JMLR

Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants

具有难处理归一化常数的完全和部分观测指数族图模型的似然推断

Yujie Chen, Anindya Bhadra, Antik Chakraborty

AI总结 本文提出一种在对数稀疏设置下对完全和部分观测指数族图模型进行高效完全似然推断的方法，利用可处理独立模型估计难处理的归一化常数及其梯度，并通过数值结果和理论验证其有效性。

Comments To appear in Journal of Machine Learning Research

Monotone-Constrained Diffusion Models for Long-Horizon Production Forecasting

单调约束扩散模型用于长期产量预测

Temesgen Mikael Abraha, Yves Lucet

机构 * University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 针对油气长期产量预测的不适定问题，提出单调约束扩散模型Physics-SIMS-TS，结合负引导、递减曲线约束、同单调投影和集成采样，在超3.5万口井上达到最准确扩散预测性能，且预测单调性代价极小。

Comments 34 pages, 4 figures. Under review at the Journal of Machine Learning Research. Extended version of a paper at Canadian AI 2026 (PMLR 318, pp. 332-341)

Nonparametric spectral density estimation using interactive mechanisms under local differential privacy

基于局部差分隐私的非参数谱密度估计使用交互机制

Cristina Butucea, Karolina Klockmann, Tatyana Krivobokova

AI总结 本文提出基于局部差分隐私的交互机制，用于估计平稳高斯时间序列的谱密度，通过两阶段过程提升估计效率，针对Hölder和Sobolev光滑类谱密度，在小隐私参数下改进非交互机制的估计率。

Comments Accepted manuscript; published in Journal of Machine Learning Research

Journal ref Journal of Machine Learning Research 27(168):1-49, 2026

Discretization-independent operator learning for partial differential equations

偏微分方程的离散化无关算子学习

Jacob Hauck, Yanzhi Zhang

机构 * Department of Mathematics and Statistics, Missouri University of Science and Technology（数学与统计学系，密苏里科学与技术大学） 纠错

AI总结 本文提出一种离散化无关的编码-近似-重构算子学习模型，利用基的神经表示，实现多分辨率学习，并通过理论保证和数值实验验证其高效性与准确性。

Comments 41 pages, 11 figures, submitted to the Journal of Machine Learning Research

Guaranteed Nonconvex Low-Rank Tensor Estimation via Scaled Gradient Descent

通过缩放梯度下降法保证非凸低秩张量估计

Tong Wu

AI总结 本文提出ScaledGD算法，通过缩放梯度下降法在t-SVD框架下实现低秩张量估计的线性收敛，克服了传统方法在条件数依赖上的限制。

Comments This paper has been accepted for publication in the Journal of Machine Learning Research

Journal ref Journal of Machine Learning Research 27(9):1-90, 2026

Consistency of augmentation graph and network approximability in contrastive learning

对比学习中增强图的一致性与网络可逼近性

Chenghui Li, A. Martina Neuman

机构 * Department of Statistics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校统计学系） ； Faculty of Mathematics, University of Vienna（维也纳大学数学系） 纠错

AI总结 本文通过证明增强图拉普拉斯算子在特定条件下收敛于流形上的加权 Laplace-Beltrami 算子，建立了谱一致性，从而解决了对比学习中神经可逼近性的可实现性假设问题。

Journal ref Journal of Machine Learning Research 25-1466 2026

Safe Learning Under Irreversible Dynamics via Asking for Help

在不可逆动力学下通过请求帮助实现安全学习

Benjamin Plaut, Juan Liévano-Karim, Hanlin Zhu, Stuart Russell

机构 * Division of Computer Science University of California Berkeley, CA 94720-1776, USA（计算机科学系加州大学伯克利分校） 纠错

AI总结 针对不可逆动力学环境，提出通过请求导师帮助和状态间知识迁移，实现安全且高效的学习，遗憾和查询次数均次线性。

Comments Accepted to JMLR

Sublinear Variational Optimization of Gaussian Mixture Models with Millions to Billions of Parameters

亚线性变分优化高斯混合模型：从数百万到数十亿参数

Sebastian Salwig, Till Kahlke, Florian Hirschberger, Dennis Forster, Jörg Lücke

机构 * Faculty VI Carl von Ossietzky University Oldenburg（卡尔·奥西埃茨基大学第六学院） ； Artificial Intelligence Lab, Department of Computer Science, Faculty of Mathematics, Computer Science and Physics University of Innsbruck（人工智能实验室，计算机科学系，数学、计算机科学与物理学学院因斯布鲁克大学） ； Data Analytics and AI, Faculty 3 Frankfurt University of Applied Sciences（数据分析与人工智能，第三学院法兰克福应用科学大学） 纠错

AI总结 本文提出亚线性变分优化方法，有效降低大规模高斯混合模型的训练复杂度，实验证明其在去噪任务中性能优越。

Comments Published in Journal of Machine Learning Research, see https://jmlr.org/papers/v27/25-0639.html

Journal ref S. Salwig, T. Kahlke, F. Hirschberger, D. Forster, J. Lücke, Journal of Machine Learning Research, 27(167):1-70, 2026

When Does Low-Bit Quantization Preserve the Decisions of Vector Search?

