TMLR

Subspace Inference Enables Efficient Active Reward Learning from Preferences

子空间推理实现高效的基于偏好的主动奖励学习

Yutai Zhou, Erdem Bıyık

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出PreferenceEKF方法，通过低维子空间的扩展卡尔曼滤波实现高效序贯贝叶斯推理，在D4RL等基准上较其他贝叶斯深度学习方法更优，助力RLHF的高效奖励学习。

Comments Published at TMLR

Toward Unified Robot Learning: Bridging Representation, Vision-Language-Action, and World Models

迈向统一机器人学习：联结表征、视觉-语言-动作（VLA）与世界模型

Shaunak A. Mehta, Ananya Hazarika, Haochen Zhang, Fan Yang, Ryo Moriyama, Wenkai Li, Yash Patel, Kanata Suzuki

机构 * Fujitsu Research of America（美国富士通研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Fujitsu Limited（富士通株式会社） 纠错

AI总结 本综述提出统一机器人学习视角，梳理表征、VLA模型与世界模型三类方法，分析其交互与局限，展望未来集成化、物理接地的概率化机器人学习方向。

Journal ref Transactions on Machine Learning Research (2026)

SimpleDesign: A Joint Model for Protein Sequence and Structure Codesign

SimpleDesign：用于蛋白质序列与结构联合设计的模型

Jiarui Lu, Yuyang Wang, Yizhe Zhang, Jiatao Gu, Navdeep Jaitly, Joshua M. Susskind, Miguel Ángel Bautista

机构 * Mila, Université de Montréal（蒙特利尔大学Mila研究所） ； Apple（苹果公司） 纠错

AI总结 SimpleDesign是直接在数据空间训练的单阶段多模态蛋白质设计模型，采用混合Transformer架构，在超200万对序列-结构对训练后，在相关基准测试中性能优异。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. https://openreview.net/forum?id=wPfw7GkMns

Journal ref Transactions on Machine Learning Research, 08/2026

From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning

从欧氏数据到图结构数据：协同学习综述

Rémi Bourgerie, Šarūnas Girdzijauskas, Viktoria Fodor

机构 * School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） ； Digital Futures（数字未来机构） ； KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

AI总结 本综述针对协同学习从欧氏数据扩展至图结构数据的领域，梳理了基础原理、图分布分类与算法框架，明确了开放挑战与研究方向。

Comments 96 pages. Published in Transactions on Machine Learning Research (TMLR), March 2026, with Survey Certification

Journal ref Transactions on Machine Learning Research, 2026

GENERIC-FNO: Embedding Energy Conservation and Entropy Production into Fourier Neural Operators

GENERIC-FNO：将能量守恒和熵产生嵌入傅里叶神经算子

Jason Sulskis, Sathya Ravi

机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； Georgia Tech Research Institute（佐治亚理工学院研究所） 纠错

AI总结 提出GENERIC-FNO，首个在函数空间直接嵌入非平衡热力学完整GENERIC结构的神经算子，通过秩一投影精确满足退化条件，实现能量守恒与熵产生，在超分辨率下保持结构保证。

Comments Under review at TMLR

FedPS: Federated Preprocessing for structured data via aggregated Statistics

联邦数据预处理 via 聚合统计

Xuefeng Xu, Graham Cormode

机构 * University of Warwick（沃里克大学） ； University of Oxford（牛津大学） 纠错

AI总结 FedPS 是一种基于聚合统计的联邦数据预处理框架，通过数据草图技术实现高效的分布式预处理，支持特征缩放、编码、离散化和缺失值插补，并扩展了多种机器学习模型到水平和垂直联邦学习环境。

Comments TMLR 2026. 27 pages, 8 figures, 7 tables. Project page see http://xuefeng-xu.github.io/fedps.html

Attention Trajectories as a Diagnostic Axis for Deep Reinforcement Learning

注意力轨迹作为深度强化学习的诊断轴

Charlotte Beylier, Hannah Selder, Arthur Fleig, Simon M. Hofmann, Nico Scherf

机构 * Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） ； Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据与人工智能研究中心） ； Leipzig University（莱比锡大学） 纠错

