TMLR

Domain Generalization for Time Series: Enhancing Drilling Regression Models for Stick-Slip Index Prediction

时序领域泛化：增强钻井回归模型用于钻具粘滑指数预测

Hana Yahia, Bruno Figliuzzi, Florent Di Meglio, Laurent Gerbaud, Stephane Menand, Mohamed Mahjoub

AI总结 本文提出通过领域泛化技术提升钻井回归模型对钻具粘滑指数预测的性能，ADG方法在检测严重事件方面表现最佳。

Journal ref Transactions on Machine Learning Research Journal, 2025

IPA: An Information-Reconstructive Input Projection Framework for Efficient Foundation Model Adaptation

IPA: 一种信息重构的输入投影框架，用于高效的基础模型适应

Yuan Yin, Shashanka Venkataramanan, Tuan-Hung Vu, Andrei Bursuc, Matthieu Cord

机构 * Sorbonne Université（索邦大学） ； CNRS（国家科学研究中心） ； ISIR（信息科学研究所） 纠错

AI总结 IPA通过信息重构的输入投影框架提升基础模型适应效率，实现更高准确率与更少参数消耗。

Comments Accepted to TMLR

Offline Model-Based Optimization: Comprehensive Review

离线模型驱动优化：全面综述

Minsu Kim, Jiayao Gu, Ye Yuan, Taeyoung Yun, Zixuan Liu, Yoshua Bengio, Can Chen

机构 * Mila - Quebec AI Institute/KAIST（魁北克AI研究所/韩国科学技术院） ； Mila - Quebec AI Institute/McGill University（魁北克AI研究所/麦吉尔大学） ； Mila - Quebec AI Institute/University of Montreal（魁北克AI研究所/蒙特利尔大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文综述了离线模型驱动优化的现状，分析了替代建模和生成建模两种方法，并探讨了该领域的发展方向。

Comments Accepted to TMLR 2026 (Survey Certification)

How Many Images Does It Take? Estimating Imitation Thresholds in Text-to-Image Models

需要多少张图片？文本到图像模型中模仿阈值的估计

Sahil Verma, Royi Rassin, Arnav Das, Gantavya Bhatt, Preethi Seshadri, Chirag Shah, Jeff Bilmes, Hannaneh Hajishirzi, Yanai Elazar

机构 * University of Washington, Seattle（华盛顿大学） ； Bar-Ilan University（巴伊兰大学） ； University of California, Irvine（加州大学伊文斯顿分校） ； Allen Institute of AI（人工智能研究院） 纠错

AI总结 研究通过评估文本到图像模型的模仿阈值，探讨其在版权和隐私合规中的应用。

Comments Accepted at TMLR 2025, ATTRIB, RegML, and SafeGenAI workshops at NeurIPS 2024 and NLLP Workshop 2024. https://openreview.net/forum?id=x0qJo7SPhs