TMLR

Sparse, Efficient and Explainable Data Attribution with DualXDA

稀疏、高效且可解释的数据归因与DualXDA

Galip Ümit Yolcu, Moritz Weckbecker, Thomas Wiegand, Wojciech Samek, Sebastian Lapuschkin

机构 * Department of Artificial Intelligence Fraunhofer Heinrich Hertz Institute（人工智能系 汉诺威弗劳恩霍夫研究所） ； Department of Electrical Engineering and Computer Science Technische Universität Berlin（电气工程与计算机科学系 柏林技术大学） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Centre of eXplainable Artificial Intelligence Technological University Dublin（可解释人工智能中心 立陶宛技术大学） 纠错

AI总结 DualXDA提出了一种高效且可解释的数据归因方法，通过支持向量机理论实现快速稀疏归因，并在多个下游任务中表现出色。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2025

Boosting Revisited: Benchmarking and Advancing LP-Based Ensemble Methods

提升法再审视：对基于线性规划的集成方法的基准测试与推进

Fabian Akkerman, Julien Ferry, Christian Artigues, Emmanuel Hebrard, Thibaut Vidal

机构 * Industrial Engineering and Management Science University of Twente（特文特大学工业工程与管理科学学院） ； CIRRELT & SCALE-AI Chair in Data-Driven Supply Chains Polytechnique Montréal（蒙特利尔大学数据驱动供应链联合主席） ； LAAS-CNRS Université de Toulouse（图卢兹大学CNRS LAAS研究所） 纠错

AI总结 本文提出两种新的基于线性规划的提升方法，通过大规模实验展示其在多种数据集上的性能，证明其在使用浅层树时可超越现有启发式方法，并产生更稀疏的集成。

Comments Published in Transactions on Machine Learning Research (2025), see: https://openreview.net/forum?id=lscC4PZUE4

Continual Learning on CLIP via Incremental Prompt Tuning with Intrinsic Textual Anchors

通过内在文本锚点进行增量提示调优实现CLIP的持续学习

Haodong Lu, Xinyu Zhang, Kristen Moore, Jason Xue, Lina Yao, Anton van den Hengel, Dong Gong

机构 * School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） ； Data61, CSIRO（CSIRO数据61研究中心） ； School of Computer Science, University of Auckland（奥克兰大学计算机科学学院） ； Australian Institute for Machine Learning (AIML), The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所） 纠错

AI总结 本文提出基于增量提示调优的CLIP持续学习方法，通过引入文本原型作为稳定锚点，提升多模态嵌入空间稳定性，并联合优化视觉和文本提示以减少遗忘。

Comments Accepted at TMLR. Code is available at https://github.com/jeff024/tppt

Basis Selection: Low-Rank Decomposition of Pretrained Large Language Models for Target Applications

基底选择：为特定应用预训练大语言模型的低秩分解

Yang Li, Daniel Agyei Asante, Changsheng Zhao, Ernie Chang, Yangyang Shi, Vikas Chandra

机构 * Iowa State University（爱荷华州立大学） ； Meta 纠错

AI总结 本文提出了一种针对特定应用的LLM低秩分解方法，通过识别并去除冗余部分，有效压缩模型大小并保持性能。

Comments Transactions on Machine Learning Research (TMLR), 2025