TMLR

Sparse-to-Sparse Training of Diffusion Models

扩散模型的稀疏到稀疏训练

Inês Cardoso Oliveira, Decebal Constantin Mocanu, Luis A. Leiva

机构 * University of Luxembourg（卢森堡大学） 纠错

AI总结 本文提出稀疏到稀疏训练范式，用于提升扩散模型在训练和推理效率上的性能，通过实验表明稀疏DMs在性能上优于密集模型，同时减少计算资源消耗。

Comments Accepted to TMLR

Journal ref Transactions on Machine Learning Research (TMLR) 2025

From discrete-time policies to continuous-time diffusion samplers: Asymptotic equivalences and faster training

从离散时间策略到连续时间扩散采样器：渐近等价与更快的训练

Julius Berner, Lorenz Richter, Marcin Sendera, Jarrid Rector-Brooks, Nikolay Malkin

机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； Zuse Institute Berlin（柏林泽尼克研究所） ； dida Datenschmiede GmbH（dida数据隐私公司） ； Jagiellonian University（雅盖隆大学） ； Mila, Université de Montréal（蒙特利尔大学机器学习研究所） ； University of Edinburgh（爱丁堡大学） ； CIFAR Fellow, Learning in Machines and Brains（CIFAR Fellow, 机器学习与大脑学习） 纠错

AI总结 本文提出通过渐近等价性将离散时间策略转化为连续时间扩散采样器，提升训练效率和采样性能。

Comments TMLR final version; code: https://github.com/GFNOrg/gfn-diffusion/tree/stagger

Scalable physical source-to-field inference with hypernetworks

可扩展的物理源到场推断与超网络

Berian James, Stefan Pollok, Ignacio Peis, Elizabeth Louise Baker, Jes Frellsen, Rasmus Bjørk

机构 * Technical University of Denmark（丹麦技术大学） ； Pioneer Centre for AI（先锋人工智能中心） 纠错

AI总结 本文提出一种基于超网络的可扩展物理源到场推断模型，通过隐式表示实现O(M + N)复杂度，提升物理模拟效率。

Comments Version accepted at TMLR

Improving Detection of Watermarked Language Models

提升水印语言模型的检测能力

Dara Bahri, John Wieting

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文通过结合水印与非水印检测器提升大型语言模型的检测能力。

Comments Published at TMLR 2026

LIT-LVM: Structured Regularization for Interaction Terms in Linear Predictors using Latent Variable Models

LIT-LVM：利用潜在变量模型对线性预测器中的交互项进行结构正则化

Mohammadreza Nemati, Zhipeng Huang, Kevin S. Xu

机构 * Department of Computer and Data Sciences（计算机与数据科学系） ； Case Western Reserve University（凯斯西储大学） ； Department of Mathematics and Computer Science（数学与计算机科学系） ； Suffolk University（索尔福德大学） 纠错

AI总结 LIT-LVM通过低维潜在变量模型对线性预测器中的交互项进行结构正则化，提升了预测精度并提供了特征的低维表示。

Comments Published in the Transactions on Machine Learning Research (2025). https://openreview.net/forum?id=3uW5nxESu1

Deep Multimodal Learning with Missing Modality: A Survey

缺失模态下的深度多模态学习：综述

Renjie Wu, Hu Wang, Hsiang-Ting Chen, Gustavo Carneiro

机构 * The Australian National University（澳大利亚国立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Adelaide University（阿德莱德大学） ； The University of Surrey（萨里大学） 纠错

AI总结 本文综述了缺失模态下的多模态学习方法，分析了其动机、技术细节、应用及挑战，为该领域的发展提供了全面的视角。

Comments Accepted by TMLR (Transactions on Machine Learning Research)

Policy Learning with a Language Bottleneck

具有语言瓶颈的策略学习

Megha Srivastava, Cedric Colas, Dorsa Sadigh, Jacob Andreas

机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Inria（法国国家信息与自动化技术研究院） 纠错

AI总结 通过语言瓶颈框架，AI代理能生成可解释的策略规则，提升与人类的协作效率。

Comments Accepted to TMLR (2026)