TMLR

SPL: Orchestrating Workflows with Declarative Deterministic-Probabilistic Composition

SPL：使用声明式确定性-概率性组合编排工作流

Wen G. Gong

机构 * Independent Researcher（独立研究者） 纠错

AI总结 研究提出SPL语言统一确定性与概率性计算模式，通过共享语法等实现跨平台运行。经实验验证，求解器分支有较高机器验证正确性，对比仅用大语言模型的分支，呈现后端难度梯度，主要失败模式为求解器错误。

Comments 24 pages, 2 figures, under review at TMLR

TNODEV: Toolbox for Neural ODE Verification

TNODEV: 神经ODE验证工具箱

Abdelrahman Sayed Sayed, Pierre-Jean Meyer, Mohamed Ghazel

机构 * Univ Gustave Eiffel, COSYS-ESTAS（古斯塔夫·埃菲尔大学，COSYS-ESTAS实验室） 纠错

AI总结 提出TNODEV，首个集成伪造检查、区间可达性、验证循环和并行调度的神经ODE形式验证器，支持安全集包含和分类鲁棒性验证。

Comments 30 pages, 7 figures, Under review in TMLR

Maximum Mean Discrepancy with Unequal Sample Sizes via Generalized U-Statistics

通过广义U统计量处理不等样本量的最大均值差异

Aaron Wei, Milad Jalali, Danica J. Sutherland

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Alberta Machine Intelligence Institute（阿尔伯塔人工智能研究所） 纠错

AI总结 研究不等样本量下的MMD检验问题，通过扩展广义U统计量理论应用于MMD估计量，得到其渐近分布新特征及检验功效优化准则，保留所有数据提升检验准确性与适用性，还清晰刻画了MMD估计量方差。

Comments v2: various improvements, as published at TMLR - https://openreview.net/forum?id=KjXW75GHHF

Journal ref Transactions on Machine Learning Research (2026)