TMLR

The Role of Feature Interactions in Graph-based Tabular Deep Learning

图基表深度学习中特征交互的作用

Elias Dubbeldam, Reza Mohammadi, Marit Schoonhoven, S. Ilker Birbil

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文探讨了图基表深度学习中特征交互建模的重要性，指出当前方法在准确建模图结构方面存在不足，通过实验发现准确建模图结构可提升预测性能。

Comments 12 pages, 5 figures, accepted at TMLR 2026

Mitigating Unintended Memorization with LoRA in Federated Learning for LLMs

在大语言模型联邦学习中使用LoRA缓解意外记忆

Thierry Bossy, Julien Vignoud, Tahseen Rabbani, Juan R. Troncoso Pastoriza, Martin Jaggi

机构 * Tune Insight SA ； EPFL（苏黎世联邦理工学院） ； Yale University（耶鲁大学） 纠错

AI总结 本文研究了在大语言模型联邦学习中使用LoRA技术有效降低模型对训练数据的记忆能力，并展示了其在不同领域和隐私保护技术中的应用效果。

Journal ref Published in Transactions on Machine Learning Research (02/2026)

BNEM: A Boltzmann Sampler Based on Bootstrapped Noised Energy Matching

BNEM：基于Bootstrap噪声能量匹配的玻尔兹曼采样器

RuiKang OuYang, Bo Qiang, José Miguel Hernández-Lobato

机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） 纠错

AI总结 BNEM通过基于噪声能量匹配的Bootstrap技术，在分子动力学等应用中实现高效且鲁棒的采样性能。

Comments Camera-ready version for TMLR (03/2026)

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

A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning

一种简单而有效的文本到图像扩散微调强化学习方法

Shashank Gupta, Chaitanya Ahuja, Tsung-Yu Lin, Sreya Dutta Roy, Harrie Oosterhuis, Maarten de Rijke, Satya Narayan Shukla

机构 * University of Amsterdam（阿姆斯特丹大学） ； Meta ； Radboud University（拉德堡德大学） 纠错

AI总结 本文提出LOOP方法，结合REINFORCE的方差减少技术和PPO的鲁棒性，提升扩散模型在黑盒目标上的样本效率和性能。

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

Generative Evolutionary Meta-Solver (GEMS): Scalable Surrogate-Free Multi-Agent Reinforcement Learning

生成进化元求解器（GEMS）：可扩展的无代理多智能体强化学习

Alakh Sharma, Gaurish Trivedi, Kartikey Singh Bhandari, Yash Sinha, Dhruv Kumar, Pratik Narang, Jagat Sesh Challa

机构 * Birla Institute of Technology and Science, Pilani（比拉理工学院） 纠错

AI总结 GEMS 提出了一种无代理的多智能体强化学习框架，通过生成器和潜在锚点替代传统种群方法，实现更快的训练速度和更低的内存消耗，同时保持博弈论保证。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (2026)

LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks

LoRA-Ensemble：高效不确定性建模用于自注意力网络

Dominik J. Mühlematter, Michelle Halbheer, Alexander Becker, Dominik Narnhofer, Helge Aasen, Konrad Schindler, Mehmet Ozgur Turkoglu

机构 * ETH Zurich（苏黎世联邦理工学院） ； Agroscope（农业生态观测机构） 纠错

AI总结 LoRA-Ensemble通过低秩适应方法实现自注意力网络的高效不确定性建模，优于现有隐式集合方法并达到显式集合的准确度水平。

Journal ref Transactions on Machine Learning Research, 2026