TMLR

MetaSym: A Symplectic Meta-learning Framework for Physical Intelligence

MetaSym: 一种用于物理智能的辛元学习框架

Pranav Vaidhyanathan, Aristotelis Papatheodorou, Mark T. Mitchison, Natalia Ares, Ioannis Havoutis

机构 * University of Oxford, UK（牛津大学） ； Trinity College Dublin, Ireland（都柏林信任学院） ； King’s College London, UK（伦敦国王学院） 纠错

AI总结 MetaSym 通过结合辛编码器和元注意解码器，实现对物理不变量的保护，并在多种现实任务中展现出优越的少样本适应能力。

Comments Published in Transactions on Machine Learning Research (TMLR), 10 + 18 pages, 9 figures, 10 tables

Journal ref Trans. Mach. Learn. Res., 2026

Scaling Gaussian Process Regression with Full Derivative Observations

基于完整导数观测的高斯过程回归扩展

Daniel Huang

机构 * Base26 纠错

AI总结 DSoftKI通过局部温度向量改进插值方案，实现可扩展的高斯过程回归，支持一阶和二阶导数的近似，适用于高维分子力场预测。

Comments 13 pages, Published in TMLR

Decoding Generalization from Memorization in Deep Neural Networks

从记忆中解码泛化能力在深度神经网络中的表现

Simran Ketha, Venkatakrishnan Ramaswamy

机构 * Birla Institute of Technology & Science Pilani（比拉理工学院与科学学院） 纠错

AI总结 本文通过实验证明深度神经网络中存在对真实标签泛化能力的解码机制，揭示了记忆化与泛化能力之间的关系。

Journal ref Transactions on Machine Learning Research, 2026

SocialFusion: Addressing Social Degradation in Pre-trained Vision-Language Models

SocialFusion: 解决预训练视觉-语言模型中的社会退化问题

Hamza Tahboub, Weiyan Shi, Gang Hua, Huaizu Jiang

机构 * Northeastern University（东北大学） ； Amazon.com, Inc.（亚马逊公司） 纠错

AI总结 SocialFusion通过统一框架解决预训练视觉-语言模型中的社会退化问题，实现跨社会任务的正迁移并提升整体性能。

Comments 22 pages, 10 figures. Published in Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026

Intra-Cluster Mixup: An Effective Data Augmentation Technique for Complementary-Label Learning

簇内混合：一种用于互补标签学习的有效数据增强技术

Tan-Ha Mai, Hsuan-Tien Lin

AI总结 本文提出簇内混合技术，通过改进数据增强方法提升互补标签学习的性能，实验证明在MNIST和CIFAR数据集上准确率分别提高30%和10%。

Comments 26 pages, 15 figures, accepted on Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research, 2026

End-to-End Conformal Calibration for Optimization Under Uncertainty

端到端的符合校准用于不确定性下的优化

Christopher Yeh, Nicolas Christianson, Alan Wu, Adam Wierman, Yisong Yue

机构 * Department of Computing and Mathematical Sciences（计算与数学科学部） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出端到端符合校准框架，用于在不确定性下优化，通过下游决策损失指导不确定性学习，提升能源存储和投资组合优化性能。

Comments 29 pages, 8 figures

Journal ref Transactions on Machine Learning Research, December 2025

Retrospective Feature Estimation for Continual Learning

回顾性特征估计用于持续学习

Nghia D. Nguyen, Hieu Trung Nguyen, Ang Li, Hoang Pham, Viet Anh Nguyen, Khoa D. Doan

机构 * VinUni-Illinois Smart Health Center（VinUni-伊利诺伊州立健康中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The Chinese University of Hong Kong（香港中文大学） ； Simular Research（Simular研究公司） ； University of Warwick（沃里克大学） 纠错

AI总结 本文提出回顾性特征估计方法，通过逆转特征变化来缓解持续学习中的灾难性遗忘问题。

Comments Published in Transactions on Machine Learning Research with Featured Certification

On the Importance of Pretraining Data Alignment for Atomic Property Prediction

关于预训练数据对齐在原子性质预测中的重要性

Yasir Ghunaim, Hasan Abed Al Kader Hammoud, Bernard Ghanem

机构 * King Abdullah University of Science and Technology (KAUST)（国王阿卜杜勒-阿齐兹大学科学与技术学院） 纠错

AI总结 本文发现，通过精心选择的任务对齐数据集预训练，可提升原子性质预测的性能，且比大规模混合数据集预训练更有效。

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

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

How Well Can Preference Optimization Generalize Under Noisy Feedback?

