TMLR

Uncovering the Computational Roles of Nonlinearity in Sequence Modeling Using Almost-Linear RNNs

揭示近线性RNN中非线性在序列建模中的计算作用

Manuel Brenner, Georgia Koppe

机构 * Interdisciplinary Center for Scientific Computing, Heidelberg University（海德堡大学交叉科学计算中心） ； Ernst Strüngmann Institute of the Max Planck Society, Frankfurt（马克斯·普朗克学会恩斯特·斯特鲁姆曼研究所，法兰克福） ； Dept. of Psychiatry, Goethe University Frankfurt（弗赖堡大学精神病科部门） ； Hector Institute for AI in Psychiatry and Dept. of Psychiatry and Psychotherapy, Central Institute for Mental Health Mannheim（心理健康中央研究所曼海姆精神病学与心理学部及人工智能在精神病学中的海克特研究所） ； Hertie Institute for AI in Brain Health, Tübingen（图宾根大学健康大脑人工智能研究所） 纠错

AI总结 通过近线性RNN揭示非线性在序列建模中的计算作用，证明稀疏非线性可提升可解释性和效率。

Comments Published in Transactions on Machine Learning Research (TMLR), https://openreview.net/forum?id=qI2Vt9P9rl

Investigating a Model-Agnostic and Imputation-Free Approach for Irregularly-Sampled Multivariate Time-Series Modeling

探究一种模型无关且无需插值的不规则采样多变量时间序列建模方法

Abhilash Neog, Arka Daw, Sepideh Fatemi Khorasgani, Medha Sawhney, Aanish Pradhan, Mary E. Lofton, Bennett J. McAfee, Adrienne Breef-Pilz, Heather L. Wander, Dexter W Howard, Cayelan C. Carey, Paul Hanson, Anuj Karpatne

机构 * Virginia Tech（弗吉尼亚理工大学） ； Oak Ridge National Lab（橡树岭国家实验室） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种无需插值的模型无关方法MissTSM，用于不规则采样多变量时间序列建模，在高缺失率和无周期结构条件下表现优异。

Comments Accepted at TMLR

Journal ref Transactions on Machine Learning Research (2026)

On a Gradient Approach to Chebyshev Center Problems with Applications to Function Learning

关于通过梯度方法解决Chebyshev中心问题及其在函数学习中的应用

Abhinav Raghuvanshi, Mayank Baranwal, Debasish Chatterjee

机构 * Indian Institute of Technology, Bombay（印度理工学院，孟买） 纠错

AI总结 gradOL通过梯度方法解决Chebyshev中心问题，提供理论支持和高效算法，显著提升函数学习和优化性能。

Comments Accepted to TMLR

Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling

受动力学启发的结构幻想用于蛋白质-蛋白质相互作用建模

Fang Wu, Stan Z. Li

机构 * Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学） ； School of Engineering（工程学院） ； Westlake University（西湖大学） 纠错

AI总结 本文提出Refine-PPI框架，通过结构细化模块和概率密度云网络，解决突变蛋白质结构获取困难和动态几何不确定性建模问题。

Journal ref Transactions on Machine Learning Research 2025

LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators

LOGLO-FNO：高效学习傅里叶神经算子中的局部和全局特征

Marimuthu Kalimuthu, David Holzmüller, Mathias Niepert

AI总结 LOGLO-FNO通过引入局部卷积和高频传播模块，提升傅里叶神经算子在处理高频和局部特征方面的性能，减少参数量并提高稳定性。

Comments Published with J2C Certification in Transactions on Machine Learning Research (TMLR)