期刊&会议
Transactions on Machine Learning Research · 期刊 · Machine Learning
隐式概率推理不反映大语言模型中的显式答案
机构 * University of Fribourg, Switzerland（弗里堡大学） ； armasuisse S+T, Switzerland（armasuisse S+T）
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
扩散后验采样用于高数据设置下的基于模拟的推断
机构 * Université Paris-Saclay（巴黎-萨克雷大学） ； Inria（法国国家信息与自动化技术研究院） ； CEA（法国原子能委员会） ； CMAP, École Polytechnique（高等理工学院CMAP部门） ； Institut Polytechnique de Paris（巴黎理工 institute） ； CNRS（法国国家科学研究中心） ； Grenoble INP（格勒诺布尔INP） ； LJK（格勒诺布尔联合实验室）
AI总结 本文提出了一种无需兰格-动态步骤的扩散后验采样方法，提高了高数据设置下基于模拟的推断效率和稳定性。
Comments 49 pages, 24 figures, 3 tables, 2 algorithms, 12 appendices, TMLR acceptance
具有尖峰协方差矩阵结构的高维数据分类
AI总结 本文提出了一种基于稀疏性自适应的高维数据分类方法，通过白化、特征筛选和Fisher判别分析，实现贝叶斯最优性。
Comments 40 pages, 2 figures
Journal ref Transactions on Machine Learning Research (01/2026)
利用扰动符号梯度方法的目标遗忘与医疗图像应用
机构 * Department of Biomedical Engineering（生物医学工程系） ； Department of Ophthalmology（眼科学系） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Department of Computer Science（计算机科学系） ； Computer Science and Engineering（计算机科学与工程） ； Pohang University of Science and Technology, South Korea（韩国釜山科学技术大学） ； Department of Plastic and Reconstructive Surgery（整形外科与重建外科系）
AI总结 本文提出了一种基于扰动符号梯度的方法，用于医疗图像中的目标遗忘，通过可调损失设计和模型组合策略，在遗忘与保留之间取得平衡，优于现有基线方法。
Comments 39 pages, 12 figures, 11 tables, 3 algorithms
Journal ref Transactions on Machine Learning Research 2025, https://openreview.net/forum?id=XE0bJg6sQN
时间索引基础模型是否是时间序列填补的未来？
机构 * EDF R&D（EDF研究与开发）
AI总结 本文首次对时间索引基础模型进行大规模实证研究，证明其在多种场景下无需重新训练即可实现零样本时间序列填补。
Comments Transactions on Machine Learning Research, 2026
视频扩散模型综述：基础、实现与应用
机构 * University of Waterloo（滑铁卢大学） ； Netflix Eyeline Studios ； Duke University（杜克大学）
AI总结 本文综述视频扩散模型的基础、实现与应用，系统梳理了当前方法学体系，分析架构创新与优化策略，并探讨其在视频生成中的实际应用及与其他领域的协同作用。
Comments Accepted by TMLR
恒定速率调度：通过分布变化优化扩散噪声调度的通用框架
机构 * LY Corporation, Japan（日本LY公司）
AI总结 本文提出了一种通过分布变化优化扩散噪声调度的通用框架，通过恒定速率变化提升扩散模型在像素空间和潜在空间中的性能，实现更高质量的样本生成。
Comments Published in Transactions on Machine Learning Research (TMLR), January 2026
BiSSL: 通过双层优化增强自监督预训练与下游微调之间的对齐
机构 * Aalborg University（奥胡斯大学） ； Technical University of Denmark（技术大学） ； Pioneer Centre for AI（先锋人工智能中心）
AI总结 BiSSL通过双层优化增强自监督预训练与下游微调之间的对齐，提升模型在下游任务中的性能。
Journal ref Transactions on Machine Learning Research (TMLR), (02/2026)
基于结构的分解直接偏好优化用于基于结构的药物设计
AI总结 DecompDPO通过分解优化目标和引入物理信息能量项，提升基于结构的药物设计中分子生成与优化的性能。
Comments Accepted by TMLR
在线策略策略梯度强化学习无需在线采样
AI总结 本文提出PROPS方法，通过自适应离线采样减少在线策略梯度强化学习中的采样误差，提高数据效率。
Comments TMLR 2026
时间序列连续建模用于插值与预测的隐式神经表示
