TMLR

Feature Representation Transferring to Lightweight Models via Perception Coherence

通过感知一致性向轻量模型转移特征表示

Hai-Vy Nguyen, Fabrice Gamboa, Sixin Zhang, Reda Chhaibi, Serge Gratton, Thierry Giaccone

机构 * Ampere Software Technology（Ampere软件技术公司） ； Institut de mathématiques de Toulouse（图卢兹数学研究所） ； Institut de Recherche en Informatique de Toulouse（图卢兹信息研究所） ； Laboratoire Jean Alexandre Dieudonné, Université Côte d’Azur（Jean Alexandre Dieudonné实验室，蔚蓝海岸大学） ； Université Côte d’Azur（蔚蓝海岸大学） 纠错

AI总结 本文提出通过感知一致性方法，从教师模型向轻量学生模型转移特征表示，提升模型性能。

Comments Published in Transactions on Machine Learning Research (02/2026)

Journal ref Published in Transactions on Machine Learning Research (02/2026)

Hypergraphs as Weighted Directed Self-Looped Graphs: Spectral Properties, Clustering, Cheeger Inequality

超图作为加权有向自环图：谱性质、聚类、切比雪夫不等式

Zihao Li, Dongqi Fu, Hengyu Liu, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta 纠错

AI总结 本文提出了一种基于随机游走的超图谱聚类算法HyperClus-G，解决了EDVW超图的谱理论、聚类和切比雪夫不等式问题。

Comments Accepted by TMLR. 28 pages

Unifying VXAI: A Systematic Review and Framework for the Evaluation of Explainable AI

统一VXAI：可解释AI评估的系统综述与框架

David Dembinsky, Adriano Lucieri, Stanislav Frolov, Hiba Najjar, Ko Watanabe, Andreas Dengel

AI总结 本文提出统一的XAI评估框架VXAI，通过系统综述和三维分类方案，全面评估可解释AI的方法和指标。

Comments Published at TMLR

Journal ref Transactions on Machine Learning Research (2026), ISSN 2835-8856

GIFT: A Framework Towards Global Interpretable Faithful Textual Explanations of Vision Classifiers

GIFT: 一种面向视觉分类器全局可解释忠实文本解释的框架

Éloi Zablocki, Valentin Gerard, Amaia Cardiel, Eric Gaussier, Matthieu Cord, Eduardo Valle

机构 * Université Grenoble Alpes（法国格勒诺布尔大学） ； Sorbonne Université（巴黎索邦大学） 纠错

AI总结 GIFT提出一种框架，通过生成局部反事实并转化为文本解释，实现视觉分类器的全局可解释和忠实性。

Comments TMLR 2026 (featured certification)

On the Expressiveness of Softmax Attention: A Recurrent Neural Network Perspective

关于softmax注意力的表达性：从递归神经网络的角度

Gabriel Mongaras, Eric C. Larson

机构 * Lyle School of Engineering（莱尔学院） ； Southern Methodist University（南方 Methodist 大学） 纠错

AI总结 从递归神经网络角度研究softmax注意力的表达性，揭示其与线性注意力的差异及优势

Journal ref Transactions on Machine Learning Research (TMLR), 2025

Towards Scalable Language-Image Pre-training for 3D Medical Imaging

面向3D医学影像的语言-图像预训练的可扩展性

Chenhui Zhao, Yiwei Lyu, Asadur Chowdury, Edward Harake, Akhil Kondepudi, Akshay Rao, Xinhai Hou, Honglak Lee, Todd Hollon

机构 * University of Michigan（密歇根大学） 纠错

AI总结 HLIP通过引入层次注意力机制，实现对3D医学影像的可扩展语言-图像预训练，提升脑部MRI和头部CT的性能表现。

Comments TMLR 2026

Unlocking [CLS] Features for Continual Post-Training

解锁[CLS]特征以实现持续微调

Murat Onur Yildirim, Elif Ceren Gok Yildirim, Joaquin Vanschoren

AI总结 本文提出TOSCA方法，通过在[CLS]标记上部署稀疏LuCA模块，实现持续学习中稳定性与可塑性的平衡，减少参数量并提升性能。

Comments Published in Transactions on Machine Learning Research (TMLR)

Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction

仍然具有竞争力：重新审视用于不规则时间序列预测的循环模型

Ankitkumar Joshi, Milos Hauskrecht

机构 * Department of Computer Science（计算机科学系） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 GRUwE通过引入指数基函数的门控循环单元，在不规则时间序列预测中实现了与最新方法相当或更优的性能，且具有简单易用和计算高效的优势。

