TMLR - arXivDaily 期刊&会议

2412.13050 2026-05-13 cs.LG cs.AI cs.CL cs.CV cs.SD eess.AS

Modality-Inconsistent Continual Learning of Multimodal Large Language Models

多模态大语言模型的模态不一致持续学习

Weiguo Pian, Shijian Deng, Shentong Mo, Mingrui Liu, Yunhui Guo, Yapeng Tian

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校）； Carnegie Mellon University（卡内基梅隆大学）； George Mason University（乔治·梅森大学）

AI总结本文提出MICL，一种针对多模态大语言模型的持续学习场景，涉及不一致的模态和变化的任务类型。通过伪目标生成模块和基于指令的知识蒸馏，解决任务类型转移导致的遗忘问题，实验验证了方法的有效性。

Comments Accepted at Transactions on Machine Learning Research (TMLR), 2026

2602.19770 2026-05-13 cs.LG cs.AI

混淆确实存在：GRAPHIC -- 一种网络科学方法用于深度学习中的混淆矩阵

Johanna S. Fröhlich, Bastian Heinlein, Jan U. Claar, Hans Rosenberger, Vasileios Belagiannis, Ralf R. Müller

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃朗根-纽伦堡大学）； Technical University of Darmstadt（达姆施塔特技术大学）

AI总结 GRAPHIC通过分析神经网络的类别层面，利用中间层的混淆矩阵和线性分类器，结合网络科学工具揭示学习动态和分类混淆问题。

Comments Transactions on Machine Learning Research, 2026

2508.08420 2026-05-13 cs.LG stat.ML

通过扩展D-最优探索实现线性老虎机中离线数据的后悔最小化

Sushant Vijayan, Arun Suggala, Karthikeyan Shanmugam, Soumyabrata Pal

机构 * School of Technology and Computer Science TIFR（技术与计算机科学学院 TIFR）； Google Deepmind（谷歌DeepMind）； Adobe Research（Adobe 研究）

AI总结本文提出OOPE算法，利用扩展D-最优设计结合离线数据以降低在线老虎机的后悔，其有效问题维度衡量离线数据中未探索方向的数量，并在高维情况下进一步优化复杂度。

Comments Accepted to TMLR, with J2C certification, link: https://openreview.net/forum?id=4WcK8gKgCi