机构 * EDF R&D（EDF研究与开发） ； Sorbonne Université（索邦大学） ； CNRS（国家科学研究中心） ； ISIR（信息科学研究所） ； Laboratoire Jacques-Louis Lions（雅克-路易-洛朗实验室） ； Criteo AI Lab（Criteo人工智能实验室） ； AgroParisTech（农业巴黎技术学院）
AI总结 该研究提出了一种基于隐式神经表示的时间序列连续建模方法，通过元学习驱动的调制机制实现对不规则数据和长期预测的高效处理，从而在多个基准测试中取得最佳性能。
Journal ref Transactions on Machine Learning Research (TMLR), 2024
可靠且负责任的基础模型：全面综述
AI总结 本文综述了基础模型的可靠和负责任发展，探讨了偏见、安全、不确定性等关键问题，并提出了未来研究方向。
Comments TMLR camera-ready version
mTSBench：大规模多变量时间序列异常检测与模型选择基准测试
AI总结 mTSBench是一个大规模多变量时间序列异常检测与模型选择基准测试，评估24种检测器并揭示模型选择的迫切需求。
Journal ref Transactions on Machine Learning Research, 2026
非确定多项式时间问题挑战：为大语言模型构建的持续扩展推理基准
机构 * The Hong Kong Polytechnic University（香港理工大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Singapore Management University（新加坡管理学院）
AI总结 NPPC是一个持续扩展的推理基准，通过三个模块评估LLMs的推理能力，揭示其性能极限和改进方向。
Comments Accepted to TMLR
机器人策略学习与验证中的形式方法：对当前技术与未来方向的综述
AI总结 本文综述了形式方法在机器人策略学习与验证中的应用，探讨了当前技术及未来发展方向，旨在提升机器人系统的安全性和正确性。
Comments 19 Pages. 6 Figures. Published in Transactions on Machine Learning Research
展示还是讲述？有效提示视觉-语言模型进行语义分割
机构 * IBM Research（IBM研究院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出PromptMatcher，通过结合文本和视觉提示提升VLMs在语义分割中的性能，实现优于现有方法的改进。
Journal ref Transactions on Machine Learning Research, 2025
训练条件覆盖界限下的协变量偏移
机构 * University of Utah（犹他大学） ； Florida Atlantic University（佛罗里达 Atlantic 大学）
AI总结 本文研究了在协变量偏移下训练条件覆盖的上界，提供PAC保证，以评估预测集的可靠性。
Comments Published in Transactions on Machine Learning Research
大语言模型推理失败
机构 * California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学） ； Carleton College（卡尔顿学院）
AI总结 本文首次系统调查大语言模型推理失败问题，提出分类框架并分析其根本原因，旨在提升模型的推理能力与鲁棒性。
Comments Repository: https://github.com/Peiyang-Song/Awesome-LLM-Reasoning-Failures. Published at TMLR 2026 with Survey Certification
通过流匹配引导大型推理模型实现紧凑推理
机构 * LMU Munich（慕尼黑莱茵河大学） ； Amazon（亚马逊）
AI总结 通过流匹配引导大型推理模型实现紧凑推理，提出非线性引导方法提升推理效率和任务性能。
Comments This paper has been accepted to Transactions on Machine Learning Research (TMLR)
从链接预测到预测：解决基于批次的时序图学习中的挑战
AI总结 本文提出将动态链接预测转化为链接预测任务，以解决基于批次的时序图学习中的信息丢失和不一致问题。
Comments 46 pages (12 pages main text), 19 figures. Published in Transactions on Machine Learning Research (2026)
Journal ref Lampert, M., Blöcker, C. & Scholtes, I., (2026). From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning. Transactions on Machine Learning Research, February 2026
TextOCVP: 基于语言指导的对象中心视频预测
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能机器学习研究所） ； Center for Robotics（机器人中心）
AI总结 TextOCVP通过文本指导的对象中心模型实现更精确可控的视频预测，优于现有基线。
Comments Published at TMLR 02/2026
扩散模型的稀疏到稀疏训练
机构 * University of Luxembourg（卢森堡大学）
AI总结 本文提出稀疏到稀疏训练范式，用于提升扩散模型在训练和推理效率上的性能，通过实验表明稀疏DMs在性能上优于密集模型，同时减少计算资源消耗。
Comments Accepted to TMLR
