TMLR

Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship

通过因果关系分布不变性学习因果图

Nang Hung Nguyen, Phi Le Nguyen, Thao Nguyen Truong, Trong Nghia Hoang, Masashi Sugiyama

机构 * The University of Tokyo, Japan（东京大学） ； Institute for AI Innovation and Societal Impact (AI4LIFE)（人工智能创新与社会影响研究所） ； Hanoi University of Science and Technology（河内科学技术大学） ； National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院） ； School of Electrical Engineering and Computer Science, Voiland College of Engineering and Architecture, Washington State University, Pullman, Washington, US（电气工程与计算机科学学院，工程与建筑学院，华盛顿州立大学） ； RIKEN（日本理化学研究所） 纠错

AI总结 本文提出通过因果关系分布不变性学习因果图的方法，利用分布不变性测试和稀疏性，高效恢复因果关系并提升可扩展性。

Journal ref Transactions on Machine Learning Research (Jan 2026)

HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis

HypCBC: 领域不变的双分支一致性用于通用化医学图像分析

Francesco Di Salvo, Sebastian Doerrich, Jonas Alle, Christian Ledig

机构 * Bamberg University of Bamberg（巴马克伯格大学） ； xAILab（xAIL实验室） 纠错

AI总结 HypCBC通过双曲流形建模提升医学图像分析的领域不变性，实现跨不同数据集和模态的泛化性能提升。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

MetaSym: A Symplectic Meta-learning Framework for Physical Intelligence

MetaSym: 一种用于物理智能的辛元学习框架

Pranav Vaidhyanathan, Aristotelis Papatheodorou, Mark T. Mitchison, Natalia Ares, Ioannis Havoutis

机构 * University of Oxford, UK（牛津大学） ； Trinity College Dublin, Ireland（都柏林信任学院） ； King’s College London, UK（伦敦国王学院） 纠错

AI总结 MetaSym 通过结合辛编码器和元注意解码器，实现对物理不变量的保护，并在多种现实任务中展现出优越的少样本适应能力。

Comments Published in Transactions on Machine Learning Research (TMLR), 10 + 18 pages, 9 figures, 10 tables

Journal ref Trans. Mach. Learn. Res., 2026