TMLR

Training speedups via batching for geometric learning: an analysis of static and dynamic algorithms

通过批处理实现几何学习训练加速：静态与动态算法分析

Daniel T. Speckhard, Tim Bechtel, Sebastian Kehl, Jonathan Godwin, Claudia Draxl

机构 * Humboldt-Universität zu Berlin（洪堡-柏林大学） ； Max Planck Institute for Solid State Research（马克斯·普朗克固态研究所） ； Max Planck Computing and Data Facility（马克斯·普朗克计算与数据设施） ； Orbital Materials（Orbital Materials公司） 纠错

AI总结 本文分析图神经网络中静态与动态批处理算法对训练速度和模型性能的影响，实验表明算法选择可带来最高2.7倍加速，但最优算法取决于数据、模型、批大小、硬件和训练步数。

Journal ref Transactions on Machine Learning Research (3/2026)

Kernel Neural Operators (KNOs) for Scalable, Memory-efficient, Geometrically-flexible Operator Learning

核神经算子（KNOs）：可扩展、内存高效、几何灵活的算子学习

Matthew Lowery, John Turnage, Zachary Morrow, John D. Jakeman, Akil Narayan, Shandian Zhe, Varun Shankar

机构 * Kahlert School of Computing（卡勒特计算学院） ； University of Utah（犹他大学） ； Department of Mathematics（数学系） ； Sandia National Laboratories（桑迪亚国家实验室） ； Scientific Machine Learning（科学机器学习） ； Scientific Computing and Imaging (SCI) Institute（科学计算与成像（SCI）研究所） 纠错

AI总结 提出核神经算子（KNO），通过组合深度核积分算子实现算子学习，具有收敛性、低内存和几何灵活性，在基准测试中以更少参数达到可比或更高精度。

Comments 14 pages + 15 page appendix, 7 figures

Journal ref Transactions on Machine Learning Research, ISSN 2835-8856, 2026

LiSeCo: Linear Semantic Control for Language Generation

LiSeCo：语言生成的线性语义控制

Emily Cheng, Carmen Amo Alonso

机构 * Universitat Pompeu Fabra（庞培法布拉大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一种轻量级、无梯度的线性语义控制方法LiSeCo，通过控制理论在线干预嵌入空间中的激活值，将生成轨迹引导至预定义的安全语义区域，实现高效且保证性能的文本生成控制。

Comments TMLR 2026 camera ready; earlier version in NeurIPS MINT Workshop 2024

Journal ref Published in NeurIPS MINT 2024

Variance-Gated Ensembles: An Epistemic-Aware Framework for Uncertainty Estimation

方差门控集成：一种面向认知不确定性的估计框架

H. Martin Gillis, Isaac Xu, Thomas Trappenberg

机构 * Faculty of Computer Science, Dalhousie University, Halifax, NS（计算机科学学院，达尔豪西大学，哈利法克斯，NS） 纠错

AI总结 提出方差门控集成（VGE）框架，通过从集成统计量计算信噪比门控注入认知敏感性，实现高效且可微的不确定性估计，在计算效率与性能上匹配或超越现有方法。

Comments Published in Transactions on Machine Learning Research (06/2026)

Beyond Correctness: Rewarding Faithful Reasoning in Retrieval-Augmented Generation

超越正确性：在检索增强生成中奖励忠实推理

Zhichao Xu, Zongyu Wu, Yun Zhou, Aosong Feng, Kang Zhou, Sangmin Woo, Kiran Ramnath, Yijun Tian, Xuan Qi, Weikang Qiu, Lin Lee Cheong, Haibo Ding

机构 * AWS AI Fundamental Research（AWS人工智能基础研究） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； Yale University（耶鲁大学） 纠错

AI总结 本文提出VERITAS框架，通过细粒度轮次级忠实性奖励强化学习，提升检索增强生成中推理步骤的忠实性，同时改善任务性能。

Comments TMLR Camera Ready Update

You Only Train Once: Differentiable Subset Selection for Omics Data

你只训练一次：用于组学数据的可微分子集选择

Daphné Chopard, Jorge da Silva Gonçalves, Irene Cannistraci, Thomas M. Sutter, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） ； Department of Intensive Care and Neonatology, University Children’s Hospital Zurich（重症医学与新生儿科，苏黎世大学儿童医院） 纠错

AI总结 提出YOTO框架，通过端到端可微架构联合选择离散基因子集并进行预测，实现稀疏、多任务学习，提升单细胞转录组数据分析性能。

Comments Camera-ready version accepted at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026