TMLR

Firewalls to Secure Dynamic LLM Agentic Networks

为动态LLM代理网络设计防火墙

Sahar Abdelnabi, Amr Gomaa, Eugene Bagdasarian, Per Ola Kristensson, Reza Shokri

AI总结 本文提出双防火墙架构，通过任务上下文投影过滤通信内容，有效降低隐私和安全攻击成功率，同时保持任务完成质量。

Comments TMLR 2026. Our code and transcripts can be found at: https://github.com/amrgomaaelhady/Firewall-Agentic-Networks

Task Vector Bases: A Unified and Scalable Framework for Compressed Task Arithmetic

任务向量基：一种统一且可扩展的压缩任务算术框架

Siqi Zeng, Yifei He, Meitong Liu, Weiqiu You, Yifan Hao, Yao-Hung Hubert Tsai, Makoto Yamada, Han Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Okinawa Institute of Science and Technology（冲绳科学技术大学院大学） 纠错

AI总结 提出任务向量基框架，将T个任务向量压缩为M<T个基向量，支持加法、否定等算术操作，理论保证泛化与遗忘，实验表明压缩后性能优于或持平完整集合。

Comments Published as a journal paper at TMLR in Jun 2026. 10 pages, 12 figures

One-Bit Distributed Mean Estimation with Unknown Variance

方差未知的单比特分布式均值估计

Ritesh Kumar, Shashank Vatedka

AI总结 针对方差未知的分布式均值估计问题，提出简单非自适应和自适应协议，证明渐近正态性并推导均方误差界，通过下界证明自适应协议的最优性。

Comments Published in Transactions on Machine Learning Research https://openreview.net/forum?id=g95C4zIEPg

Journal ref Transactions on Machine Learning Research, February 2026