TMLR

Causal Ordering for Structure Learning from Time Series

时间序列中结构学习的因果顺序

Pedro P. Sanchez, Damian Machlanski, Steven McDonagh, Sotirios A. Tsaftaris

AI总结 DOTS通过整合多个因果顺序，提高了时间序列中因果结构学习的准确性和效率。

Comments 32 pages. Published in Transactions on Machine Learning Research

Towards Fair In-Context Learning with Tabular Foundation Models

朝着基于表格基础模型的公平上下文学习

Patrik Kenfack, Samira Ebrahimi Kahou, Ulrich Aïvodji

机构 * ÉTS Montréal（蒙特利尔ÉTS） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Calgary（卡尔加里大学） ； CIFAR（加拿大基础科学研究院） 纠错

AI总结 本文提出通过三种预处理方法提升基于表格基础模型的上下文学习公平性，实验表明基于不确定性的策略有效提高公平性指标且对预测准确性影响小。

Comments Published in Transactions on Machine Learning Research (TMLR)

ULTra: Unveiling Latent Token Interpretability in Transformer-Based Understanding and Segmentation

ULTra: 在基于变换器的理解与分割中揭示潜在令牌可解释性

Hesam Hosseini, Ghazal Hosseini Mighan, Amirabbas Afzali, Sajjad Amini, Amir Houmansadr

机构 * Sharif University of Technology（谢里夫理工大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 ULTra通过自监督学习提升无监督语义分割性能，并揭示变换器中潜在令牌的语义模式。

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

Training More Robust Classification Model via Discriminative Loss and Gaussian Noise Injection

通过判别损失和高斯噪声注入训练更鲁棒的分类模型

Hai-Vy Nguyen, Fabrice Gamboa, Sixin Zhang, Reda Chhaibi, Serge Gratton, Thierry Giaccone

机构 * Ampere Software Technology（Ampere软件技术公司） ； Institut de mathématiques de Toulouse（图卢兹数学研究所） ； Institut de Recherche en Informatique de Toulouse（图卢兹计算机研究所） ； Laboratoire Jean Alexandre Dieudonné, Université Côte d’Azur（坎特伯雷大学Dieudonné实验室） 纠错

AI总结 本文提出通过判别损失和高斯噪声注入提升模型鲁棒性，增强特征判别性和类别分离性，同时减少损失曲率以提升鲁棒性。

Comments Published in Transactions on Machine Learning Research (TMLR)

Communication-Efficient Federated AUC Maximization with Cyclic Client Participation

通信高效联邦AUC最大化与循环客户端参与

Umesh Vangapally, Wenhan Wu, Chen Chen, Zhishuai Guo

机构 * Department of Computer Science, Northern Illinois University（北伊利诺伊大学计算机科学系） ； Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系） ； Center for Research in Computer Vision, University of Central Florida（佛罗里达中央大学计算机视觉研究中心） 纠错

AI总结 本文提出通信高效联邦AUC最大化方法，解决循环客户端参与下的优化挑战，通过平方替代损失和通用成对AUC损失实现高效学习。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

ExDBN: Learning Dynamic Bayesian Networks using Extended Mixed-Integer Programming Formulations

ExDBN：利用扩展混合整数规划公式学习动态贝叶斯网络

Pavel Rytir, Ales Wodecki, Georgios Korpas, Jakub Marecek

机构 * Czech Technical University in Prague（捷克技术大学布拉格分校） ； HSBC Holdings Plc., Singapore（汇丰控股有限公司（新加坡）） ； Athena Research Center（雅典研究中心） 纠错

AI总结 ExDBN通过扩展混合整数规划公式，提出了一种基于得分的学习算法，以更准确地学习动态贝叶斯网络。

Comments Code available at: https://github.com/pavelrt/ExDBN

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