yang, J. Tenenbaum, S. Vollmer, K. Ellis, and Z. Tavares. Benchmarking World-Model Learning with Environment-Level Queries.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - S. Thies, V. Bengs, T. Kaufmann, S. Vollmer, and E. Hüllermeier. Calibrated Preference Learning: The Case of Label Ranking.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - W. Merrill, H. Jiang, Y. Li, A. Lin, and A. Sabharwal. Why Are Linear RNNs More Parallelizable?
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026. - A. Lin, P. Bergsträßer, G. Zetzsche, A. Yang, and D. Chiang. Length Generalization Bounds for Transformers.
Proceedings of the International Conference on Machine Learning (ICML), (to appear) 2026.
Für weitere Informationen: Steffen Reithermann, steffen.reithermann@cs.rptu.de
https://ml.cs.rptu.de/#publications
04.05.2026 - J. Abijuru, M. Nagda, P. Ostheimer, J. Tauberschmidt, S. Vollmer, S. Mandt, M. Kloft, and S. Fellenz. Heavy-tailed Physics-Informed Neural Networks.