低比特量化何时能保持向量搜索的决策？

Wenxuan Xiao, Xu Cao

机构 * Astrmira Tech.（阿斯特米拉科技公司） 纠错

AI总结 本文研究低比特量化对向量搜索决策的影响，提出分布无关分解和协方差感知尾部界，证明Vamana邻居选择的确定性耦合定理，并发现标准化精确边距能更好预测翻转率，适用于多种量化方法。

Comments JMLR-style preprint with theoretical and experimental appendices

Clustering and Pruning in Causal Data Fusion

因果数据融合中的聚类与剪枝

Otto Tabell, Santtu Tikka, Juha Karvanen

机构 * Department of Mathematics and Statistics（数学与统计学系） 纠错

AI总结 针对多数据源因果融合中变量增多导致计算复杂的问题，提出剪枝和聚类预处理方法，基于小图推断大图中因果效应的可识别性并给出识别函数。

Journal ref Journal of Machine Learning Research, 27(175):1-56, 2026

Resilience Beyond Stationary Client Unavailability: Unlocking Efficient and Unbiased Federated Learning

超越静态客户端不可用性的弹性：实现高效且无偏的联邦学习

Ming Xiang, Stratis Ioannidis, Edmund Yeh, Carlee Joe-Wong, Lili Su

机构 * Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 针对实际联邦学习中客户端非静态不可用性问题，提出轻量高效的FedSWE算法，可补偿错过计算、稳定扩散全局更新，收敛性好且开销小，经实验验证其有效性。

Comments Journal of Machine Learning Research

Exchange Policy Optimization Algorithm for Semi-Infinite Safe Reinforcement Learning

半无限安全强化学习的交换策略优化算法

Jiaming Zhang, Yujie Yang, Haoning Wang, Liping Zhang, Shengbo Eben Li

机构 * Department of Mathematical Sciences Tsinghua University（清华大学数学科学系） ； School of Vehicle and Mobility Tsinghua University（清华大学车辆与移动系统学院） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； School of Vehicle and Mobility & College of AI Tsinghua University（清华大学车辆与移动系统学院与人工智能学院） 纠错

AI总结 针对半无限安全强化学习的无限约束难题，提出交换策略优化算法，可提供有界安全保证并收敛至最优策略，推导了迭代次数上界与最优值差距。

Comments Submitted to the Journal of Machine Learning Research (JMLR), added new experiments and expanded analysis

Autoencoders in Function Space

函数空间中的自编码器

Justin Bunker, Mark Girolami, Hefin Lambley, Andrew M. Stuart, T. J. Sullivan

机构 * Department of Engineering, University of Cambridge and Alan Turing Institute（剑桥大学工程系和艾伦·图灵研究所） ； Department of Engineering University of Cambridge（剑桥大学工程系） ； Mathematics Institute University of Warwick（沃里克大学数学系） ； Computing + Mathematical Sciences California Institute of Technology（加州理工学院计算与数学科学学院） ； Mathematics Institute & School of Engineering University of Warwick（沃里克大学数学系与工程学院） 纠错

AI总结 本文提出函数空间自编码器（FAE）和变分自编码器（FVAE），分析其目标函数良定性，结合神经算子架构实现自编码器在图像修复等科学数据建模的新应用。

Comments 54 pages, 24 figures. Includes corrections for error in legends of figure 7 and figures in appendix B.5 that were present in v3

Journal ref Journal of Machine Learning Research 26(165):1--54 (2025)

Can Neural Networks Learn by Experimenting on Themselves? Self-Interventional Learning from Functional Consequences to Predictive Self-Knowledge

神经网络能否通过对自身进行实验来学习？用于预测自我知识的自干预学习

Michał Tomaszewski

机构 * Opole University of Technology（奥波莱工业大学） 纠错

AI总结 本研究提出自干预学习（SIL）框架，让神经网络通过扰动自身功能结构学习预测自我模型，实验表明其可恢复部分网络属性，但自我模型存在不足且未显著优于简单策略。

Comments 37 pages, 5 figures. Submitted to the Journal of Machine Learning Research (JMLR)

Architecture Before the Formula: Individuating Neural Architecture Beyond the Composite Map

几何注意力：一种针对Transformer注意力的显式操作语义

Luis F. Rosario Freytes

机构 * University of Michigan（密歇根大学） 纠错

AI总结 几何注意力提出了一种显式操作语义，通过四个独立输入定义注意力层，支持多头、混合核和计划锚等显式领域选择，实现注意力机制的原理性比较与扩展。

Comments 34 pages. Major reconstruction and retitling of the withdrawn previous version. The incorrect non-completability theorem and all dependent claims have been removed. The present version replaces the earlier operator-first development with an analysis of neural-architecture individuation and architecture under composition. Submitted to JMLR

The Matching Principle: When Does a Training Penalty Cover Deployment Shift?

