TMLR

A Closed-Form Persistence-Landmark Pipeline for Certified Point-Cloud and Graph Classification

一种用于认证点云和图分类的闭式持久性-地标管道

Sushovan Majhi, Atish Mitra, Žiga Virk, Pramita Bagchi

机构 * Data Science, George Washington University, USA（乔治华盛顿大学数据科学系） ； Department of Mathematical Sciences, Montana Technological University, USA（蒙塔纳技术大学数学科学系） ； Faculty of Computer and Information Science, University of Ljubljana, Institute IMFM, Slovenia（卢布尔雅那大学计算机与信息科学系，IMFM研究所，斯洛文尼亚） ； Biostatistics and Bioinformatics, George Washington University, USA（乔治华盛顿大学生物统计学与生物信息学系） 纠错

AI总结 提出PLACE管道，通过闭式公式从持久同调签名中分类点云和图，无需学习权重或校准，提供基于间隔的过量风险率、描述符选择规则和每个预测的认证。

Comments TMLR submission, https://openreview.net/forum?id=4kZxNlE5Ve. v2: variance-aware Pinelis-Bernstein certificate (radius iii) fires on 8/12 benchmarks (v1: not operational); MUTAG: empirical and population NC rules agree on 940/940 predictions. Matching-free nu-coherence replaces non-interference. Le Cam lower bound (Thm 3.2) recast PD-native, matching regime m<~R/D explicit

Fuzzy PyTorch: Rapid Numerical Variability Evaluation for Deep Learning Models

Fuzzy PyTorch: 深度学习模型的快速数值变异性评估

Inés Gonzalez-Pepe, Hiba Akhaddar, Tristan Glatard, Yohan Chatelain

机构 * Department of Computer Science and Software Engineering（计算机科学与软件工程系） ； Concordia University（康科迪亚大学） ； Krembil Centre for Neuroinformatics（神经信息学克雷姆布里中心） ； Centre for Addiction and Mental Health（成瘾与心理健康中心） ； Camh 纠错

AI总结 提出Fuzzy PyTorch框架，通过集成随机算术和概率舍入实现深度学习模型数值变异性的快速评估，相比现有工具Verrou实现5至60倍加速，并支持从1到3.41亿参数的模型规模。

Comments 19 pages, 8 figures, Published in Transactions on Machine Learning Research (01/2026)

Mapping the Schedule x Bit-Width Boundary in Sub-100M Quantisation-Aware Training

在小于100M参数量化感知训练中映射调度策略与位宽边界

Christian Brandt Thomassen

机构 * Dwarf A/S（Dwarf公司） 纠错

AI总结 通过大规模实验研究子100M参数解码器语言模型中，量化感知训练的最佳学习率调度是否依赖于位宽，发现INT6 QAT无需不同调度，INT4在50M以上需wd33调度，以下则噪声主导。

Comments 20 pages, 6 figures, 4 tables. 1345 training runs total (720 + 625). Submitted for review at TMLR

A Closer Look on Memorization in Tabular Diffusion Model: A Data-Centric Perspective

表格扩散模型中记忆化的深入探究：以数据为中心的观点

Zhengyu Fang, Zhimeng Jiang, Huiyuan Chen, Xiaoge Zhang, Kaiyu Tang, Xiao Li, Jing Li

机构 * Department of Computer and Data Sciences（计算机与数据科学系） ； Case Western Reserve University（凯斯西储大学） ； Department of Computer Science & Engineering（计算机科学与工程系） ； Texas A&M University（德克萨斯大学） ； Department of Biochemistry（生物化学系） ； Center for RNA Science and Therapeutics（RNA科学与治疗中心） ； Department of Biomedical Engineering（生物医学工程系） 纠错

AI总结 本文首次从数据角度研究表格扩散模型中的记忆化动态，通过量化每个真实样本的记忆化程度，发现少数样本贡献了大部分泄露，并提出两阶段缓解方法DynamicCut。

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

Message-Passing GNNs Fail to Approximate Sparse Triangular Factorizations

消息传递GNN无法近似稀疏三角分解

Vladislav Trifonov, Ekaterina Muravleva, Ivan Oseledets

机构 * AIC, Skoltech（斯克里普金技术大学人工智能中心） ； Skoltech AI4S Center（斯克里普金技术大学AI4S中心） ； Sberbank of Russia（俄罗斯储蓄银行） ； AIRI 纠错

