TMLR

A Closer Look at In-Distribution vs. Out-of-Distribution Accuracy for Open-Set Test-time Adaptation

开放集测试时自适应中分布内与分布外准确率的深入分析

Zefeng Li, Evan Shelhamer

机构 * University of British Columbia and Vector Institute（不列颠哥伦比亚大学和向量研究所） 纠错

AI总结 本文通过基准测试和提出新基线，揭示了当前开放集测试时自适应方法在平衡分布内准确率和分布外检测能力上的不足。

Comments TMLR 2026

InPhyRe Discovers: Large Multimodal Models Struggle in Inductive Physical Reasoning

InPhyRe 发现：大型多模态模型在归纳物理推理中表现不佳

Gautam Sreekumar, Vishnu Naresh Boddeti

机构 * Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系） 纠错

AI总结 提出 InPhyRe 基准测试，通过合成视频中的碰撞事件预测任务，评估大型多模态模型在未见物理定律下的归纳物理推理能力，发现其依赖有限参数知识、受语言偏差影响且忽略视觉输入。

Comments Accepted to TMLR. 53 pages including appendix

Explicit Second-Order Min-Max Optimization: Practical Algorithms and Complexity Analysis

显式二阶极小极大优化：实用算法与复杂度分析

Tianyi Lin, Panayotis Mertikopoulos, Michael I. Jordan

机构 * Department of Electrical Engineering and Computer Sciences（电气工程与计算机科学系） ； Department of Statistics（统计学系） ； University of California, Berkeley（加州大学伯克利分校） ； Department of Industrial Engineering and Operations Research（工业工程与运作研究系） ； Columbia University（哥伦比亚大学） ； Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、CNRS、Inria、格勒诺布尔INP、LIG） 纠错

AI总结 针对凸-凹无约束极小极大优化问题，提出并分析了几种不精确正则化牛顿型方法，证明其迭代在界集内且平均迭代在O(ε^{-2/3})次内收敛到ε-鞍点，并通过Schur分解和线性系统求解器高效求解子问题，在合成基准和AUC最大化实际应用中优于一阶方法。

Comments Accepted by TMLR; Adding funding information; 35 pages

Paradoxical noise preference in RNNs

RNN中的矛盾噪声偏好

Noah Eckstein, Manoj Srinivasan

机构 * Department of Mechanical and Aerospace Engineering（机械与航空航天工程系） 纠错

AI总结 研究发现，在循环神经网络中，训练时注入的噪声在测试时移除反而会降低性能，网络偏好训练时的噪声水平，该现象源于噪声引起的固定点偏移。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026 21 pages, 8 figures

Journal ref Transactions on Machine Learning Research, 2026

Unified Semantic Transformer for 3D Scene Understanding

统一语义Transformer用于3D场景理解

Sebastian Koch, Johanna Wald, Hidenobu Matsuki, Pedro Hermosilla, Timo Ropinski, Federico Tombari

机构 * Ulm University（乌尔姆大学） ； Google（谷歌） ； TU Vienna（维也纳技术大学） ； TU Munich（慕尼黑技术大学） 纠错

AI总结 提出UNITE，一个统一的语义Transformer，通过端到端训练从RGB图像直接预测多种密集语义属性，实现3D场景理解，并在多个任务上达到最先进性能。

Comments Accepted at TMLR. Project page: https://unite-page.github.io/

MACCA: Offline Multi-agent Reinforcement Learning with Causal Credit Assignment

MACCA: 离线多智能体强化学习中的因果信用分配

Ziyan Wang, Yali Du, Yudi Zhang, Meng Fang, Biwei Huang

机构 * King’s College London（伦敦国王学院） ； Eindhoven University of Technology（埃因霍温理工大学） ； University of Liverpool（利物浦大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 提出基于动态贝叶斯网络的因果信用分配框架MACCA，通过建模环境变量、状态、动作和奖励的因果关系，实现离线多智能体强化学习中准确且可解释的信用分配。

Comments 21 pages, 4 figures

Journal ref TMLR 2025