Comments Published in Transactions on Machine Learning Research, 2026

A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation

深度概率图像分割中贝叶斯不确定性量化综述

M. M. A. Valiuddin, R. J. G. van Sloun, C. G. A. Viviers, P. H. N. de With, F. van der Sommen

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 本文综述了深度概率图像分割中贝叶斯不确定性量化的关键概念与挑战，提出标准化框架并指导未来研究方向。

Comments TMLR

Amortized Bayesian Workflow

批处理贝叶斯工作流

Chengkun Li, Aki Vehtari, Paul-Christian Bürkner, Stefan T. Radev, Luigi Acerbi, Marvin Schmitt

机构 * University of Helsinki（赫尔辛基大学） ； ELLIS Institute Finland, Aalto University（芬兰埃利斯研究所、阿尔托大学） ； TU Dortmund University（多特蒙德技术大学） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Independent Scientist（独立研究者） 纠错

AI总结 本文提出了一种结合快速近似推断与MCMC技术的自适应工作流，通过在处理大量数据集时平衡速度与精度，提升推断效率并保持高质量后验结果。

Comments Accepted in Transactions on Machine Learning Research

Relative Geometry of Neural Forecasters: Linking Accuracy and Alignment in Learned Latent Geometry

神经预报器的相对几何：连接准确性和对齐性在学习潜在几何中的联系

Deniz Kucukahmetler, Maximilian Jean Hemmann, Julian Mosig von Aehrenfeld, Maximilian Amthor, Christian Deubel, Nico Scherf, Diaaeldin Taha

机构 * Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） ； School of Embedded Composite Artificial Intelligence (SECAI)（嵌入式复合人工智能学院） ； Leipzig University（莱比锡大学） ； Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院） 纠错

AI总结 本研究通过相对几何方法探讨神经预报器的对齐与准确性关系，揭示了不同模型家族在表示动态结构上的差异及预测性能的关联。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

Don't Let It Hallucinate: Premise Verification via Retrieval-Augmented Logical Reasoning

不要让它幻觉：通过检索增强的逻辑推理进行前提验证

Yuehan Qin, Shawn Li, Yi Nian, Xinyan Velocity Yu, Yue Zhao, Xuezhe Ma

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出一种基于检索增强的逻辑推理方法，用于在生成前验证用户查询中的前提，从而减少幻觉并提高事实准确性。

Comments TMLR 2026

Steering Dialogue Dynamics for Robustness against Multi-turn Jailbreaking Attacks

引导对话动态以对抗多轮劫持攻击

Hanjiang Hu, Alexander Robey, Changliu Liu

AI总结 本研究提出基于安全控制理论的神经屏障函数，通过状态空间建模和安全预测器，有效防御多轮劫持攻击，提升对话安全性与实用性。

Comments TMLR, 31 pages, 11 figures, 15 tables

Fast Graph Generation via Autoregressive Noisy Filtration Modeling

通过自回归噪声过滤建模实现快速图生成

Markus Krimmel, Jenna Wiens, Karsten Borgwardt, Dexiong Chen

机构 * Max Planck Institute of Biochemistry（马克斯·普朗克生物化学研究所） 纠错

AI总结 ANFM通过自回归噪声过滤建模实现高质量且高速的图生成。

Journal ref Transactions on Machine Learning Research, 2026

GraphFM: A generalist graph transformer that learns transferable representations across diverse domains

GraphFM: 一种通用的图变换器，能够在不同领域中学习可迁移的表示

Divyansha Lachi, Mehdi Azabou, Vinam Arora, Eva Dyer

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 GraphFM是一种通用图变换器，通过多图预训练学习可迁移的表示，提升跨不同图结构和任务的性能。

Journal ref Transactions on Machine Learning Research, 2025

When Attention Collapses: How Degenerate Layers in LLMs Enable Smaller, Stronger Models

当注意力崩溃：LLMs中的退化层如何使小型模型更强大

Sunny Sanyal, Ravid Shwartz-Ziv, Alexandros G. Dimakis, Sujay Sanghavi

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； UC Berkeley（伯克利加州大学） 纠错

AI总结 Inheritune通过继承预训练模型的早期层来构建更小但更强的语言模型，实现模型压缩与性能的平衡。

Comments Published in Transactions on Machine Learning Research (TMLR)