AI总结 本文提出通过注意力轨迹分析深度强化学习代理的内部决策过程，揭示其特征依赖、策略偏差和过度拟合问题。

Comments Published in Transactions on Machine Learning Research: https://openreview.net/pdf?id=0aa9zthk7k

Journal ref Transactions on Machine Learning Research, 2835-8856, 2026

FORGE: Forward-Only Test-Time Adaptation for Integer-Only Vision Models on Microcontrollers

FORGE：面向微控制器上纯整数视觉模型的仅前向测试时自适应方法

Muhammad Rehan, Haider Ali, Muhammad Ali Munir, Moaz Amjad

机构 * SEECS, NUST（国家科技大学SEECS学院） ； FAST-NUCES（FAST-NUCES大学） 纠错

AI总结 FORGE是一种可在微控制器纯整数视觉模型上运行的仅前向测试时自适应方法，通过重新归一化融合卷积的输出恢复自适应能力，能耗低且泛化性好。

Comments 16 pages, 5 figures, 9 tables. Published in Transactions on Machine Learning Research (2026). OpenReview: https://openreview.net/forum?id=A45I5p25dd. Code and checkpoints: https://github.com/Rehan000/forge-tta

Journal ref Transactions on Machine Learning Research, 2026

Objective-Behavior Alignment: Diagnostics for MORL Policy Selection

目标-行为对齐：多目标强化学习策略选择的诊断方法

Antonio Mone, Zuzanna Osika, Florian Felten, Pradeep K. Murukannaiah, Mark Fuge, Frans A. Oliehoek, Luciano Cavalcante Siebert

机构 * Delft University of Technology（代尔夫特理工大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出一种诊断工作流，自动揭示帕累托前沿上仅靠目标值无法体现的行为差异，通过定量和可视化工具辅助策略选择，在简单网格和连续控制基准上验证有效性。

Comments 22 pages, 41 figures, Accepted to Transactions on Machine Learning Research (TMLR). OpenReview: openreview.net/forum?id=hfnMLNCCYz

Journal ref Transactions on Machine Learning Research, 2026. ISSN 2835-8856

What Drives Success in Physical Planning with Joint-Embedding Predictive World Models?

在联合嵌入预测世界模型中成功因素是什么？

Basile Terver, Tsung-Yen Yang, Jean Ponce, Adrien Bardes, Yann LeCun

机构 * Meta FAIR ； Inria Paris（巴黎理工院） ； Ecole normale supérieure / PSL（巴黎高等师范学院 / PSL） ； New York University（纽约大学） 纠错

AI总结 本文研究了在物理规划中使用联合嵌入预测世界模型（JEPA-WMs）的成功因素，通过分析模型架构、训练目标和规划算法对规划成功的影响，提出了一种在导航和操作任务中优于现有基线方法的模型。

Comments V2 of the article: - Added AdaLN-zero - Added table comparing JEPA-WMs with baselines with std translating per-seed variability only, no variability across epochs - Reordered figures in main body of the paper V3: added data scaling experiments, theoretical appendix section on autoregressive rollout, acceptance at TMLR V4: Added funding acknowledgements for Jean Ponce

On the Expressive Power and Limitations of Multi-Layer SSMs

多层状态空间模型的表达能力与局限性

Nikola Zubić, Qian Li, Yuyi Wang, Davide Scaramuzza

机构 * Robotics and Perception Group（机器人与感知组） ； University of Zurich（苏黎世大学） ； Shenzhen International Center For Industrial And Applied Mathematics（深圳国际工业与应用数学中心） ； Shenzhen Research Institute of Big Data（深圳大数据研究 institute） ； Tengen Intelligence Institute（腾格智能研究所） ； CRRC Zhuzhou Institute（CRRC 长沙研究所） 纠错

AI总结 研究多层状态空间模型的表达能力与限制，揭示其在组合任务中的不足，探讨链式推理对模型表达能力的影响，并分析宽度与精度之间的权衡。

Comments 28 pages, 6 theorems

Journal ref Transactions on Machine Learning Research (TMLR), 2026

RPP: A Certified Poisoned-Sample Detection Framework for Backdoor Attacks under Dataset Imbalance

RPP: 一种针对数据不平衡环境下后门攻击的认证 poisoned-样本检测框架

Miao Lin, Feng Yu, Rui Ning, Lusi Li, Jiawei Chen, Qian Lou, Mengxin Zheng, Chunsheng Xin, Hongyi Wu

