TMLR

Constraint-Aware Flow Matching via Randomized Exploration

通过随机探索实现约束感知的流匹配

Zhengyan Huan, Jacob Boerma, Li-Ping Liu, Shuchin Aeron

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Tufts University（塔夫茨大学） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基础相互作用研究所） 纠错

AI总结 本文提出通过随机探索改进流匹配模型，以应对生成模型中常见的约束违反问题，展示了两种场景下的方法，并证明了两阶段方法在计算效率上的优势。

Journal ref Transactions on Machine Learning Research (TMLR), 2026

Personalization Toolkit: Training Free Personalization of Large Vision Language Models

个性化工具包：无需训练的大型视觉语言模型个性化

Soroush Seifi, Vaggelis Dorovatas, Matteo Cassinelli, Fabien Despinoy, Daniel Olmeda Reino, Rahaf Aljundi

机构 * Toyota Motor Europe（丰田欧洲公司） 纠错

AI总结 本文提出无需训练的LVLM个性化方法，通过预训练视觉基础模型提取特征，结合检索增强生成技术实现多概念个性化，适用于图像和视频。

Comments Accepted at Transactions on Machine Learning Research (TMLR) 2026

Out of Spuriousity: Improving Robustness to Spurious Correlations without Group Annotations

脱离虚假相关性：在没有组注释的情况下提高对虚假相关性的鲁棒性

Phuong Quynh Le, Jörg Schlötterer, Christin Seifert

机构 * Marburg University（马堡大学） ； University of Mannheim（曼海姆大学） 纠错

AI总结 本文提出了一种方法，通过提取子网络来提高机器学习模型对虚假相关性的鲁棒性，利用监督对比损失迫使模型去除虚假关联，从而提升最差组的性能。

Comments Accepted to TMLR

The Shape of Attraction in UMAP: Exploring the Embedding Forces in Dimensionality Reduction

UMAP中吸引形状的探索：在降维中的嵌入力分析

Mohammad Tariqul Islam, Jason W. Fleischer

机构 * Media Lab, MIT（MIT媒体实验室） ； Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） 纠错

AI总结 本文分析UMAP中吸引与排斥力对聚类形成和可视化的影响，比较UMAP与其他方法，揭示学习率退火的必要性及不同处理方式。

Comments 13 page + appendix

Journal ref Transactions on Machine Learning Research, 2026

Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines

机器人中的视觉-语言-动作：数据集、基准和数据引擎的综述

Ziyao Wang, Bingying Wang, Hanrong Zhang, Tingting Du, Tianyang Chen, Guoheng Sun, Yexiao He, Zheyu Shen, Wanghao Ye, Ang Li

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Utah（犹他大学） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文综述了视觉-语言-动作研究中数据基础设施的关键挑战，指出未来进展依赖于数据引擎与评估协议的协同设计，揭示了数据集、基准和数据引擎的四大开放挑战。

Comments This is a survey paper. The survey is already accepted by TMLR after peer-review. The OpenReview link is here: https://openreview.net/forum?id=tAaWFpvnmm

Test-Time Adaptation for Unsupervised Combinatorial Optimization

测试时适应用于无监督组合优化

Yiqiao Liao, Farinaz Koushanfar, Parinaz Naghizadeh

机构 * UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出TACO框架，通过结合通用模型与实例特定模型，解决无监督组合优化中通用性与实例适应性的矛盾，提升求解质量与效率。

Comments TMLR 2026

RegMean++: Enhancing Effectiveness and Generalization of Regression Mean for Model Merging

RegMean++：提升回归均值在模型合并中的效果与泛化能力

The-Hai Nguyen, Dang Huu-Tien, Takeshi Suzuki, Le-Minh Nguyen

机构 * Japan Advanced Institute of Science and Technology（日本先进科学研究院） ； Ricoh Company, Ltd.（富士通株式会社） 纠错

AI总结 RegMean++通过引入层内和跨层依赖关系，改进模型合并的精度与泛化能力，在不同场景下均优于RegMean。

Comments Accepted by Transactions on Machine Learning Research

A Lower Bound for the Number of Linear Regions of Ternary ReLU Regression Neural Networks

三进制ReLU回归神经网络线性区域数量的下界

Yuta Nakahara, Manabu Kobayashi, Toshiyasu Matsushima

机构 * Center for Data Science（数据科学中心） ； Waseda University（早稻田大学） ； Department of Applied Mathematics（应用数学系） 纠错

