TMLR

Diversity Boosts AI-Generated Text Detection

多样性增强AI生成文本检测

Advik Raj Basani, Pin-Yu Chen

机构 * Birla Institute of Technology and Science, Goa（比拉理工学院和科学研究院，果阿） ； IBM Research（IBM研究院） 纠错

AI总结 DivEye通过捕捉文本中不可预测性的波动，提出了一种新的AI生成文本检测框架，实现了高达33.2%的检测性能提升，并提供可解释的检测原因分析。

Comments Accepted to Transactions on Machine Learning Research (TMLR '26). Project page and demos: https://diveye.vercel.app/

Causal Decoding for Hallucination-Resistant Multimodal Large Language Models

因果解码用于抗幻觉的多模态大语言模型

Shiwei Tan, Hengyi Wang, Weiyi Qin, Qi Xu, Zhigang Hua, Hao Wang

机构 * Rutgers University（新泽西罗格斯大学） ； Meta Ranking AI（Meta 排名人工智能） 纠错

AI总结 本文提出因果解码框架，通过针对性干预减少多模态大语言模型中的物体幻觉，提升响应的准确性和忠实度。

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

Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation

通过高效空间-频率退化适应实现任意图像修复

Bin Ren, Eduard Zamfir, Zongwei Wu, Yawei Li, Yidi Li, Danda Pani Paudel, Radu Timofte, Ming-Hsuan Yang, Luc Van Gool, Nicu Sebe

机构 * University of Trento（特伦托大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Würzburg（乌尔姆大学） ； ETH Zürich（苏黎世联邦理工学院） ； Taiyuan University of Technology（太原理工大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 AnyIR通过联合嵌入机制实现高效且全面的图像修复，减少模型参数和FLOPs达84%和80%，在四个基准测试中取得SOTA性能。

Comments Efficient All-in-One Image Restoration, Accepted by TMLR in 2026

Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation via Incentivized Exploration

具有激励的合成控制：通过激励探索实现准确的反事实估计

Daniel Ngo, Keegan Harris, Anish Agarwal, Vasilis Syrgkanis, Zhiwei Steven Wu

机构 * J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。

Comments Accepted to TMLR