机构 * Old Dominion University（旧 Dominion 大学） ； University of Texas at El Paso（德克萨斯大学埃尔帕索分校） ； University of Central Florida（中央佛罗里达大学） ； Iowa State University（爱荷华州立大学） ； University of Arizona（亚利桑那大学） 纠错

AI总结 RPP通过随机概率扰动框架，在黑盒环境下有效检测后门攻击，尤其在数据不平衡情况下表现优异。

Journal ref Transactions on Machine Learning Research, 2026

Uniformity First: Uniformity-aware Test-time Adaptation of Vision-language Models against Image Corruption

优先考虑均匀性：面向视觉语言模型应对图像损坏的感知均匀性测试时适应

Kazuki Adachi, Shin'ya Yamaguchi, Tomoki Hamagami

机构 * NTT, Inc.（NTT公司） ； Kyoto University（京都大学） ； Yokohama National University（横滨国立大学） 纠错

AI总结 针对CLIP等视觉语言模型难以应对图像损坏类分布偏移的问题，提出感知均匀性信息平衡测试时适应（UnInfo）方法，提升了图像损坏下的分类准确率。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

Taming Modality Entanglement in Continual Audio-Visual Segmentation

驯服持续音频-视觉分割中的模态纠缠

Yuyang Hong, Qi Yang, Tao Zhang, Zili Wang, Zhaojin Fu, Kun Ding, Bin Fan, Shiming Xiang

机构 * School of Artificial Intelligence, UCAS（人工智能学院，UCAS） ； MAIS, Institute of Automation（自动化研究所MAIS） ； School of Intelligent Science and Technology, University of Science and Technolog Beijing（智能科学与技术学院，北京理工大学） 纠错

AI总结 本文提出CAVS任务和CMR框架，通过解决多模态语义漂移和共现混淆问题，提升持续音频-视觉分割性能。

Comments Accepted by TMLR 2026

A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection

Sanggeon Yun, Ryozo Masukawa, Hyunwoo Oh, Nathaniel D. Bastian, Mohsen Imani

机构 * United States Military Academy, West Point（美国西点军事学院） 纠错

Comments Accepted to TMLR 2026

Enhancing Self-Supervised Visual Representation Learning via Low-Rank Adapted LLMs

通过低秩适配大语言模型（LLMs）增强自监督视觉表征学习

Selim Kuzucu, Muhammad Ferjad Naeem, Anna Kukleva, Federico Tombari, Bernt Schiele

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

AI总结 本文提出语言解锁视觉Transformer（LUViT），通过协同预训练策略，结合掩码自编码（MAE）与低秩适配（LoRA），解决LLMs与ViTs的模态不匹配问题，提升下游视觉任务性能。

Comments Published in Transactions on Machine Learning Research (TMLR), 32 pages, 7 figures

GENIE: Watermarking Graph Neural Networks for Link Prediction

GENIE：用于链接预测的图神经网络水印技术

Venkata Sai Pranav Bachina, Aaryan Ajay Sharma, Ankit Gangwal, Charu Sharma

机构 * IIIT Hyderabad（印度信息技术与管理研究院海得拉巴分校） 纠错

AI总结 本文提出首个用于链接预测GNN的水印方案GENIE，通过独特触发集与秘密水印向量创建后门，经多模型、多数据集及多攻击评估，验证了其鲁棒性并讨论了对抗自适应攻击的防御策略。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence

超越NL2Code：多模态代码智能的结构化综述

Xuanle Zhao, Qiushi Sun, Jingyu Xiao, Xuexin Liu, Haoyue Yang, Qiaosheng Chen, Xianzhen Luo, Jing Huang, Yufeng Zhong, Lei Chen, Shuai Fu, Zhenlin Wei, Jinhe Bi, Lei Jiang, Haibo Qiu, Siqi Yang, Peng Shi, Jian Hu, Zhixiong Zeng

机构 * Meituan（美团） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Science and Technology of China（中国科学技术大学） ； Queen Mary University of London（伦敦玛丽女王大学） 纠错