A Survey on Generative Modeling with Limited Data, Few Shots, and Zero Shot

有限数据、少样本和零样本生成建模综述

Milad Abdollahzadeh, Guimeng Liu, Touba Malekzadeh, Christopher T. H. Teo, Keshigeyan Chandrasegaran, Ngai-Man Cheung

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； SAP, Singapore（新加坡SAP公司） ； Stanford University（斯坦福大学） 纠错

AI总结 本文综述了在有限数据、少样本和零样本条件下生成建模的挑战与方法，提出了新的分类体系，并探讨了未来研究方向。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (TMLR), 2025

DiffusionRollout: Uncertainty-Aware Rollout Planning in Long-Horizon PDE Solving

DiffusionRollout：长时间尺度PDE求解中的不确定性感知 rollout 计划

Seungwoo Yoo, Juil Koo, Daehyeon Choi, Minhyuk Sung

AI总结 DiffusionRollout通过自适应选择步长策略，提升长时间尺度PDE求解的预测可靠性与准确性。

Comments TMLR

The Speed-up Factor: A Quantitative Multi-Iteration Active Learning Performance Metric

速度提升因子：一种定量的多轮主动学习性能度量指标

Hannes Kath, Thiago S. Gouvêa, Daniel Sonntag

机构 * Department of Applied Artificial Intelligence（应用人工智能系） ； University of Oldenburg（旧enburg大学） ； Department of Interactive Machine Learning（交互式机器学习系） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） 纠错

AI总结 本文提出速度提升因子，用于量化主动学习中多轮查询方法的性能，通过实验验证其在不同数据集和算法上的有效性与稳定性。

Journal ref H. Kath, T.S. Gouvêa, D. Sonntag (2026). The Speed-up Factor: A Quantitative Multi-Iteration Active Learning Performance Metric. Transactions on Machine Learning Research

LO-BCQ: Block Clustered Quantization for 4-bit (W4A4) LLM Inference

LO-BCQ：用于4位（W4A4）大语言模型推理的块聚类量化

Reena Elangovan, Charbel Sakr, Anand Raghunathan, Brucek Khailany

机构 * NVIDIA Corporation（NVIDIA公司） ； Department of ECE（电子工程系） ； Purdue University（普渡大学） 纠错

AI总结 LO-BCQ通过块聚类量化方法，在W4A4格式下实现4位大语言模型推理，取得<1%的精度损失，提升推理效率。

Journal ref Transactions on Machine Learning Research, 2025

Denoising Diffusions with Optimal Transport: Localization, Curvature, and Multi-Scale Complexity

去噪扩散与最优传输：局部化、曲率与多尺度复杂性

Tengyuan Liang, Kulunu Dharmakeerthi, Takuya Koriyama

机构 * University of Chicago, Booth School of Business（芝加哥大学商学院） ； University of Chicago（芝加哥大学） 纠错

AI总结 该研究探讨了基于最优传输的去噪扩散方法，通过多尺度曲率复杂性分析去噪难度，揭示了曲率与信噪比的关系，以及多尺度复杂性对去噪过程的影响。

Comments 30 pages, 11 figures

Journal ref Transactions on Machine Learning Research, 2026

Reproducing DragDiffusion: Interactive Point-Based Editing with Diffusion Models

重现DragDiffusion：基于扩散模型的交互式点编辑

Ali Subhan, Ashir Raza

机构 * Faculty of Computer and Information Science（计算机与信息科学学院） ； University of Ljubljana（卢布尔雅那大学） 纠错

AI总结 本文重现了DragDiffusion方法，验证了其在不同超参数下的可重复性，并发现其性能对优化时间步和特征层敏感。

Comments 16 pages, 8 figures. Reproducibility study of DragDiffusion (CVPR 2024). Submitted to TMLR Reproducibility Challenge. Code available on GitHub

Bayesian Neighborhood Adaptation for Graph Neural Networks

基于贝叶斯邻域适应的图神经网络

Paribesh Regmi, Rui Li, Kishan KC

机构 * Golisano College of Computing and Information Science（计算与信息科学学院） ； Rochester Institute of Technology（罗切斯特理工学院） ； Amazon.com, Inc.（亚马逊公司） 纠错

AI总结 本文提出基于贝叶斯邻域适应的图神经网络方法，通过将跳数建模为beta过程，提升GNN的表达能力并在节点分类任务中取得优异性能。

Comments Published in Transactions on Machine Learning Research (TMLR), 07/2025

MetaSeal: Defending Against Image Attribution Forgery Through Content-Dependent Cryptographic Watermarks