匹配原则：面向干扰鲁棒表示学习的损失函数几何理论

Vishal Rajput

机构 * KU Leuven（根特大学） 纠错

AI总结 提出匹配原则，通过估计任务协方差矩阵并匹配惩罚矩阵的像空间，统一了多种鲁棒性方法，并在线性高斯模型中证明最优性。

Comments 51 pages. Journal-aligned revision of this preprint for JMLR. Title and abstract updated to the even-spread coverage framing. Same author, Matching Principle, and experimental lineage; not a new paper. Under submission at JMLR. Companion: arXiv:2604.21395

From Understanding Genetic Drift to a Smart-Restart Mechanism for Estimation-of-Distribution Algorithms

从理解遗传漂变到分布估计算法的智能重启机制

Weijie Zheng, Benjamin Doerr

机构 * Southern University of Science and Technology（南方科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Laboratoire d’Informatique (LIX)（信息学实验室（LIX）） ； École Polytechnique（巴黎综合理工学院） ； CNRS（法国国家科学研究中心） ； Institut Polytechnique de Paris（巴黎理工学院） 纠错

AI总结 针对分布估计算法种群规模难适配易引发遗传漂变或效率低下的问题，提出智能重启机制，经理论证明与多类问题实验验证，可自动寻得近优种群规模，实现接近最优的性能。

Comments Extended version of our GECCO 2020 paper. This article supersedes arXiv:2004.07141

Journal ref Journal of Machine Learning Research 24 (2023) 1-40

SoftMCC: An MCC-Brier Calibration Bridge for Threshold-Free Model Selection under Class Imbalance

SoftMCC：用于类别不平衡下无阈值模型选择的MCC-Brier校准桥梁

Özkan Canay

机构 * Sakarya University（萨卡里亚大学） 纠错

AI总结 SoftMCC是一种用于类别不平衡二分类的无阈值模型选择框架，耦合MCC校准恒等式与共享池选择协议，在18种设置中稳定性排名最优，为校准敏感的MCC家族选择器。

Comments 28 pages, 4 figures. Submitted to the Journal of Machine Learning Research

The Role of Pseudo-labels in Self-training Linear Classifiers on High-dimensional Gaussian Mixture Data

伪标签在高维高斯混合数据上自训练线性分类器中的作用

Takashi Takahashi

AI总结 研究在高维高斯混合数据上自训练线性分类器中伪标签的作用，推导分析迭代ST行为，发现其依迭代次数不同提升泛化，标签不平衡时性能欠佳，提出两种启发式方法提升其性能。

Comments Accepted for publication in the Journal of Machine Learning Research (JMLR). Camera-ready version

Journal ref Journal of Machine Learning Research, 27(138), 1-68, 2026

Causal Falsification of Digital Twins

数字孪生的因果证伪

Rob Cornish, Muhammad Faaiz Taufiq, Arnaud Doucet, Chris Holmes

机构 * University of Oxford（牛津大学） 纠错

AI总结 本研究针对安全关键场景下数字孪生的准确性评估问题，提出仅需独立同分布观测轨迹数据的通用统计因果证伪方法，将其应用于Pulse生理引擎脓毒症建模，采用MIMIC-III数据集验证，可应对数据混杂问题。

Comments Accepted for publication in the Journal of Machine Learning Research (JMLR)

Supervised Learning Has a Geometric Blind Spot

监督学习具有一个必要的几何盲区：理论、后果和最小修复

Vishal Rajput

机构 * KU Leuven（卢森堡大学） 纠错

AI总结 监督学习存在几何盲区，导致对抗训练影响鲁棒性与清洁输入几何。本文通过理论分析揭示其本质，并提出PMH方法有效修复此问题。

Comments 35 pages. v2: JMLR-aligned revision of arXiv:2604.21395; Proposition 6 corrected to minimax (worst-case) anisotropy; title shortened to Supervised Learning Has a Geometric Blind Spot. Under submission at JMLR. Companion: arXiv:2605.22800

Towards Understanding Gradient Flow Dynamics of Homogeneous Neural Networks Beyond the Origin

