TMLR

Angular Regularization for Positive-Unlabeled Learning on the Hypersphere

基于超球面的正负 unlabeled 学习角度正则化

Vasileios Sevetlidis, George Pavlidis, Antonios Gasteratos

机构 * Athena RC Democritus University of Thrace（阿塔尼亚RC德摩克利特大学） ； Athena RC University Campus Kimmeria（阿塔尼亚RC大学校园基米里亚） ； Democritus University of Thrace Dept. Production and Management Engineering（德摩克利特大学生产与管理工程系） 纠错

AI总结 AngularPU 通过在超球面上利用余弦相似度和角度边距，提出了一种新的正负 unlabeled 学习框架，解决了高维数据中正例稀缺的问题，提升了模型的可解释性和性能。

Comments Featured Certification, J2C Certification. Transactions on Machine Learning Research, 2025

Journal ref Transactions on Machine Learning Research, 2025

Bayesian Ensembling: Insights from Online Optimization and Empirical Bayes

贝叶斯集成：来自在线优化和经验贝叶斯的见解

Daniel Waxman, Fernando Llorente, Petar M. Djurić

机构 * Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁赫斯国家实验室） ； Basis Research Institute（基础研究机构） 纠错

AI总结 本文提出在线贝叶斯堆叠（OBS）方法，通过优化预测分布的对数得分来适应性地组合贝叶斯模型，并将其与投资组合选择理论联系起来，提供了一种新的理论框架和高效算法。

Comments 28 pages, 10 figures; Accepted to Transactions on Machine Learning Research (TMLR)

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

Learning and Transferring Physical Models through Derivatives

通过导数学习和迁移物理模型

Alessandro Trenta, Andrea Cossu, Davide Bacciu

机构 * Department of Computer Science, University of Pisa（计算机科学系，比萨大学） 纠错

AI总结 通过导数学习和迁移方法，DERL在逐步构建物理模型时，能有效迁移知识并优于现有方法。

Comments Accepted at Transactions on Machine Learning Research (TMLR) in January 2026

Data Matters Most: Auditing Social Bias in Contrastive Vision Language Models

数据最为关键：审计对比视觉语言模型中的社会偏见

Zahraa Al Sahili, Ioannis Patras, Matthew Purver

机构 * Queen Mary University of London（伦敦女王学院） ； Institut Jožef Stefan（Jožef Stefan研究所） 纠错

AI总结 研究通过对比CLIP和OpenCLIP模型，发现数据来源是偏见的主要驱动因素，不同去偏策略在不同模型和数据规模下效果各异。

Comments Published at TMLR; updated version

A Concept-Centric Approach to Multi-Modality Learning

面向多模态学习的概念中心方法

Yuchong Geng, Ao Tang

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出了一种以概念为中心的多模态学习框架，通过共享的概念空间和模态特定的投影模型，实现高效的知识迁移与跨模态适应。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. Official version: https://openreview.net/forum?id=8WAAPP32c7

Journal ref Transactions on Machine Learning Research, 2026

Towards Fast Safe Online Reinforcement Learning via Policy Finetuning

通过策略微调实现快速安全在线强化学习

Keru Chen, Honghao Wei, Zhigang Deng, Sen Lin

机构 * School of Electrical, Computer and Energy Engineering（电气、计算机与能源工程学院） ； Arizona State University（亚利桑那州立大学） ； School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） ； Washington State University（华盛顿州立大学） ； Department of Computer Science（计算机科学系） ； University of Houston（休斯顿大学） 纠错

AI总结 本文提出Marvel框架，通过价值预对齐和自适应PID控制，实现更高效安全的在线强化学习。

Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026

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