TMLR

Primus: Enforcing Attention Usage for 3D Medical Image Segmentation

Primus：强制使用注意力机制用于3D医学图像分割

Tassilo Wald, Saikat Roy, Fabian Isensee, Constantin Ulrich, Sebastian Ziegler, Dasha Trofimova, Raphael Stock, Michael Baumgartner, Gregor Köhler, Klaus Maier-Hein

机构 * Division of Medical Image Computing, German Cancer Research Center, Heidelberg（德国癌症研究中心医学图像计算部门，海德堡） ； Faculty of Mathematics and Computer Science, Heidelberg University（海德堡大学数学与计算机科学学院） ； Helmholtz Imaging, German Cancer Research Center（德国癌症研究中心赫尔姆霍茨成像中心） ； Medical Faculty, Heidelberg University（海德堡大学医学系） ； National Center for Tumor Diseases (NCT), NCT Heidelberg（海德堡国家肿瘤疾病中心（NCT）） ； Pattern Analysis and Learning Group, Department of Radiation Oncology（放射肿瘤学系模式分析与学习小组） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi（阿布扎克穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出Primus和PrimusV2，通过引入Transformer为中心的分割架构，解决了现有Transformer模型在3D医学图像分割中的不足，实现了与CNNs的竞争力。

Comments Accepted in Transactions on Machine Learning Research (TMLR)

Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes

贝叶斯X学习器：在重尾结果下的校准后验推断用于异质处理效应

Eichi Uehara

机构 * Independent researcher（独立研究者） 纠错

AI总结 本文提出贝叶斯X学习器，通过交叉拟合双重稳健伪结果和Welsch红降伪似然，实现对异质处理效应的校准后验推断，具有鲁棒性与高精度。

Comments 47 pages, 7 figures, 25 tables. Code: https://github.com/EichiUehara/bayesian-X-Leaner. Prepared for submission to TMLR

UniRec: Unified Multimodal Encoding for LLM-Based Recommendations

UniRec：基于LLM的推荐系统的统一多模态编码

Zijie Lei, Tao Feng, Zhigang Hua, Yan Xie, Guanyu Lin, Shuang Yang, Ge Liu, Jiaxuan You

AI总结 UniRec通过统一多模态编码解决推荐系统中多模态信息的理解挑战，提出三元组表示和分层Q-Former结构，实现在多个基准测试中提升15%的性能。

Journal ref Transactions on Machine Learning Research, 2026

Constraint-Aware Flow Matching via Randomized Exploration

通过随机探索实现约束感知的流匹配

Zhengyan Huan, Jacob Boerma, Li-Ping Liu, Shuchin Aeron

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Tufts University（塔夫茨大学） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基础相互作用研究所） 纠错

AI总结 本文提出通过随机探索改进流匹配模型，以应对生成模型中常见的约束违反问题，展示了两种场景下的方法，并证明了两阶段方法在计算效率上的优势。

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