AI总结 本文从线性区域数量角度分析了三进制神经网络的表达能力，证明其线性区域数随网络宽度多项式增长，深度指数增长，并通过调整网络结构获得与常规ReLU回归网络相当的下界。

Journal ref Transactions on Machine Learning Research, 2026. URL: https://openreview.net/forum?id=Yg7tt1hWiF

Unrealized Expectations: Comparing AI Methods vs Classical Algorithms for Maximum Independent Set

未实现的期望：比较AI方法与经典算法在最大独立集问题上的表现

Yikai Wu, Haoyu Zhao, Sanjeev Arora

机构 * Department of Computer Science & Princeton Language and Intelligence (PLI)（计算机科学系及普林斯顿语言与智能中心） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文比较了AI方法与经典算法在最大独立集问题上的性能，发现经典算法在随机图上表现更优，AI方法存在系统性不足，需重新审视AI在组合优化中的应用。

Comments Published on TMLR 04/2026. 28 pages, 6 figures, 98 tables

Journal ref Transactions on Machine Learning Research (2026)

Learning-Augmented Robust Algorithmic Recourse

基于学习的鲁棒算法救济

Kshitij Kayastha, Vasilis Gkatzelis, Shahin Jabbari

机构 * Department of Computer Science（计算机科学系） ； Drexel University（德雷塞尔大学） ； Archimedes Athena Research Center（阿奇米德·阿特拉研究中心） 纠错

AI总结 本文研究了在预测未来模型准确性的前提下，如何通过学习增强的算法救济减少救济成本，并分析预测准确性对性能的影响。

Comments Published in Transactions on Machine Learning Research (TMLR) 4/2026

Introducing Background Temperature to Characterise Hidden Randomness in Large Language Models

引入背景温度以表征大语言模型中的隐藏随机性

Alberto Messina, Stefano Scotta

机构 * RAI - Radiotelevisione Italiana, Centre for Research, Technological Innovation and Experimentation (CRITS)（意大利广播电视台，研究中心、技术创新与实验中心（CRITS）） 纠错

AI总结 本文引入背景温度概念，探讨大语言模型中隐藏随机性的来源，提出通过有效温度评估实现依赖扰动，并通过实验验证其对可重复性、评估和部署的影响。

Journal ref Transactions on Machine Learning Research (TMLR), February 2026, https://openreview.net/pdf?id=bz0he4bARF

Joint Embedding Variational Bayes

联合嵌入变分贝叶斯

Amin Oji, Paul Fieguth

机构 * University of Waterloo（滑铁卢大学） ； Department of Systems Design Engineering（系统设计工程系） 纠错

AI总结 本文提出变分联合嵌入（VJE），一种无需重建的潜在变量框架，用于表示空间中的非对比自监督学习。通过直接在目标表示上定义条件似然，最大化对称的条件证据下界（ELBO），并利用极坐标分解分离角度一致性和幅度一致性，缓解范数诱导的病态问题。

Journal ref Transactions on Machine Learning Research, April 2026

Towards Multimodal Active Learning: Efficient Learning with Limited Paired Data

迈向多模态主动学习：在有限配对数据下高效学习

Jiancheng Zhang, Yinglun Zhu

机构 * University of California, Riverside（加州大学河滨分校） 纠错

AI总结 本文提出首个处理对齐数据的多模态主动学习框架，结合不确定性与多样性原则，实现线性时间获取，降低多模态标注成本且保持性能。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

HyperAdapt: Simple High-Rank Adaptation

HyperAdapt: 简单的高秩适应

Abel Gurung, Joseph Campbell

机构 * Purdue University（普渡大学） 纠错

AI总结 HyperAdapt通过高秩更新减少可训练参数，实现高效的微调，在多个基准测试中表现接近全微调方法。

Comments Published in Transactions on Machine Learning Research

Properties and limitations of geometric tempering for gradient flow dynamics

几何退火的梯度流动力学的性质与限制

Francesca Romana Crucinio, Sahani Pathiraja

机构 * ESOMAS, University of Turin, Italy（ESOMAS，都灵大学，意大利） ； Collegio Carlo Alberto, Turin, Italy（卡尔罗阿尔贝托学院，都灵，意大利） ； School of Mathematics & Statistics, UNSW Sydney, Australia（数学与统计学学院，悉尼大学，澳大利亚） 纠错

