TMLR

deCIFer: Crystal Structure Prediction from Powder Diffraction Data using Autoregressive Language Models

deCIFer：基于粉末衍射数据的晶体结构预测方法

Frederik Lizak Johansen, Ulrik Friis-Jensen, Erik Bjørnager Dam, Kirsten Marie Ørnsbjerg Jensen, Rocío Mercado, Raghavendra Selvan

机构 * Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系） ； Department of Chemistry & Nano-Science Center, University of Copenhagen（哥本哈根大学化学系与纳米科学中心） ； Department of Computer Science & Engineering, Chalmers University of Technology（查尔姆斯理工大学计算机科学与工程系） 纠错

AI总结 deCIFer利用自回归语言模型，通过整合粉末X射线衍射数据进行晶体结构预测，实现94%的结构匹配率，为未来复杂实验场景的预测提供基础。

Comments 24 pages, 18 figures, 8 tables. v2: Figure 8 revision. v3: added benchmarks, text revisions. v4: accepted to TMLR (https://openreview.net/forum?id=LftFQ35l47)

Adversarial Robustness of Graph Transformers

图变换器的对抗鲁棒性

Philipp Foth, Lukas Gosch, Simon Geisler, Leo Schwinn, Stephan Günnemann

机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 研究图变换器在结构扰动下的对抗鲁棒性，设计了首个自适应攻击方法，评估了多种任务和扰动模型，发现图变换器在许多情况下存在严重脆弱性。

Comments TMLR 2025 (J2C-Certification: Presented @ ICLR 2026). A preliminary version appeared at the Differentiable Almost Everything Workshop at ICML 2024. Code available at https://github.com/isefos/gt_robustness

LoDAdaC: a unified local training-based decentralized framework with adaptive gradients and compressed communication

LoDAdaC: 一种基于局部训练的统一去中心化框架，具有自适应梯度和压缩通信

Wei Liu, Anweshit Panda, Ujwal Pandey, Haven Cook, George M. Slota, Naigang Wang, Jie Chen, Yangyang Xu

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM T. J. Watson Research Center（IBM T. J. Watson 研究中心） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI 实验室，IBM 研究院） 纠错

AI总结 LoDAdaC通过结合自适应梯度和压缩通信，在去中心化学习中实现通信成本的大幅降低和快速收敛，实验验证其在图像分类和语言模型训练中的优越性能。

Comments Accepted by TMLR

ECLipsE-Gen-Local: Efficient Compositional Local Lipschitz Estimates for Deep Neural Networks

ECLipsE-Gen-Local：高效的深度神经网络局部Lipschitz估计框架

Yuezhu Xu, S. Sivaranjani

AI总结 本文提出ECLipsE-Gen-Local框架，通过局部信息提升深度神经网络的Lipschitz估计精度与效率，结合灵活的SDP方法和线性复杂度算法，实现快速且紧致的Lipschitz界。

Comments Accepted to Transactions on Machine Learning Research. URL: https://openreview.net/forum?id=CuqnFjeu5a

Journal ref Transactions on Machine Learning Research, 2026

CARINOX: Inference-time Scaling with Category-Aware Reward-based Initial Noise Optimization and Exploration

CARINOX：推理时间缩放与基于类别感知的奖励驱动初始噪声优化与探索

Seyed Amir Kasaei, Ali Aghayari, Arash Marioriyad, Niki Sepasian, Shayan Baghayi Nejad, MohammadAmin Fazli, Mahdieh Soleymani Baghshah, Mohammad Hossein Rohban

机构 * Sharif University of Technology（谢里夫理工大学） 纠错

AI总结 本文提出CARINOX框架，结合噪声优化与探索，通过基于人类判断的奖励选择提升文本到图像扩散模型的对齐性能，在两个基准测试中分别提升16%和11%。

Comments Accepted at TMLR (2026)

Improved Sample Complexity For Diffusion Model Training Without Empirical Risk Minimizer Access

改进的扩散模型训练样本复杂度无需经验风险最小化器访问

Mudit Gaur, Prashant Trivedi, Sasidhar Kunapuli, Amrit Singh Bedi, Vaneet Aggarwal

机构 * Purdue University（普渡大学） ； University of Central Florida（中佛罗里达大学） ； Independent Researcher（独立研究员） 纠错

AI总结 本文提出一种改进的扩散模型训练方法，通过结构化分解分数估计误差，建立样本复杂度界O(ε⁻⁴)，无需假设访问经验风险最小化器。

Journal ref Transactions on Machine Learning Research, Apr 2026