TMLR

Optimistic Online Learning in Symmetric Cone Games

对称锥博弈中的乐观在线学习

Anas Barakat, Wayne Lin, John Lazarsfeld, Antonios Varvitsiotis

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； National University of Singapore（新加坡国立大学） ； Centre for Quantum Technologies（量子技术中心） ； Archimedes/Athena Research Center（Archimedes/Athena研究中心） 纠错

AI总结 本文提出了一种在对称锥博弈中计算近似纳什均衡的乐观在线学习算法，该算法具有通用性和高效的迭代复杂度。

Comments Published in Transactions on Machine Learning Research 2026

Wikipedia in the Era of LLMs: Evolution and Risks

维基百科在大语言模型时代的演变与风险

Siming Huang, Yuliang Xu, Mingmeng Geng, Yao Wan, Dongping Chen

AI总结 本文研究了大语言模型对维基百科的影响，分析了其在文章内容、页面浏览和NLP任务中的作用，指出潜在风险并提出监控框架。

Comments Accepted by TMLR: https://openreview.net/forum?id=ahVmnYkVLt

Return Augmented Decision Transformer for Off-Dynamics Reinforcement Learning

用于离线非动力学强化学习的返回增强决策变压器

Ruhan Wang, Yu Yang, Zhishuai Liu, Dongruo Zhou, Pan Xu

机构 * Indiana University（印第安纳大学） ； Duke University（杜克大学） 纠错

AI总结 本文提出REAG方法，通过增强源领域回报分布以解决非动力学强化学习中的动力学转移问题，提升DT框架在目标领域中的性能。

Comments 26 pages, 11 tables, 8 figures. Published in Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026

Topological Inductive Bias fosters Multiple Instance Learning in Data-Scarce Scenarios

拓扑归纳偏置促进数据稀缺场景下的多实例学习

Salome Kazeminia, Carsten Marr, Bastian Rieck

机构 * Helmholtz Munich Technical University of Munich（海德堡-慕尼黑应用技术大学） ； Ludwig-Maximilian-University Hospital University of Munich（路德维希-马克西米利安大学医院慕尼黑大学） ； DKTK, German Cancer Consortium（德国癌症联合会） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Helmholtz Munich University of Fribourg（海德堡-慕尼黑应用技术大学弗里堡大学） 纠错

AI总结 本研究提出拓扑引导MIL方法，通过引入拓扑归纳偏置提升数据稀缺场景下多实例学习的性能和泛化能力。

Journal ref Transactions on Machine Learning Research, 2026

TP-Blend: Textual-Prompt Attention Pairing for Precise Object-Style Blending in Diffusion Models

TP-Blend：基于文本提示注意力配对的精确物体-风格混合扩散模型

Xin Jin, Yichuan Zhong, Yapeng Tian

机构 * GenPi Inc.（GenPi公司） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

AI总结 TP-Blend通过双提示注意力配对实现精确物体-风格混合，提升扩散模型的编辑质量和效率。

Journal ref Transactions on Machine Learning Research, 2025

Gaming and Cooperation in Federated Learning: What Can Happen and How to Monitor It

在联邦学习中的游戏与合作：可能发生什么以及如何监控它

Dongseok Kim, Hyoungsun Choi, Mohamed Jismy Aashik Rasool, Gisung Oh

机构 * Department of Computer Engineering（计算机工程系） ； Gachon University（加诚大学） 纠错

AI总结 本文提出了一种分析框架，用于研究联邦学习中战略行为与合作的平衡，通过量化可操纵性、游戏价格和合作价格，提供减少指标游戏并维持稳定合作的设计原则。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. Camera-ready version. OpenReview: https://openreview.net/forum?id=Ck3q5YdWIv

Journal ref Transactions on Machine Learning Research, 2026

StethoLM: Audio Language Model for Cardiopulmonary Analysis Across Clinical Tasks

StethoLM：用于跨临床任务的心肺分析的音频语言模型

Yishan Wang, Tsai-Ning Wang, Mathias Funk, Aaqib Saeed

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 StethoLM是首个用于心肺听诊的音频语言模型，能执行多种临床任务，通过多阶段训练提升性能和鲁棒性，为临床听诊提供新的AI解决方案。

Comments To be published in TMLR