TMLR

Out of Spuriousity: Improving Robustness to Spurious Correlations without Group Annotations

脱离虚假相关性：在没有组注释的情况下提高对虚假相关性的鲁棒性

Phuong Quynh Le, Jörg Schlötterer, Christin Seifert

机构 * Marburg University（马堡大学） ； University of Mannheim（曼海姆大学） 纠错

AI总结 本文提出了一种方法，通过提取子网络来提高机器学习模型对虚假相关性的鲁棒性，利用监督对比损失迫使模型去除虚假关联，从而提升最差组的性能。

Comments Accepted to TMLR

The Shape of Attraction in UMAP: Exploring the Embedding Forces in Dimensionality Reduction

UMAP中吸引形状的探索：在降维中的嵌入力分析

Mohammad Tariqul Islam, Jason W. Fleischer

机构 * Media Lab, MIT（MIT媒体实验室） ； Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） 纠错

AI总结 本文分析UMAP中吸引与排斥力对聚类形成和可视化的影响，比较UMAP与其他方法，揭示学习率退火的必要性及不同处理方式。

Comments 13 page + appendix

Journal ref Transactions on Machine Learning Research, 2026

Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines

机器人中的视觉-语言-动作：数据集、基准和数据引擎的综述

Ziyao Wang, Bingying Wang, Hanrong Zhang, Tingting Du, Tianyang Chen, Guoheng Sun, Yexiao He, Zheyu Shen, Wanghao Ye, Ang Li

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Utah（犹他大学） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文综述了视觉-语言-动作研究中数据基础设施的关键挑战，指出未来进展依赖于数据引擎与评估协议的协同设计，揭示了数据集、基准和数据引擎的四大开放挑战。

Comments This is a survey paper. The survey is already accepted by TMLR after peer-review. The OpenReview link is here: https://openreview.net/forum?id=tAaWFpvnmm

Test-Time Adaptation for Unsupervised Combinatorial Optimization

测试时适应用于无监督组合优化

Yiqiao Liao, Farinaz Koushanfar, Parinaz Naghizadeh

机构 * UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出TACO框架，通过结合通用模型与实例特定模型，解决无监督组合优化中通用性与实例适应性的矛盾，提升求解质量与效率。

Comments TMLR 2026

RegMean++: Enhancing Effectiveness and Generalization of Regression Mean for Model Merging

RegMean++：提升回归均值在模型合并中的效果与泛化能力

The-Hai Nguyen, Dang Huu-Tien, Takeshi Suzuki, Le-Minh Nguyen

机构 * Japan Advanced Institute of Science and Technology（日本先进科学研究院） ； Ricoh Company, Ltd.（富士通株式会社） 纠错

AI总结 RegMean++通过引入层内和跨层依赖关系，改进模型合并的精度与泛化能力，在不同场景下均优于RegMean。

Comments Accepted by Transactions on Machine Learning Research

A Lower Bound for the Number of Linear Regions of Ternary ReLU Regression Neural Networks

三进制ReLU回归神经网络线性区域数量的下界

Yuta Nakahara, Manabu Kobayashi, Toshiyasu Matsushima

机构 * Center for Data Science（数据科学中心） ； Waseda University（早稻田大学） ； Department of Applied Mathematics（应用数学系） 纠错

AI总结 本文从线性区域数量角度分析了三进制神经网络的表达能力，证明其线性区域数随网络宽度多项式增长，深度指数增长，并通过调整网络结构获得与常规ReLU回归网络相当的下界。

Journal ref Transactions on Machine Learning Research, 2026. URL: https://openreview.net/forum?id=Yg7tt1hWiF

Unrealized Expectations: Comparing AI Methods vs Classical Algorithms for Maximum Independent Set

未实现的期望：比较AI方法与经典算法在最大独立集问题上的表现

Yikai Wu, Haoyu Zhao, Sanjeev Arora

机构 * Department of Computer Science & Princeton Language and Intelligence (PLI)（计算机科学系及普林斯顿语言与智能中心） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文比较了AI方法与经典算法在最大独立集问题上的性能，发现经典算法在随机图上表现更优，AI方法存在系统性不足，需重新审视AI在组合优化中的应用。

Comments Published on TMLR 04/2026. 28 pages, 6 figures, 98 tables

Journal ref Transactions on Machine Learning Research (2026)

Learning-Augmented Robust Algorithmic Recourse

基于学习的鲁棒算法救济

Kshitij Kayastha, Vasilis Gkatzelis, Shahin Jabbari

机构 * Department of Computer Science（计算机科学系） ； Drexel University（德雷塞尔大学） ； Archimedes Athena Research Center（阿奇米德·阿特拉研究中心） 纠错

AI总结 本文研究了在预测未来模型准确性的前提下，如何通过学习增强的算法救济减少救济成本，并分析预测准确性对性能的影响。

Comments Published in Transactions on Machine Learning Research (TMLR) 4/2026