本文是FedExProx，它是一种基于分布式外推的近端方法，能提供更紧密的收敛性结果。先前分析显示该方法在二次问题上的迭代复杂度不比梯度下降法好，不过本研究表明实际能获得更快的收敛保证。审稿人对技术结果的清晰阐述给予高度评价，基于整体理论贡献，对实证评估也基本满意。这些研究结果，为分布式优化，提供了新的见解，涉及可达到的收敛速率，存在微妙差异。
有网友为审稿人找理由辩解，也许是手抖不小心点了「拒稿」，还有人猜测，这显然是AI生成的审稿建议。
左右滑动查看
另一位来自约克大学的博士生深有同感地说 ，「我对此并不觉得意外 ，因为我们的论文也碰到了这样的情况」 。
更惨的是，他的论文评审更加敷衍，审稿人都没有写完就提交了。
而且，AC仍旧以这篇有缺陷的评审为由，拒收论文。
MBZUAI助理教授Zhiqiang Shen表示，两篇论文都被拒绝了，他对AC评审结果极为失望，因为评审结果存在大量事实错误 。
论文4433实际得到了两个4分，然而元评审却错误地记录成了「三个3分和一个4分」。
论文4332的审稿人在rebuttal之后更新了评分，然而元评审却错误地引用了旧评价。
这种前后不一致的表述让人感到困惑，这到底是因为疏忽，还是没能正确整合审稿人的更新反馈呢？
无论原因如何，这都严重损害了评审的公正性。
南洋理工大学助理教授Mengmi Zhang表示，有另一篇论文，它获得了所有ICML审稿人的一致通过，然而却遭到了区域主席的拒稿 。
她认为，「如果这就是同行评审，那么有些地方出问题了」。
一位来自UT的审稿人表示，他自己在ICML 2025审稿时过于宽容，现在的学术会议完全是零和博弈。
从现在开始，只要是没有运用30万亿token进行预训练671B MoE模型的论文，哪怕有着再强大的理论保障，都会被坚决拒绝录用。
以后，难道30万亿token，要成训练MoE硬标准了么？
目前，那些拿到录用结果的网友们，纷纷晒出了自己的成绩单。
网友晒成绩单
杜克大学陈怡然教授公布了ICML的成果，团队有5篇论文被顶级会议录用，另外有一篇与宾州州立大学合作的论文被选为Spotlight Poster 。
北大计算机系张铭教授所带领的团队，一共有4篇论文获得奖项，这一数量和去年被录用的论文数量是一样的。
UC伯克利博士后研究员Xuandong Zhao，心情激动，晒出了三篇论文，这三篇论文被ICML接收了。
左右滑动查看
新加坡国立大学的Kun Zhou（周坤）有一篇关于神经编码器Muffin的文章，该文章被正式录用，这种神经编码器Muffin能够在多种音频类型中，实现高保真音频压缩。
香港大学团队，自主研发了GUI交互的统一纯视觉智能体模型，该模型AGUVIS上榜了。
UC伯克利的博士生Kayo Yin写了一篇关于上下文学习注意力头的论文，这篇论文被顶会录用了。
佐治亚理工学院助理教授Humphrey Shi的博士生有一篇论文被拒了，这篇论文是他花费近一年时间做出的成果 。
他进行勉励，说道，“被拒稿这种情况是很常见的。要持续学习，持续前进，因为真正的评判者在你自己心中” 。
参考资料：
%202025&src=typed_query