Journal ref Transactions on Machine Learning Research (TMLR) 2025
从离散时间策略到连续时间扩散采样器：渐近等价与更快的训练
机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； Zuse Institute Berlin（柏林泽尼克研究所） ； dida Datenschmiede GmbH（dida数据隐私公司） ； Jagiellonian University（雅盖隆大学） ； Mila, Université de Montréal（蒙特利尔大学机器学习研究所） ； University of Edinburgh（爱丁堡大学） ； CIFAR Fellow, Learning in Machines and Brains（CIFAR Fellow, 机器学习与大脑学习）
AI总结 本文提出通过渐近等价性将离散时间策略转化为连续时间扩散采样器，提升训练效率和采样性能。
Comments TMLR final version; code: https://github.com/GFNOrg/gfn-diffusion/tree/stagger
可扩展的物理源到场推断与超网络
机构 * Technical University of Denmark（丹麦技术大学） ； Pioneer Centre for AI（先锋人工智能中心）
AI总结 本文提出一种基于超网络的可扩展物理源到场推断模型，通过隐式表示实现O(M + N)复杂度，提升物理模拟效率。
Comments Version accepted at TMLR
提升水印语言模型的检测能力
机构 * Google DeepMind（谷歌DeepMind）
AI总结 本文通过结合水印与非水印检测器提升大型语言模型的检测能力。
Comments Published at TMLR 2026
LIT-LVM：利用潜在变量模型对线性预测器中的交互项进行结构正则化
机构 * Department of Computer and Data Sciences（计算机与数据科学系） ； Case Western Reserve University（凯斯西储大学） ； Department of Mathematics and Computer Science（数学与计算机科学系） ； Suffolk University（索尔福德大学）
AI总结 LIT-LVM通过低维潜在变量模型对线性预测器中的交互项进行结构正则化，提升了预测精度并提供了特征的低维表示。
Comments Published in the Transactions on Machine Learning Research (2025). https://openreview.net/forum?id=3uW5nxESu1
缺失模态下的深度多模态学习：综述
机构 * The Australian National University（澳大利亚国立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Adelaide University（阿德莱德大学） ； The University of Surrey（萨里大学）
AI总结 本文综述了缺失模态下的多模态学习方法，分析了其动机、技术细节、应用及挑战，为该领域的发展提供了全面的视角。
Comments Accepted by TMLR (Transactions on Machine Learning Research)
具有语言瓶颈的策略学习
机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Inria（法国国家信息与自动化技术研究院）
AI总结 通过语言瓶颈框架，AI代理能生成可解释的策略规则，提升与人类的协作效率。
Comments Accepted to TMLR (2026)
通过因果关系分布不变性学习因果图
机构 * The University of Tokyo, Japan（东京大学） ； Institute for AI Innovation and Societal Impact (AI4LIFE)（人工智能创新与社会影响研究所） ； Hanoi University of Science and Technology（河内科学技术大学） ； National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院） ； School of Electrical Engineering and Computer Science, Voiland College of Engineering and Architecture, Washington State University, Pullman, Washington, US（电气工程与计算机科学学院，工程与建筑学院，华盛顿州立大学） ； RIKEN（日本理化学研究所）
AI总结 本文提出通过因果关系分布不变性学习因果图的方法，利用分布不变性测试和稀疏性，高效恢复因果关系并提升可扩展性。
Journal ref Transactions on Machine Learning Research (Jan 2026)
HypCBC: 领域不变的双分支一致性用于通用化医学图像分析
机构 * Bamberg University of Bamberg（巴马克伯格大学） ； xAILab（xAIL实验室）
AI总结 HypCBC通过双曲流形建模提升医学图像分析的领域不变性，实现跨不同数据集和模态的泛化性能提升。
Comments Accepted to Transactions on Machine Learning Research (TMLR)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