TMLR

CoCoIns: Consistent Subject Generation via Contrastive Instantiated Concepts

CoCoIns: 通过对比实例概念实现一致主体生成

Lee Hsin-Ying, Kelvin C. K. Chan, Ming-Hsuan Yang

机构 * University of California, Merced（加州大学默塞德分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 CoCoIns通过对比学习实现一致主体生成，提升多生成内容的一致性与灵活性。

Comments TMLR 2025. Project page: https://contrastive-concept-instantiation.github.io

Generalizability of experimental studies

实验研究的可推广性

Federico Matteucci, Vadim Arzamasov, Jose Cribeiro-Ramallo, Marco Heyden, Konstantin Ntounas, Klemens Böhm

机构 * Department of Computer Science（计算机科学系） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出了一种数学形式化框架，用于量化实验研究的可推广性，并通过最大均值差异和排名方法实现，同时发布工具包便于评估其他研究的可推广性。

Comments Under review at TMLR

Extending Graph Condensation to Multi-Label Datasets: A Benchmark Study

将图压缩扩展到多标签数据集：一个基准研究

Liangliang Zhang, Haoran Bao, Yao Ma

机构 * Rensselaer Polytechnic Institute（新泽西理工学院） 纠错

AI总结 本文提出了一种扩展图压缩方法以适应多标签数据集的框架，并通过实验验证其在多标签图数据上的有效性。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2025