探究原点之外齐次神经网络的梯度流动力学

Akshay Kumar, Jarvis Haupt

AI总结 本文研究齐次神经网络逃离原点后的梯度流动力学，刻画首个鞍点，证明特定条件下逃离前的稀疏结构会保留至下一个鞍点。

Comments jmlr-final-version

A neural network approach to learning solutions of a class of elliptic variational inequalities

一类椭圆变分不等式解学习的神经网络方法

Amal Alphonse, Michael Hintermüller, Alexander Kister, Chin Hang Lun, Clemens Sirotenko

AI总结 该研究提出一种弱对抗神经网络方法，将椭圆变分不等式类障碍问题转化为极小极大问题，采用改进的梯度下降上升算法求解，可处理传统方法难以应对的双活性障碍问题。

Comments Accepted in JMLR

Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies

基于机制稀疏性的非参数部分解缠：稀疏动作、干预与稀疏时间依赖关系

Sébastien Lachapelle, Pau Rodríguez López, Yash Sharma, Katie Everett, Rémi Le Priol, Alexandre Lacoste, Simon Lacoste-Julien

AI总结 本研究提出机制稀疏性正则化原理，建立非参数可识别性理论，提出基于变分自编码器的估计方法，实现部分解缠，可利用多节点未知目标干预实现解缠，是CLeaR 2022工作的大幅扩展版。

Comments JMLR 2026. 90 pages

Journal ref Journal of Machine Learning Research. 27(71):1-90, 2026

Keypoint-Guided Optimal Transport: Models, Algorithms, and Applications

关键点引导的最优传输：模型、算法及应用

Xiang Gu, Yucheng Yang, Wei Zeng, Jian Sun, Zongben Xu

机构 * Peng Cheng Laboratory（鹏城实验室） 纠错

AI总结 研究如何利用标注的关键点在最优传输中引导正确匹配，提出KPG-RL模型，在多种传输设置下开发并推导对偶公式，基于深度学习学习传输，开发新策略，应用于多领域并验证有效性。

Comments Accepted by JMLR

When Can Depth Replace Precision? A Resource Theory of Quantized Neural Computation

深度何时能取代精度？量化神经计算的资源理论

Mojtaba Soltanalian

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究固定输入输出映射下低比特残差计算能否取代数值精度，通过建模量化残差系统刻画无限深度极限，得出纯调度接近松弛类的速率等结论，还探讨了多种相关情况，指出深度取代精度有条件限制。

Comments 141 pages, 26 figures, 15 tables. Includes complete proofs and documents the QReplace decision-support and Lean 4 verification companions. To be submitted to the Journal of Machine Learning Research

Are Flat Minima an Illusion?

平坦极小值是否只是一个幻觉？

Michael Timothy Bennett

机构 * School of Computing（计算学院） ； The Australian National University（澳大利亚国立大学） 纠错

AI总结 本文探讨了平坦极小值对泛化能力的影响，指出弱性才是关键因素，并通过实验验证了弱性与泛化能力的正相关关系。

Comments 27 pages, 1 figure. Major revision adds an affine-invariant joint completion score, PAC-Bayes certificates, a task-alignment theorem, three predeclared 100-network cohorts, a random-label control, and expanded references. Submitted to JMLR

Gradient Span Algorithms Make Predictable Progress in High Dimension

梯度跨度算法在高维中取得可预测进展

Felix Benning, Leif Döring

AI总结 研究梯度跨度算法在高维中的渐近确定性行为，此行为是随机二次函数和自旋玻璃类似结果的泛化，能解释机器学习模型训练的反直觉现象，自动机器学习社区借此避免超参数多次重试。

Journal ref Journal of Machine Learning Research 27, no. 121 (2026): 1-62. https://jmlr.org/papers/v27/25-1651.html

Symmetric Rank-$k$ Methods

对称秩-k方法

Chengchang Liu, Cheng Chen, Luo Luo

AI总结 本文提出了一种对称秩-k方法，用于改进块准牛顿方法的收敛速度，首次明确给出了超线性收敛速率，并展示了块BFGS和DFP方法的优越性能。

Comments Accepted by JMLR

Accelerating Constrained Sampling: A Large Deviations Approach

加速约束采样：大偏差方法

Yingli Wang, Changwei Tu, Xiaoyu Wang, Lingjiong Zhu

机构 * School of Mathematics, Shanghai University of Finance and Economics（上海财经大学数学学院） ； FinTech Thrust, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）金融科技学域） ； Department of Mathematics, Florida State University（佛罗里达州立大学数学系） 纠错

AI总结 本文提出通过大偏差原理分析约束采样中的Skew-Reflected非可逆 Langevin 采样方法，通过设计特定对称矩阵加速收敛并降低渐近方差。

Comments 59 pages, 15 figures

Journal ref Journal of Machine Learning Research 2026, Volume 27, Number 118, 1-61