AI总结 本文研究了几何退火对梯度流动力学的影响，分析了连续时间和离散时间下的收敛性，并提出了自适应退火方案。

Comments Accepted at TMLR https://openreview.net/forum?id=IP0w5LdcxC

Variational Visual Question Answering for Uncertainty-Aware Selective Prediction

变分视觉问答用于不确定性感知的选择性预测

Tobias Jan Wieczorek, Nathalie Daun, Mohammad Emtiyaz Khan, Marcus Rohrbach

机构 * TU Darmstadt（图宾根大学） 纠错

AI总结 本文提出变分VQA方法，通过变分贝叶斯方法提升视觉问答和视觉推理任务的可靠性，尤其在低误差容忍度下表现优异，且优于AdamW训练模型。

Comments TMLR April 2026 version. 13 pages main paper, 31 pages with appendix. Updated bibliography

Journal ref Transactions on Machine Learning Research (2026)

Not All Rollouts are Useful: Down-Sampling Rollouts in LLM Reinforcement Learning

并非所有回放都有效：在大语言模型强化学习中的回放下采样

Yixuan Even Xu, Yash Savani, Fei Fang, J. Zico Kolter

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出PODS方法，通过下采样回放来减少策略更新成本，提升学习效率。

Comments 19 pages, 10 figures, TMLR 2026

AAC: Admissible-by-Architecture Differentiable Landmark Compression for ALT

AAC：基于架构的可接受可微分地标压缩用于ALT

An T. Le, Vien Ngo

机构 * Center for AI Research, VinUniversity, Vietnam（越南 Vin 大学人工智能研究中心） ； VinRobotics, Vietnam（越南 Vin 机器人公司） ； Intelligent Autonomous Systems, TU Darmstadt, Germany（德国图恩-达姆施塔特技术大学智能自主系统） 纠错

AI总结 AAC是一种可微分地标选择模块，用于ALT最短路径启发式方法，通过行随机混合三角不等式下界保证启发式可接受性，且在无需收敛、校准或投影的情况下保持可接受性，同时在部署时能与神经编码器端到端结合，提升效率和精度。

Comments 50 pages, 8 figures, 24 tables, submitted to Transactions on Machine Learning Research

COMPASS: COntinual Multilingual PEFT with Adaptive Semantic Sampling

COMPASS：持续多语言PEFT与自适应语义采样

Noah Flynn

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 COMPASS通过自适应语义采样策略，利用参数高效微调方法，在多语言任务中提升模型性能，减少跨语言干扰，实现持续学习框架以适应动态环境。

Journal ref Transactions on Machine Learning Research, 2025, https://openreview.net/forum?id=oapsbIO1Bd

CLIP-SVD: Efficient and Interpretable Vision-Language Adaptation via Singular Values

CLIP-SVD：通过奇异值实现高效且可解释的视觉-语言适应

Taha Koleilat, Hassan Rivaz, Yiming Xiao

机构 * Department of Electrical & Computer Engineering, Concordia University（康科迪亚大学电气与计算机工程系） ； Department of Computer Science & Software Engineering, Concordia University（康科迪亚大学计算机科学与软件工程系） 纠错

AI总结 CLIP-SVD通过奇异值微调方法，以0.04%的参数量实现高效视觉-语言模型适应，提升适应性能并保留泛化能力，在11个自然和10个生物医学数据集上取得最佳分类结果。

Comments TMLR 2026

Demystifying MaskGIT Sampler and Beyond: Adaptive Order Selection in Masked Diffusion

解析MaskGIT采样器及其超越：在Masked Diffusion中的自适应顺序选择

Satoshi Hayakawa, Yuhta Takida, Masaaki Imaizumi, Hiromi Wakaki, Yuki Mitsufuji

机构 * Sony Group Corporation（索尼集团公司） ； Sony AI（索尼人工智能） ； The University of Tokyo（东京大学） 纠错

AI总结 本文分析了MaskGIT采样器的隐含温度采样机制，提出更易解释的moment采样器，并通过部分缓存技术和混合方法改进了选择-采样算法，验证了理论并提升了实际性能。

Comments 23 pages, fixed cleveref-related issue

Journal ref Transactions on Machine Learning Research, 2026

Policy Gradient with Kernel Quadrature

基于核二次积分的策略梯度方法

Satoshi Hayakawa, Tetsuro Morimura

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； CyberAgent, Inc.（CyberAgent公司） 纠错

AI总结 本文提出一种基于核二次积分的策略梯度方法，通过选择代表性样本加速奖励评估，提升策略梯度迭代效率。

Comments 18 pages, 2 figures

Journal ref Transactions on Machine Learning Research, 2024

On the Conditioning Consistency Gap in Conditional Neural Processes

关于条件神经过程中的条件一致性间隙

Robin Young

AI总结 本文研究了条件神经过程中的条件一致性间隙，通过KL散度衡量预测变化，证明在有限制编码器和Lipschitz解码器下，一致性间隙随上下文大小呈O(1/n²)衰减，揭示了CNP近似有效随机过程的精确意义。