MetaSeal：通过内容依赖的密码水印防御图像归属伪造

Tong Zhou, Ruyi Ding, Gaowen Liu, Charles Fleming, Ramana Rao Kompella, Yunsi Fei, Xiaolin Xu, Shaolei Ren

机构 * Northeastern University（东北大学） ； Cisco（思科） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 MetaSeal通过内容依赖的密码水印技术，提供抗伪造、自包含保护和篡改证据，以增强图像归属的安全性。

Comments To appear at TMLR 2026. 26 pages, 14 figures

Holistic Continual Learning under Concept Drift with Adaptive Memory Realignment

在概念漂移下实现整体持续学习的自适应记忆重定位

Alif Ashrafee, Jedrzej Kozal, Michal Wozniak, Bartosz Krawczyk

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； Wroclaw University of Science and Technology（沃拉日扎理工大学） 纠错

AI总结 本文提出自适应记忆重定位方法，用于在概念漂移下实现持续学习，通过轻量级机制减少标注和计算开销，保持高精度与稳定性。

Comments Published in Transactions on Machine Learning Research (TMLR), 01/2026. https://openreview.net/forum?id=1drDlt0CLM

The Five Ws of Multi-Agent Communication: Who Talks to Whom, When, What, and Why -- A Survey from MARL to Emergent Language and LLMs

多智能体通信的五个W：谁与谁沟通，何时沟通，沟通什么，为何沟通——从MARL到涌现语言和LLMs的综述

Jingdi Chen, Hanqing Yang, Zongjun Liu, Carlee Joe-Wong

AI总结 本文综述了多智能体通信的五个W，探讨了从MARL到涌现语言和LLM的发展，分析了不同范式下的通信设计、权衡与挑战。

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

Semi-Supervised Cross-Domain Imitation Learning

半监督跨领域模仿学习

Li-Min Chu, Kai-Siang Ma, Ming-Hong Chen, Ping-Chun Hsieh

机构 * Department of Computer Science, National Yang Ming Chiao Tung University（计算机科学系，国家阳明交通大学） 纠错

AI总结 本文提出半监督跨领域模仿学习方法，通过结合监督与无监督学习，实现稳定且高效的数据驱动策略学习。

Comments Published in Transactions on Machine Learning Research (TMLR)

Order from Chaos: Physical World Understanding from Glitchy Gameplay Videos

秩序从混沌：从 glitchy 游戏视频中理解物理世界

Meng Cao, Haoran Tang, Haoze Zhao, Mingfei Han, Ruyang Liu, Qiang Sun, Xiaojun Chang, Ian Reid, Xiaodan Liang

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Peking University（北京大学） ； University of Toronto（多伦多大学） ； Sun Yat-sen University（孙中山大学） 纠错

AI总结 本文提出 PhysGame 数据集和 GameBench 基准，通过利用游戏视频中的 glitch 异常，提升物理推理能力，实验显示在多个基准上取得显著提升。

Comments Accepted by TMLR

From Preferences to Prejudice: The Role of Alignment Tuning in Shaping Social Bias in Video Diffusion Models

从偏好到偏见：对齐调谐在视频扩散模型中塑造社会偏见的作用

Zefan Cai, Haoyi Qiu, Haozhe Zhao, Ke Wan, Jiachen Li, Jiuxiang Gu, Wen Xiao, Nanyun Peng, Junjie Hu

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Microsoft（微软公司） 纠错

AI总结 本文研究了对齐调谐在视频扩散模型中如何塑造社会偏见，提出VideoBiasEval框架以评估和缓解偏见，揭示了对齐调谐使偏见更稳定且刻板化的现象。

Comments TMLR

Implicit Probabilistic Reasoning Does Not Reflect Explicit Answers in Large Language Models

隐式概率推理不反映大语言模型中的显式答案

Manuel Mondal, Ljiljana Dolamic, Gérôme Bovet, Philippe Cudré-Mauroux, Julien Audiffren

机构 * University of Fribourg, Switzerland（弗里堡大学） ； armasuisse S+T, Switzerland（armasuisse S+T） 纠错

AI总结 本研究发现大语言模型在显式概率推理中表现良好，但在隐式概率推理中预测与真实情况存在显著差异，且传统评估方法无法检测此类错误。

Comments Published in Transactions on Machine Learning Research