TMLR

Bayes with No Shame: Admissibility Geometries of Predictive Inference

贝叶斯无羞耻：预测推断的可接受几何学

Nicholas G. Polson, Daniel Zantedeschi

机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Muma College of Business, University of South Florida（佛罗里达州立大学穆马商学院） 纠错

AI总结 本文探讨了四种不同的可接受几何学，用于序列和分布无关推断，提出各类可接受程序相互不嵌套，且具有不同的最优性证书。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR). 38 pages, 6 figures, 5 tables. This version synchronizes the preprint with the verified camera-ready manuscript; it clarifies the scope and assumptions of auxiliary results while leaving the main separation results and numerical findings unchanged. Video overview: this https URL (https://doi.org/10.6084/m9.figshare.33350829)

Plain Transformers Can be Powerful Graph Learners

原始变换器可以成为强大的图学习者

Liheng Ma, Soumyasundar Pal, Yingxue Zhang, Philip H.S. Torr, Mark Coates

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Huawei Noah’s Ark Lab, Montreal（华为诺亚实验室，蒙特利尔） ； University of Oxford（牛津大学） 纠错

AI总结 本研究证明原始变换器可通过简单修改成为强大图学习者，提出PPGT架构在图学习任务中表现优异。

Comments TMLR - 2026/06 this https URL (https://openreview.net/pdf?id=bEmDvP0fdv)