AI总结 本文系统综述多模态代码智能，将任务按代码角色分类，覆盖GUI、科学可视化、结构化图形及前沿任务，并提出四个基于验证的未来方向。

Comments Accepted by TMLR 2026

Breaking MCP with Function Hijacking Attacks: Novel Threats for Function Calling and Agentic Models

打破MCP：函数劫持攻击：函数调用和代理模型的新威胁

Yannis Belkhiter, Giulio Zizzo, Sergio Maffeis, Seshu Tirupathi, John D. Kelleher

机构 * IBM Research Europe（IBM欧洲研究院） ； Trinity College Dublin（三一学院都柏林） ； Imperial College London（帝国理工学院伦敦） ； ADAPT Research Centre（ADAPT研究中心） 纠错

AI总结 本文提出了一种新的函数劫持攻击，通过操纵代理模型的工具选择过程，迫使调用特定攻击者选择的函数，展示了代理模型在函数调用接口上的新漏洞。

Comments Accepted to TMLR (08/26)

Dynamic Model Routing and Cascading for Efficient LLM Inference: A Survey

动态模型路由与级联用于高效LLM推理：综述

Yasmin Moslem, John D. Kelleher

机构 * ADAPT Centre（ADAPT中心） ； School of Computer Science & Statistics（计算机科学与统计学学院） ； Trinity College Dublin（都柏林三一学院） 纠错

AI总结 本文综述了多LLM路由与级联方法，分析了不同路由范式及关键权衡，提出框架揭示路由系统在决策时机、信息使用和计算方式上的特性，强调实际系统常整合多种范式以优化性能。

Comments Accepted by TMLR (2026). Work funded by ADAPT Centre, Trinity College Dublin, and Huawei Ireland

Journal ref Transactions on Machine Learning Research (TMLR). 2026

Small Updates, Big Doubts: Does Parameter-Efficient Fine-tuning Enhance Hallucination Detection ?

小更新，大怀疑：参数高效微调是否增强幻觉检测？

Xu Hu, Yifan Zhang, Songtao Wei, Chen Zhao, Qiannan Li, Bingzhe Li, Feng Chen

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Baylor University（贝勒大学） ； The University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 本文研究参数高效微调对幻觉检测的影响，通过实证分析发现PEFT增强了检测能力，且主要通过重塑不确定性编码而非注入新知识。

Comments 18 pages, 13 figures, 8 tables

Journal ref Transactions on Machine Learning Research (TMLR), 08/2026 Transactions on Machine Learning Research

FocusAgent: Simple Yet Effective Ways of Trimming the Large Context of Web Agents

FocusAgent：修剪网页智能体大上下文的简单有效方法

Imene Kerboua, Sahar Omidi Shayegan, Megh Thakkar, Xing Han Lù, Léo Boisvert, Massimo Caccia, Jérémy Espinas, Alexandre Aussem, Véronique Eglin, Alexandre Lacoste

机构 * LIRIS - CNRS, INSA Lyon, Universite Claude Bernard Lyon 1（LIRIS - CNRS，INSA里昂，克劳德·贝尔纳大学里昂） ； Esker ； ServiceNow Research（ServiceNow研究） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） 纠错

AI总结 该研究提出FocusAgent，通过轻量级LLM检索器修剪网页智能体的无关上下文，在保持性能的同时减少观测规模超50%，并降低提示注入攻击风险。

Comments TMLR 08/2026

An Efficient Sparse Fine-Tuning with Low Quantization Error via Neural Network Pruning

一种通过神经网络剪枝实现低量化误差的高效稀疏微调方法

Cen-Jhih Li, Aditya Bhaskara

机构 * Kahlert School of Computing University of Utah（卡勒特计算学院 乌得勒支大学） 纠错

AI总结 本研究基于神经网络剪枝开发了新的稀疏微调框架，在通用语言任务上使稀疏微调内存效率提升20%-50%，且准确率达到低秩适配变体等最优方法的水平

Comments Published in Transactions on Machine Learning Research (TMLR), November 2025. Updated to the final published version

Journal ref Transactions on Machine Learning Research, 2025

Alert: Learning Trigger Functions for Early Classification of Time Series using Deep-RL

