TMLR

AI Security in the Foundation Model Era: A Comprehensive Survey from a Unified Perspective

在基础模型时代的人工智能安全：从统一视角的综合调查

Zhenyi Wang, Siyu Luan

机构 * University of Central Florida（中佛罗里达大学） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 本文从统一视角出发，系统探讨了基础模型时代AI安全问题，提出统一闭环威胁分类框架，揭示模型与数据之间的双向风险传播，为构建可扩展的安全策略提供理论基础。

Comments Published at Transactions on Machine Learning Research (TMLR)

Transformers in the Dark: Navigating Unknown Search Spaces via Bandit Feedback

在黑暗中导航：通过多臂反馈探索未知搜索空间

Jungtaek Kim, Thomas Zeng, Ziqian Lin, Minjae Lee, Chungpa Lee, Jy-yong Sohn, Hyung Il Koo, Kangwook Lee

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； FuriosaAI ； Yonsei University（延世大学） ； KRAFTON AI ； Ludo Robotics 纠错

AI总结 本文探讨LLM能否通过Transformer架构近似搜索算法，提出未知树搜索与多臂反馈框架，证明Transformer可实现不同搜索策略并具备泛化能力。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR)

Amplified Patch-Level Differential Privacy for Free via Random Cropping

通过随机裁剪实现免费的增强型像素级差分隐私

Kaan Durmaz, Jan Schuchardt, Sebastian Schmidt, Stephan Günnemann

机构 * Technical University of Munich（慕尼黑技术大学） ； Machine Learning Research, Morgan Stanley（摩根大通机器学习研究） 纠错

AI总结 本文研究了随机裁剪在差分隐私训练中的作用，发现其能增强隐私保护而不需改变模型结构，通过引入像素级邻域关系和分析隐私界限，验证了在多个分割架构和数据集上提升隐私-效用权衡。

Comments Published at TMLR

Journal ref Transactions on Machine Learning Research, 2026, ISSN 2835-8856

Adaptive Online Mirror Descent for Tchebycheff Scalarization in Multi-Objective Learning

自适应在线镜像下降法用于多目标学习中的切比雪夫标量化

Meitong Liu, Xiaoyuan Zhang, Chulin Xie, Kate Donahue, Han Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（城市大学） 纠错

AI总结 本文提出自适应在线镜像下降算法(AdaOMD-TCH)，用于多目标学习中的切比雪夫标量化，通过自适应在线到批量转换提升解的最优性，实现$\mathcal O(\sqrt{\log m/T})$收敛速度。

Comments TMLR 2026