TMLR

On the Hardness of Computing Counterfactual and Semifactual Explanations in XAI

在XAI中计算反事实和半事实解释的难度

André Artelt, Martin Olsen, Kevin Tierney

机构 * Faculty of Technology（技术学院） ； Bielefeld University（比勒菲尔德大学） ； Department of Business Development and Technology（商业发展与技术系） ； Aarhus University（哥本哈根大学） ； Department of Business Decisions and Analytics（商业决策与分析系） ； University of Vienna（维也纳大学） 纠错

AI总结 本文研究了在XAI中生成反事实和半事实解释的计算难度，发现其在许多情况下具有计算复杂性，并提出了近似性结果以支持这一结论。

Comments Accepted in Transactions on Machine Learning Research (TMLR), 2025 -- https://openreview.net/pdf?id=aELzBw0q1O

Journal ref Transactions on Machine Learning Research (TMLR), 2025

FeatInv: Spatially resolved mapping from feature space to input space using conditional diffusion models

FeatInv: 通过条件扩散模型实现从特征空间到输入空间的空间解析映射

Nils Neukirch, Johanna Vielhaben, Nils Strodthoff

机构 * Division AI4Health（AI4Health部门） ； Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西特齐克大学） ； Explainable Artificial Intelligence Group（可解释人工智能小组） ； Fraunhofer Heinrich-Hertz-Institute（弗劳恩霍夫海因里希-赫兹研究所） 纠错

AI总结 FeatInv通过条件扩散模型实现从特征空间到输入空间的空间解析映射，提升深度学习模型的可解释性与理解能力。

Comments Version published by Transactions on Machine Learning Research in 2025 (TMLR ISSN 2835-8856) at https://openreview.net/forum?id=UtE1YnPNgZ. 32 pages, 27 figures. This work builds on an earlier manuscript (arXiv:2505.21032) and crucially extends it. Code is available at https://github.com/AI4HealthUOL/FeatInv

Journal ref Version published by Transactions on Machine Learning Research in 2025 (TMLR ISSN 2835-8856) https://openreview.net/forum?id=UtE1YnPNgZ

DiffSampling: Enhancing Diversity and Accuracy in Neural Text Generation

DiffSampling：提升神经文本生成的多样性和准确性

Giorgio Franceschelli, Mirco Musolesi

机构 * Alma Mater Studiorum Università di Bologna（博洛尼亚大学） ； University College London（伦敦大学学院） 纠错

AI总结 DiffSampling通过分析令牌概率分布，提升神经文本生成的多样性和准确性，实验表明其在质量上与现有方法相当。

Comments Published in Transactions on Machine Learning Research (2025), see https://tmlr.infinite-conf.org/paper_pages/kXjHbMvdIi.html

The AI Hippocampus: How Far are We From Human Memory?

人工智能海马体：我们离人类记忆还有多远？

Zixia Jia, Jiaqi Li, Yipeng Kang, Yuxuan Wang, Tong Wu, Quansen Wang, Xiaobo Wang, Shuyi Zhang, Junzhe Shen, Qing Li, Siyuan Qi, Yitao Liang, Di He, Zilong Zheng, Song-Chun Zhu

AI总结 本文综述了大语言模型和多模态大语言模型中记忆机制的分类与研究进展，探讨了隐性、显性和代理记忆框架，以及多模态场景下的记忆整合与挑战。

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

Video Prediction Transformers without Recurrence or Convolution

没有递归或卷积的视频预测变压器

Yujin Tang, Lu Qi, Xiangtai Li, Chao Ma, Ming-Hsuan Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of California, Merced（加州大学默塞德分校） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出PredFormer，一种基于门控变压器的视频预测框架，通过全面分析3D注意力并进行广泛实验，展示了其在四个标准基准上的最佳性能。

Comments Accepted by Transactions on Machine Learning Research 2026; Project Page: https://yyyujintang.github.io/predformer-project/