AI总结 本文通过理论和实验证明，消息传递图神经网络在逼近稀疏三角分解时存在根本性局限，需要超越消息传递的架构创新。

Comments Camera-ready version published in Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research, 2026

Partition of Unity Neural Networks for Interpretable Classification with Explicit Class Regions

用于可解释分类的单元划分神经网络及显式类别区域

Akram Aldroubi

机构 * Department of Mathematics（数学系） 纠错

AI总结 提出单元划分神经网络（PUNN），通过直接学习满足和为1的非负函数来定义类别概率，无需softmax层，实现可解释分类并证明其稠密性，实验表明在保持精度的同时大幅减少参数。

Comments v2: substantially revised; under review at TMLR

SA-PEF: Step-Ahead Partial Error Feedback for Efficient Federated Learning

SA-PEF：用于高效联邦学习的前瞻部分误差反馈

Dawit Kiros Redie, Reza Arablouei, Stefan Werner

机构 * Department of Electronic Systems, Norwegian University of Science and Technology (NTNU)（挪威科学技术大学电子系统系） ； Department of Information and Communications Engineering, Aalto University（阿尔托大学信息与通信工程系） ； CSIRO’s Data61（CSIRO数据61） 纠错

AI总结 提出SA-PEF方法，通过结合前瞻校正和部分误差反馈，在非IID数据和部分客户端参与下加速联邦学习收敛，并理论证明其收敛速率与Fed-SGD相当。

Journal ref Transactions on Machine Learning Research, 2026

Flow Matching for Probabilistic Monocular 3D Human Pose Estimation

基于流匹配的概率单目3D人体姿态估计

Cuong Le, Pavlo Melnyk, Bastian Wandt, Mårten Wadenbäck

机构 * Department of Electrical Engineering（电气工程系） ； Linköping University（林雪平大学） ； Independent researcher（独立研究者） 纠错

AI总结 提出FMPose方法，利用流匹配生成模型从2D关键点学习3D姿态分布，通过图卷积网络建模2D提升条件，在保持精度的同时显著提升推理速度。

Comments 12 pages, 2 figures, 8 tables, accepted to TMLR

Diagnosing Failure Modes of Neural Operators Across Diverse PDE Families

诊断不同PDE族中神经算子的失败模式

Lennon Shikhman

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出一个标准化压力测试框架，通过在不同PDE族上测试FNO、DeepONet和CNO三种架构，发现分布内准确率不能可靠预测鲁棒性，且失败模式依赖于架构和PDE族的组合。

Comments Published in Transactions on Machine Learning Research. 17 pages, 7 figures, 1 table

Some Robustness Properties of Label Cleaning

标签清理的一些鲁棒性性质

Chen Cheng, John Duchi

AI总结 本文证明，依赖聚合标签（例如从噪声响应中提炼的标签信息）的学习过程具有数据清理无法实现的鲁棒性，体现在风险一致性、模型误设下的收敛性等方面。

Comments 41 pages, 3 figures. Accepted to Transactions on Machine Learning Research (TMLR)

A Greedy Hierarchical Approach to Whole-Network Filter-Pruning in CNNs

一种面向CNN全网络滤波器剪枝的贪婪层次方法

Kiran Purohit, Anurag Reddy Parvathgari, Sourangshu Bhattacharya

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Indian Institute of Technology, Kharagpur, India（印度理工学院，Khargpur，印度） 纠错

AI总结 提出一种基于线性近似的两层层次化贪婪剪枝算法，通过低层滤波器选择和全局剪枝准则高效剪枝，在多个网络上优于现有方法。

Comments Accepted in TMLR 2024

Relative Translation Invariant Wasserstein Distance

相对平移不变Wasserstein距离

Binshuai Wang, Qiwei Di, Ming Yin, Mengdi Wang, Quanquan Gu, Peng Wei

机构 * Department of Computer Science（计算机科学系） ； George Washington University（乔治华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Princeton University（普林斯顿大学） 纠错

AI总结 受Bures距离启发，提出相对平移不变Wasserstein距离RW_p，证明其度量性质，并设计双层算法计算离散分布间的RW_p距离，当p=2时提出RW_2-LP和RW_2-Sinkhorn算法以提高数值稳定性，实验验证了算法在减少数值误差和实际雷暴模式检索中的有效性。

Comments Accepted by Transactions on Machine Learning Research (TMLR). Final accepted version. The implementation is publicly available at \url{https://github.com/DRKWang/rw_metric}