TMLR

Targeted Unlearning Using Perturbed Sign Gradient Methods With Applications On Medical Images

利用扰动符号梯度方法的目标遗忘与医疗图像应用

George R. Nahass, Zhu Wang, Homa Rashidisabet, Won Hwa Kim, Sasha Hubschman, Jeffrey C. Peterson, Chad A. Purnell, Pete Setabutr, Ann Q. Tran, Darvin Yi, Sathya N. Ravi

机构 * Department of Biomedical Engineering（生物医学工程系） ； Department of Ophthalmology（眼科学系） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Department of Computer Science（计算机科学系） ； Computer Science and Engineering（计算机科学与工程） ； Pohang University of Science and Technology, South Korea（韩国釜山科学技术大学） ； Department of Plastic and Reconstructive Surgery（整形外科与重建外科系） 纠错

AI总结 本文提出了一种基于扰动符号梯度的方法，用于医疗图像中的目标遗忘，通过可调损失设计和模型组合策略，在遗忘与保留之间取得平衡，优于现有基线方法。

Comments 39 pages, 12 figures, 11 tables, 3 algorithms

Journal ref Transactions on Machine Learning Research 2025, https://openreview.net/forum?id=XE0bJg6sQN

Are Time-Indexed Foundation Models the Future of Time Series Imputation?

时间索引基础模型是否是时间序列填补的未来？

Etienne Le Naour, Tahar Nabil, Adrien Petralia, Ghislain Agoua

机构 * EDF R&D（EDF研究与开发） 纠错

AI总结 本文首次对时间索引基础模型进行大规模实证研究，证明其在多种场景下无需重新训练即可实现零样本时间序列填补。

Comments Transactions on Machine Learning Research, 2026

Survey of Video Diffusion Models: Foundations, Implementations, and Applications

视频扩散模型综述：基础、实现与应用

Yimu Wang, Xuye Liu, Wei Pang, Li Ma, Shuai Yuan, Paul Debevec, Ning Yu

机构 * University of Waterloo（滑铁卢大学） ； Netflix Eyeline Studios ； Duke University（杜克大学） 纠错

AI总结 本文综述视频扩散模型的基础、实现与应用，系统梳理了当前方法学体系，分析架构创新与优化策略，并探讨其在视频生成中的实际应用及与其他领域的协同作用。

Comments Accepted by TMLR

Constant Rate Scheduling: A General Framework for Optimizing Diffusion Noise Schedule via Distributional Change

恒定速率调度：通过分布变化优化扩散噪声调度的通用框架

Shuntaro Okada, Kenji Doi, Ryota Yoshihashi, Hirokatsu Kataoka, Tomohiro Tanaka

机构 * LY Corporation, Japan（日本LY公司） 纠错

AI总结 本文提出了一种通过分布变化优化扩散噪声调度的通用框架，通过恒定速率变化提升扩散模型在像素空间和潜在空间中的性能，实现更高质量的样本生成。

Comments Published in Transactions on Machine Learning Research (TMLR), January 2026

BiSSL: Enhancing the Alignment Between Self-Supervised Pretraining and Downstream Fine-Tuning via Bilevel Optimization

BiSSL: 通过双层优化增强自监督预训练与下游微调之间的对齐

Gustav Wagner Zakarias, Lars Kai Hansen, Zheng-Hua Tan

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

AI总结 BiSSL通过双层优化增强自监督预训练与下游微调之间的对齐，提升模型在下游任务中的性能。

Journal ref Transactions on Machine Learning Research (TMLR), (02/2026)

Decomposed Direct Preference Optimization for Structure-Based Drug Design

基于结构的分解直接偏好优化用于基于结构的药物设计

Xiwei Cheng, Xiangxin Zhou, Yuwei Yang, Yu Bao, Quanquan Gu

AI总结 DecompDPO通过分解优化目标和引入物理信息能量项，提升基于结构的药物设计中分子生成与优化的性能。

Comments Accepted by TMLR

On-Policy Policy Gradient Reinforcement Learning Without On-Policy Sampling

在线策略策略梯度强化学习无需在线采样

Nicholas E. Corrado, Josiah P. Hanna

AI总结 本文提出PROPS方法，通过自适应离线采样减少在线策略梯度强化学习中的采样误差，提高数据效率。

Comments TMLR 2026

Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations

时间序列连续建模用于插值与预测的隐式神经表示

Etienne Le Naour, Louis Serrano, Léon Migus, Yuan Yin, Ghislain Agoua, Nicolas Baskiotis, Patrick Gallinari, Vincent Guigue

机构 * EDF R&D（EDF研究与开发） ； Sorbonne Université（索邦大学） ； CNRS（国家科学研究中心） ； ISIR（信息科学研究所） ； Laboratoire Jacques-Louis Lions（雅克-路易-洛朗实验室） ； Criteo AI Lab（Criteo人工智能实验室） ； AgroParisTech（农业巴黎技术学院） 纠错

AI总结 该研究提出了一种基于隐式神经表示的时间序列连续建模方法，通过元学习驱动的调制机制实现对不规则数据和长期预测的高效处理，从而在多个基准测试中取得最佳性能。

Journal ref Transactions on Machine Learning Research (TMLR), 2024