Journal ref TMLR 2026

Improving LLM Unlearning Robustness via Random Perturbations

通过随机扰动提升大语言模型去学习鲁棒性

Dang Huu-Tien, Hoang Thanh-Tung, Anh Bui, Minh-Phuong Nguyen, Le-Minh Nguyen, Naoya Inoue

机构 * Japan Advanced Institute of Science and Technology（日本科学技术先进研究院） ； VNU University of Engineering and Technology（越南工程与技术大学） ； Monash University（莫纳什大学） ； RIKEN（日本研究机构） 纠错

AI总结 本文提出将去学习过程视为后门攻击与防御问题，通过随机噪声增强方法提升去学习模型的鲁棒性，实验表明该方法有效保持去学习性能。

Comments Accepted by Transactions on Machine Learning Research

Toward Efficient Influence Function: Dropout as a Compression Tool

迈向高效的影响力函数：Dropout作为压缩工具

Yuchen Zhang, Mohammad Mohammadi Amiri

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

AI总结 本文提出利用Dropout作为梯度压缩机制，高效计算影响力函数，减少计算和内存开销，适用于大规模模型。

Journal ref Transactions on Machine Learning Research, 02/2026

Data Compressibility Quantifies LLM Memorization

数据压缩性量化大语言模型的记忆性

Yizhan Huang, Zhe Yang, Meifang Chen, Huang Nianchen, Jianping Zhang, Michael R. Lyu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； University of Southern California（南加州大学） ； Meta 纠错

AI总结 本文通过数据压缩性量化大语言模型的记忆性，发现集级别指标能揭示熵与记忆性之间的线性关系。

Comments accepted by TMLR

Test-Time Alignment via Hypothesis Reweighting

测试时对齐 via 假设重加权

Yoonho Lee, Jonathan Williams, Henrik Marklund, Archit Sharma, Eric Mitchell, Anikait Singh, Chelsea Finn

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出HyRe方法，通过重加权集成成员实现实时个性化，仅需1-5个标记示例即可超越现有奖励模型。

Comments TMLR 2026

Condense, Don't Just Prune: Enhancing Efficiency and Performance in MoE Layer Pruning

压缩而非单纯剪枝：在MoE层剪枝中提升效率和性能

Mingyu Cao, Gen Li, Jie Ji, Jiaqi Zhang, Ajay Jaiswal, Li Shen, Xiaolong Ma, Shiwei Liu, Lu Yin

机构 * University of Surrey（萨里大学） ； Clemson University（克莱姆森大学） ； Meituan（美团） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sun Yat-sen University（中山大学） ； The University of Arizona（亚利桑那大学） ； ELLIS Institute（ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

AI总结 本文提出CD-MoE方法，通过压缩稀疏MoE层为更密集的层，提升效率和性能，实验证明在DeepSeekMoE-16B模型中，内存使用减少27.5%，推理速度提升1.26倍，且通过轻量专家微调恢复98%原始性能。

Journal ref Published in TMLR 10/2025 (https://openreview.net/pdf?id=BQe6j6sAu6)

Decision-Focused Surrogate Modeling for Mixed-Integer Linear Optimization

面向混合整数线性优化的决策聚焦代理建模

Shivi Dixit, Rishabh Gupta, Qi Zhang

AI总结 本文提出一种基于数据驱动的决策聚焦代理建模方法，通过构建线性规划模型高效求解混合整数线性规划问题，实现与原问题相近的最优解，且在两个案例中优于神经网络优化代理。

Comments Published in Transactions on Machine Learning Research (2025). OpenReview: https://openreview.net/forum?id=A6tOXkkE4Z

Journal ref Transactions on Machine Learning Research, 2835-8856, 2025

SpikingMamba: Towards Energy-Efficient Large Language Models via Knowledge Distillation from Mamba

SpikingMamba: 通过从Mamba知识蒸馏实现能量高效的大型语言模型

Yulong Huang, Jianxiong Tang, Chao Wang, Ziyi Wang, Jianguo Zhang, Zhichao Lu, Bojun Cheng, Luziwei Leng

AI总结 SpikingMamba通过知识蒸馏从Mamba模型中实现高效能的Spiking神经网络大型语言模型，结合SI-LIF神经元和SGC路径，在保持精度的同时显著降低能耗。

Journal ref Transactions on Machine Learning Research (01/2026)