TMLR

Training Non-Differentiable Networks via Optimal Transport

基于最优传输训练不可微网络

An T. Le

AI总结 该研究提出PolyStep方法，通过最优传输框架利用前向传播训练不可微网络，在脉冲网络、MAX-SAT等任务上优于多数无梯度基线，仅前向传播即可实现子空间平稳性。

Comments 93 pages, 26 tables, 6 figures, submitted to Transactions on Machine Learning Research

Unified Convergence Theory of Stochastic and Variance-Reduced Cubic Newton Methods

随机与方差减少立方牛顿方法的统一收敛理论

El Mahdi Chayti, Nikita Doikov, Martin Jaggi

机构 * Machine Learning and Optimization Laboratory (MLO), EPFL（机器学习与优化实验室（MLO），EPFL） 纠错

AI总结 本文提出了一种统一框架，用于分析随机和方差减少的立方牛顿方法，提供了全局复杂性保证，并改进了大规模问题的计算效率。

Comments Published in Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research (2024)

Efficient Image Restoration with State-Dependent Forward Diffusion

基于状态依赖正向扩散的高效图像复原

Ziwei Luo, Fredrik K. Gustafsson, Jens Sjölund, Thomas B. Schön

AI总结 该研究提出状态依赖均值回复正向扩散（FoD）框架，以单正向扩散过程实现高效图像复原，其含状态依赖SDE，可少步采样，在多类图像复原任务上性能优于多种对比方法。

Comments Accepted by TMLR. Project page: https://algolzw.github.io/fod

Heterogeneous Matrix Factorization: When Features Differ by Datasets

Naichen Shi, Raed Al Kontar, Salar Fattahi

Journal ref Transactions on Machine Learning Research (2026)