TMLR

Many Circuits, One Mechanism: Input Variation and Evaluation Granularity in Circuit Discovery

多电路，单机制：电路发现中的输入变化与评估粒度

Alireza Bayat Makou, Jingcheng Niu, Subhabrata Dutta, Iryna Gurevych

机构 * UKP Lab, Technical University of Darmstadt（达姆施塔特技术大学UKP实验室） ； National Research Center for Applied Cybersecurity ATHENE（应用网络安全国家研究研究中心ATHENE） 纠错

AI总结 本文通过固定任务、改变输入统计量，发现电路结构差异并不对应功能差异（称为“伪特化”），并证明结构不同的电路实现相同计算，强调边缘级评估和跨条件迁移测试的必要性。

Comments 101 pages, 44 figures

Journal ref Transactions on Machine Learning Research, 2026

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: https://doi.org/10.6084/m9.figshare.33350829

Private and interpretable clinical prediction with quantum-inspired tensor train models

具有量子启发张量列车模型的隐私和可解释性临床预测

José Ramón Pareja Monturiol, Juliette Sinnott, Roger G. Melko, Mohammad Kohandel

AI总结 本文提出基于量子启发张量列车模型的隐私保护和可解释性临床预测方法，通过实验展示其在提升模型隐私性和可解释性方面的有效性。

Comments 23 pages, 3 figures, 7 tables. The code for the experiments is publicly available at https://github.com/joserapa98/tns4loris. v2: Published version. OpenReview: https://openreview.net/forum?id=QtG3fC1v5t

Journal ref Transactions on Machine Learning Research (2026)

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 https://openreview.net/pdf?id=bEmDvP0fdv

Journal ref Transactions on Machine Learning Research (2026)