Alert：使用深度强化学习学习时间序列早期分类的触发函数

Aurélien Renault, Alexis Bondu, Antoine Cornuéjols, Vincent Lemaire

机构 * Orange Innovation（奥兰治创新中心） ； AgroParisTech（巴黎农艺学院） 纠错

AI总结 针对时间序列早期分类的触发函数优化问题，提出Deep-RL框架Alert及变体Alert+，经30个数据集验证，Alert+在平衡准确率与延迟上优于传统方法，已发布支持研究与应用。

Journal ref Transactions on Machine Learning Research 2026

MEGA: Message Passing Neural Networks for Multigraphs with EdGe Attributes

MEGA：面向带边属性的多重图的消息传递神经网络

H. Çağrı Bilgi, Kubilay Atasu

机构 * Delft University of Technology（代尔夫特理工大学） ； University of Neuchâtel（纳沙泰尔大学） 纠错

AI总结 针对带边属性多重图学习的局限，该研究提出邻居感知聚合算子，构建MEGA-GNN框架，在社交和金融数据集上验证其性能达到或超越现有最优方法。

Comments Accepted for publication in TMLR, 2026

JuryProbe: An Empirical Consensus-Risk Diagnostic for Routing Reference-Free Factuality Judge Panels to Grounded Verification

JuryProbe：用于将无参考事实性评判小组路由至基于事实的验证的经验共识风险诊断方法

Tianxin Zhou, Ruixi Lin

AI总结 针对无参考事实性LLM评判小组的共识风险诊断方法JuryProbe，通过校准路由策略减少假阴性盲区导致的错误，在FEVER数据上验证了其有效性，可降低假接受并减少参考获取。

Comments Accepted at Transactions on Machine Learning Research (TMLR), 08/2026. 21 pages, 1 figure, 16 tables

Journal ref Transactions on Machine Learning Research, 2026

Provably Efficient Reward Transfer in Reinforcement Learning with Discrete Markov Decision Processes

Kevin Vora, Yu Zhang

机构 * School of Computing and Augmented Intelligence（计算与增强智能学院） ； Arizona State University（亚利桑那州立大学） 纠错

Journal ref Transactions on Machine Learning Research (05/2026)

Many Circuits, One Mechanism: Input Variation and Evaluation Granularity in Circuit Discovery

多电路，单机制：电路发现中的输入变化与评估粒度

Alireza Bayat Makou, Jingcheng Niu, Subhabrata Dutta, Iryna Gurevych

机构 * UKP Lab, Technical University of Darmstadt（达姆施塔特技术大学UKP实验室） ； National Research Center for Applied Cybersecurity ATHENE（应用网络安全国家研究研究中心ATHENE） 纠错

AI总结 本文通过固定任务、改变输入统计量，发现电路结构差异并不对应功能差异（称为“伪特化”），并证明结构不同的电路实现相同计算，强调边缘级评估和跨条件迁移测试的必要性。

Comments 101 pages, 44 figures

Journal ref Transactions on Machine Learning Research, 2026

Bayes with No Shame: Admissibility Geometries of Predictive Inference

贝叶斯无羞耻：预测推断的可接受几何学

Nicholas G. Polson, Daniel Zantedeschi

机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Muma College of Business, University of South Florida（佛罗里达州立大学穆马商学院） 纠错

AI总结 本文探讨了四种不同的可接受几何学，用于序列和分布无关推断，提出各类可接受程序相互不嵌套，且具有不同的最优性证书。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR). 38 pages, 6 figures, 5 tables. This version synchronizes the preprint with the verified camera-ready manuscript; it clarifies the scope and assumptions of auxiliary results while leaving the main separation results and numerical findings unchanged. Video overview: https://doi.org/10.6084/m9.figshare.33350829

Private and interpretable clinical prediction with quantum-inspired tensor train models

具有量子启发张量列车模型的隐私和可解释性临床预测

José Ramón Pareja Monturiol, Juliette Sinnott, Roger G. Melko, Mohammad Kohandel

AI总结 本文提出基于量子启发张量列车模型的隐私保护和可解释性临床预测方法，通过实验展示其在提升模型隐私性和可解释性方面的有效性。

Comments 23 pages, 3 figures, 7 tables. The code for the experiments is publicly available at https://github.com/joserapa98/tns4loris. v2: Published version. OpenReview: https://openreview.net/forum?id=QtG3fC1v5t

Journal ref Transactions on Machine Learning Research (2026)