TMLR

Steering Dialogue Dynamics for Robustness against Multi-turn Jailbreaking Attacks

引导对话动态以对抗多轮劫持攻击

Hanjiang Hu, Alexander Robey, Changliu Liu

AI总结 本研究提出基于安全控制理论的神经屏障函数，通过状态空间建模和安全预测器，有效防御多轮劫持攻击，提升对话安全性与实用性。

Comments TMLR, 31 pages, 11 figures, 15 tables

Fast Graph Generation via Autoregressive Noisy Filtration Modeling

通过自回归噪声过滤建模实现快速图生成

Markus Krimmel, Jenna Wiens, Karsten Borgwardt, Dexiong Chen

机构 * Max Planck Institute of Biochemistry（马克斯·普朗克生物化学研究所） 纠错

AI总结 ANFM通过自回归噪声过滤建模实现高质量且高速的图生成。

Journal ref Transactions on Machine Learning Research, 2026

GraphFM: A generalist graph transformer that learns transferable representations across diverse domains

GraphFM: 一种通用的图变换器，能够在不同领域中学习可迁移的表示

Divyansha Lachi, Mehdi Azabou, Vinam Arora, Eva Dyer

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 GraphFM是一种通用图变换器，通过多图预训练学习可迁移的表示，提升跨不同图结构和任务的性能。

Journal ref Transactions on Machine Learning Research, 2025

When Attention Collapses: How Degenerate Layers in LLMs Enable Smaller, Stronger Models

当注意力崩溃：LLMs中的退化层如何使小型模型更强大

Sunny Sanyal, Ravid Shwartz-Ziv, Alexandros G. Dimakis, Sujay Sanghavi

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； UC Berkeley（伯克利加州大学） 纠错

AI总结 Inheritune通过继承预训练模型的早期层来构建更小但更强的语言模型，实现模型压缩与性能的平衡。

Comments Published in Transactions on Machine Learning Research (TMLR)

A Survey on Generative Modeling with Limited Data, Few Shots, and Zero Shot

有限数据、少样本和零样本生成建模综述

Milad Abdollahzadeh, Guimeng Liu, Touba Malekzadeh, Christopher T. H. Teo, Keshigeyan Chandrasegaran, Ngai-Man Cheung

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； SAP, Singapore（新加坡SAP公司） ； Stanford University（斯坦福大学） 纠错

AI总结 本文综述了在有限数据、少样本和零样本条件下生成建模的挑战与方法，提出了新的分类体系，并探讨了未来研究方向。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

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

DiffusionRollout: Uncertainty-Aware Rollout Planning in Long-Horizon PDE Solving

DiffusionRollout：长时间尺度PDE求解中的不确定性感知 rollout 计划

Seungwoo Yoo, Juil Koo, Daehyeon Choi, Minhyuk Sung

AI总结 DiffusionRollout通过自适应选择步长策略，提升长时间尺度PDE求解的预测可靠性与准确性。

Comments TMLR

The Speed-up Factor: A Quantitative Multi-Iteration Active Learning Performance Metric

速度提升因子：一种定量的多轮主动学习性能度量指标

Hannes Kath, Thiago S. Gouvêa, Daniel Sonntag

机构 * Department of Applied Artificial Intelligence（应用人工智能系） ； University of Oldenburg（旧enburg大学） ； Department of Interactive Machine Learning（交互式机器学习系） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） 纠错

AI总结 本文提出速度提升因子，用于量化主动学习中多轮查询方法的性能，通过实验验证其在不同数据集和算法上的有效性与稳定性。

Journal ref H. Kath, T.S. Gouvêa, D. Sonntag (2026). The Speed-up Factor: A Quantitative Multi-Iteration Active Learning Performance Metric. Transactions on Machine Learning Research

LO-BCQ: Block Clustered Quantization for 4-bit (W4A4) LLM Inference

LO-BCQ：用于4位（W4A4）大语言模型推理的块聚类量化

Reena Elangovan, Charbel Sakr, Anand Raghunathan, Brucek Khailany

机构 * NVIDIA Corporation（NVIDIA公司） ； Department of ECE（电子工程系） ； Purdue University（普渡大学） 纠错

AI总结 LO-BCQ通过块聚类量化方法，在W4A4格式下实现4位大语言模型推理，取得<1%的精度损失，提升推理效率。

Journal ref Transactions on Machine Learning Research, 2025

Denoising Diffusions with Optimal Transport: Localization, Curvature, and Multi-Scale Complexity

去噪扩散与最优传输：局部化、曲率与多尺度复杂性

Tengyuan Liang, Kulunu Dharmakeerthi, Takuya Koriyama

机构 * University of Chicago, Booth School of Business（芝加哥大学商学院） ； University of Chicago（芝加哥大学） 纠错

AI总结 该研究探讨了基于最优传输的去噪扩散方法，通过多尺度曲率复杂性分析去噪难度，揭示了曲率与信噪比的关系，以及多尺度复杂性对去噪过程的影响。

Comments 30 pages, 11 figures

Journal ref Transactions on Machine Learning Research, 2026