TMLR

nnActive: A Framework for Evaluation of Active Learning in 3D Biomedical Segmentation

nnActive: 一种用于评估3D生物医学分割中主动学习的框架

Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jaeger, Fabian Isensee, Klaus Maier-Hein

机构 * German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing（德国癌症研究中心（DKFZ）海德堡，医学影像计算部门） ； Helmholtz Imaging, German Cancer Research Center (DKFZ), Heidelberg, Germany（海德堡影像学，德国癌症研究中心（DKFZ），海德堡，德国） ； Faculty of Mathematics and Computer Science, University of Heidelberg, Germany（海德堡大学数学与计算机科学学院，德国） ； German Cancer Research Center (DKFZ) Heidelberg, Division of Intelligent Medical Systems（德国癌症研究中心（DKFZ）海德堡，智能医学系统部门） ； Institute for Machine Learning, ETH Zürich, Switzerland（苏黎世联邦理工学院机器学习研究所，瑞士） ； German Cancer Research Center (DKFZ) Heidelberg, Interactive Machine Learning Group（德国癌症研究中心（DKFZ）海德堡，交互式机器学习小组） ； Pattern Analysis and Learning Group, Department of Radiation Oncology, Heidelberg University Hospital, Germany（放射肿瘤学系模式分析与学习小组，海德堡大学医院，德国） ； National Center for Tumor Diseases (NCT) Heidelberg, Germany（海德堡肿瘤疾病国家中心（NCT），德国） 纠错

AI总结 nnActive提出一种开源框架，通过大规模研究和改进的随机采样策略，评估3D生物医学分割中主动学习的性能与效率。

Comments Accepted at TMLR

Minimax Multi-Target Conformal Prediction with Applications to Imaging Inverse Problems

最小最大多目标符合预测及其在成像反问题中的应用

Jeffrey Wen, Rizwan Ahmad, Philip Schniter

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The Ohio State University（俄亥俄州立大学） ； Department of Biomedical Engineering（生物医学工程系） 纠错

AI总结 本文提出了一种渐近最小最大方法用于多目标符合预测，应用于多指标盲图像质量评估、多任务不确定性量化和多轮测量获取，通过合成和MRI数据验证了其有效性。

Journal ref Transactions on Machine Learning Research, 11/2025. https://openreview.net/forum?id=53FEYwDQK0

The inexact power augmented Lagrangian method for constrained nonconvex optimization

不精确的幂增广拉格朗日方法用于约束非凸优化

Alexander Bodard, Konstantinos Oikonomidis, Emanuel Laude, Panagiotis Patrinos

AI总结 本文提出了一种不精确的幂增广拉格朗日方法，用于解决约束非凸优化问题，通过调整增广项的幂次来优化收敛性能。

Comments Accepted for publication in Transactions on Machine Learning Research

Exploring Weak-to-Strong Generalization for CLIP-based Classification

探索基于CLIP的分类中的弱到强泛化

Jinhao Li, Sarah M. Erfani, Lei Feng, James Bailey, Feng Liu

机构 * School of Computing and Information Systems University of Melbourne, Australia（墨尔本大学计算机与信息系统学院） ； School of Computing and Information Systems University of Melbournem, Australia（墨尔本大学计算机与信息系统学院） ； School of Computer Science and Engineering Southeast University, China（东南大学计算机科学与工程学院） 纠错

AI总结 本文提出类别原型学习方法，通过弱监督提升CLIP模型分类性能，实验显示在预训练受限情况下取得显著改进。

Comments TMLR

Frame-wise Conditioning Adaptation for Fine-Tuning Diffusion Models in Text-to-Video Prediction

基于帧级条件的微调扩散模型用于文本到视频预测

Zheyuan Liu, Junyan Wang, Zicheng Duan, Cristian Rodriguez-Opazo, Anton van den Hengel

AI总结 本文提出帧级条件适应方法，通过引入帧级文本嵌入提升文本到视频预测的连续性与生成质量。

Comments Accepted by TMLR, 11/2025. 29 pages, 15 figures

RIZE: Adaptive Regularization for Imitation Learning

RIZE：用于模仿学习的自适应正则化

Adib Karimi, Mohammad Mehdi Ebadzadeh

机构 * Amirkabir University of Technology（阿米尔卡比尔理工大学） 纠错

AI总结 RIZE提出了一种基于最大熵IRL框架的自适应正则化方法，通过动态目标正则化和分布式强化学习提升模仿学习的鲁棒性和性能。

Comments Camera-ready version. Published in Transactions on Machine Learning Research (2025). Official version: https://openreview.net/forum?id=a6DWqXJZCZ

Journal ref Transactions on Machine Learning Research (11/2025)

Preserving Expert-Level Privacy in Offline Reinforcement Learning

在离线强化学习中保护专家级隐私

Navodita Sharma, Vishnu Vinod, Abhradeep Thakurta, Alekh Agarwal, Borja Balle, Christoph Dann, Aravindan Raghuveer

机构 * Google DeepMind（谷歌DeepMind） ； CeRAI, IIT Madras（CeRAI，IIT马德拉斯） ； Google Research（谷歌研究） 纠错

AI总结 本文提出了一种基于共识的专家级差分隐私离线强化学习方法，通过在经典RL环境中进行实验，证明了在保护专家隐私的同时保持高性能的可行性。

Comments Top 10% submission at TMLR (J2C Certification)

An Unconditional Representation of the Conditional Score in Infinite-Dimensional Linear Inverse Problems

条件分数的无条件表示在无限维线性逆问题中

Fabian Schneider, Duc-Lam Duong, Matti Lassas, Maarten V. de Hoop, Tapio Helin

机构 * School of Engineering Science（工程科学学院） ； Lappeenranta-Lahti University of Technology（拉普兰塔-拉赫蒂技术大学） ； Vienna University of Technology (TU Wien)（维也纳技术大学） ； Department of Mathematics and Statistics（数学与统计学系） ； University of Helsinki（赫尔辛基大学） ； Department of Computational and Applied Mathematics（计算与应用数学系） ； Rice University（里士满大学） 纠错

AI总结 本文提出了一种针对线性逆问题的无条件条件分数表示方法，通过离线训练避免正向模型评估，实现高效且精确的采样。

Comments 37 pages, 13 figures, 3 tables. Accepted in TMLR November 2025