Convex Optimization with Local Label Differential Privacy: Tight Bounds in All Privacy Regimes
在局部标签差分隐私下进行凸优化：所有隐私范围内的紧界
AI总结 本文研究了在局部标签差分隐私约束下的随机凸优化问题，提出了一种新型高效非交互算法，改进了高隐私和中隐私范围下的标签空间依赖性，同时证明了信息论下限。
Comments To appear in TMLR
期刊&会议
TMLR
Transactions on Machine Learning Research · 期刊 · Machine Learning
Counting Still Counts: Understanding Neural Complex Query Answering Through Query Relaxation
计数仍然重要：通过查询放松理解神经复杂查询回答
机构 * Translational AI Laboratory, Department of Laboratory Medicine Amsterdam University Medical Center, Vrije Universiteit Amsterdam（阿姆斯特丹大学医学中心转化人工智能实验室，实验室医学系，自由大学阿姆斯特丹） ； Vrije Universiteit Amsterdam（自由大学阿姆斯特丹） ； University of Stuttgart（斯图加特大学） ； ELLIS Institute Finland & Abo Akademi University, Turku, Finland（芬兰埃利斯研究所及图尔库芬兰阿博阿卡迪米大学） ； Elsevier discovery lab, Amsterdam（埃斯勒尔发现实验室，阿姆斯特丹）
AI总结 通过比较神经模型与基于查询放松的策略，研究发现两者在某些情况下表现相似，且结合两者输出可提升性能，提示需重新评估神经查询回答的进展。
Comments Accepted in Transactions on Machine Learning Research (2026)
Prompt Estimation from Prototypes for Federated Prompt Tuning of Vision Transformers
从原型估计联邦提示微调视觉变换器的提示
机构 * Department of Computational and Data Sciences, Indian Institute of Science（计算与数据科学系，印度科学研究院） ； Accenture, Japan（日本Accenture公司） ； Google, India（印度Google公司） ； Indian Institute of Science（印度科学研究院）
AI总结 本文提出PEP-FedPT框架，通过类上下文混合提示实现联邦提示微调中的泛化与个性化，实验表明其在不同数据异质性场景下优于现有方法。
Comments Accepted to TMLR 2026
Exploration-Driven Optimization for Test-Time Large Language Model Reasoning
基于探索的优化用于测试时大语言模型推理
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出EDO框架，通过扩展奖励偏差探索目标到迭代后训练，提升大语言模型推理中的探索与利用平衡，实验表明ED-iDPO和ED-GRPO在推理能力和多样性上优于基线模型。
Comments Accepted by TMLR 2026
Plan2Cleanse: Test-Time Backdoor Defense via Monte-Carlo Planning in Deep Reinforcement Learning
Plan2Cleanse：通过深度强化学习中的蒙特卡洛规划实现测试时后门防御
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心）
AI总结 本文提出Plan2Cleanse框架，利用蒙特卡洛树搜索在无需重新训练的情况下检测和缓解强化学习中的后门攻击，通过在MuJoCo、O-RAN和Atari环境中测试，显著提升了后门检测成功率和对抗性环境中的胜率。
Comments Published in Transactions on Machine Learning Research (TMLR)
GraphMERT: Efficient and Scalable Distillation of Reliable Knowledge Graphs from Unstructured Data
GraphMERT：从非结构化数据中高效可扩展地蒸馏可靠知识图谱
机构 * Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系）
AI总结 本文提出GraphMERT，一种高效的图神经网络模型，通过蒸馏高质量知识图谱提升领域知识的可靠性与有效性。
Comments Camera-ready version. Published in Transactions on Machine Learning Research (TMLR), 2026. Reviewed on OpenReview: https://openreview.net/forum?id=tnXSdDhvqc
Journal ref Transactions on Machine Learning Research, 2026
LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers
LLM-FE：基于LLM的进化优化器用于表格数据的自动化特征工程
机构 * Department of Computer Science, Virginia Tech（弗吉尼亚理工学院计算机科学系）
AI总结 本文提出LLM-FE框架，结合LLM的领域知识和推理能力，通过进化搜索自动发现表格学习任务中的有效特征，优于现有方法。
Comments Accepted in Transactions on Machine Learning Research (TMLR)
The Global Empirical NTK: Self-Referential Bias and Dimensionality of Gradient Descent Learning
全局经验NTK：自参考偏差与梯度下降学习的维度性
机构 * Applied Mathematics, University of Washington（应用数学，华盛顿大学；艾伦研究所） ； Allen Institute（艾伦研究所；神经生物学与生物物理学，华盛顿大学） ； Allen Institute（应用数学，电气与计算机工程，华盛顿大学） ； Neurobiology & Biophysics, University of Washington（应用数学，神经生物学与生物物理学，华盛顿大学；艾伦研究所） ； Applied Mathematics, Electrical & Computer Engineering, University of Washington ； Applied Mathematics, Neurobiology & Biophysics, University of Washington ； Allen Institute
AI总结 本文研究了全局经验NTK的结构，揭示其受制于有效秩并产生自参考偏差，通过Kronecker-core定理证明了广泛模型的NTK可计算性，并展示了自注意力变换器的NTK结构受限于低秩性。
Comments Submitted to TMLR
OracleTSC: Oracle-Informed Reward Hurdle and Uncertainty Regularization for Traffic Signal Control
OracleTSC: 通过Oracle信息的奖励障碍和不确定性正则化用于交通信号控制
机构 * Department of Computer Science and Software Engineering（计算机科学与软件工程系） ； Auburn University（亚伯拉罕大学） ； Department of Computer Science（计算机科学系） ； University of Iowa（爱荷华大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Clemson University（克莱姆森大学）
AI总结 OracleTSC通过奖励障碍和不确定性正则化机制提升交通信号控制的稳定性与效果，实验表明其在交通效率提升和跨路口泛化能力方面表现突出。
Comments Published in Transactions on Machine Learning Research
Sequential Causal Discovery with Noisy Language Model Priors
具有噪声语言模型先验的顺序因果发现
机构 * ELLIS Institute Finland and Aalto University（芬兰ELLIS研究所和阿尔托大学） ； Adobe Research（Adobe研究） ； University of Washington, Seattle（华盛顿大学（西雅图））
AI总结 本文提出一种混合框架，通过适应性整合顺序批次数据与噪声专家知识，提升因果发现的准确性，并扩展到参数估计，展示了对语言模型噪声的鲁棒性。
Comments 32 pages, Transactions on Machine Learning Research - TMLR (04/2026)
