paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
NN

Naoki Nishikawa

ICML 2026×2效率与系统理论与学习动力学对齐与偏好可解释性强化学习与后训练
新星分新星
65
一作贡献30
核心/参与12
方向广度10
合作网络6
1 一作 · 2 篇 · ICML 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

2
一作ICML 2026Poster· Theory / Deep Learning

Inference-time Alignment with Rewards in Besov Spaces: Provable Advantages of Feature Learning and Multi-Step Policy Updates

Naoki Nishikawa · Taiji Suzuki

理论与学习动力学对齐与偏好效率与系统OpenReview
作者位次 #2/3ICML 2026Poster· Deep Learning / Theory

Dataset Distillation Efficiently Encodes Low-Dimensional Representations from Gradient-Based Learning of Non-Linear Tasks

Yuri Kinoshita · Naoki Nishikawa · Taro Toyoizumi

可解释性强化学习与后训练效率与系统OpenReview

常见合作者