在有噪声反馈下，偏好优化能有多好？

Shawn Im, Sharon Li

机构 * Department of Computer Sciences（计算机科学系） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文研究了在噪声反馈下偏好优化的一般化能力，分析了不同噪声类型和强度对模型性能的影响，并验证了其在实际LLM训练中的有效性。

Comments TMLR 2026

VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models

VScan：重新思考视觉标记减少以提高高效的大视觉-语言模型

Ce Zhang, Kaixin Ma, Tianqing Fang, Wenhao Yu, Hongming Zhang, Zhisong Zhang, Haitao Mi, Dong Yu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tencent AI Lab（腾讯AI实验室） 纠错

AI总结 VScan通过两阶段视觉标记减少框架提升大视觉-语言模型的推理效率，实现2.91倍预填充加速和10倍FLOPs减少，性能损失仅0.6%

Comments Accepted at TMLR 2026. Project page: https://zhangce01.github.io/VScan/

On Uncertainty Calibration for Equivariant Functions

关于等变函数的不确定性校准

Edward Berman, Jacob Ginesin, Marco Pacini, Robin Walters

机构 * Department of Mathematics, Northeastern University（东北大学数学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Trento & Fondazione Bruno Kessler（特伦托大学及布鲁诺·凯斯勒基金会） ； Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院） ； Geometric Learning Lab（几何学习实验室） 纠错

AI总结 本文研究了等变函数与不确定性校准之间的关系，通过理论分析和实验验证，揭示了对称性不匹配对模型校准的影响。

Comments Published in Transactions on Machine Learning Research (TMLR). Code is available at https://github.com/EdwardBerman/EquiUQ . Excited to share this paper, comments welcome :D

Dealing with Uncertainty in Contextual Anomaly Detection

在上下文异常检测中处理不确定性

Luca Bindini, Lorenzo Perini, Stefano Nistri, Jesse Davis, Paolo Frasconi

机构 * AI Lab, Department of Information Engineering University of Florence（人工智能实验室，信息工程系，佛罗伦萨大学） ； DTAI Research Unit, Department of Computer Science & Leuven.AI KU Leuven（DTAI研究单位，计算机科学系及Leuven.AI，根特大学） ； Cardiology Service CMSR Veneto Medica, Italy（心脏科服务CMSR威尼斯医疗集团，意大利） 纠错

AI总结 本文提出了一种基于异方差高斯过程回归的正常性分数框架，用于在上下文异常检测中建模和处理aleatoric和epistemic不确定性，以提高检测准确性和可解释性。

Comments Published in Transactions on Machine Learning Research (TMLR), January 2026. See https://openreview.net/forum?id=yLoXQDNwwa for the official submission

Rec-R1: Bridging Generative Large Language Models and User-Centric Recommendation Systems via Reinforcement Learning

Rec-R1: 通过强化学习连接生成式大语言模型与以用户为中心的推荐系统

Jiacheng Lin, Tian Wang, Kun Qian

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

AI总结 Rec-R1通过强化学习连接生成式大语言模型与用户导向推荐系统，有效提升推荐性能并保留LLM通用能力。

Comments Published in the TMLR journal

ACDiT: Interpolating Autoregressive Conditional Modeling and Diffusion Transformer

ACDiT：插值自回归条件建模与扩散变换器

Jinyi Hu, Shengding Hu, Yuxuan Song, Yufei Huang, Mingxuan Wang, Hao Zhou, Zhiyuan Liu, Wei-Ying Ma, Maosong Sun

机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） 纠错

AI总结 ACDiT通过结合自回归和扩散范式，实现连续视觉信息的灵活插值生成，优于现有自回归基线，在视觉生成任务中表现最佳。

Comments TMLR camera-ready version

Uncertainty Quantification for Language Models: A Suite of Black-Box, White-Box, LLM Judge, and Ensemble Scorers

语言模型的不确定性量化：一套黑盒、白盒、LLM评判者和集成评分器

Dylan Bouchard, Mohit Singh Chauhan

机构 * CVS Health（CVS健康公司） 纠错

AI总结 本文提出了一种灵活的框架，利用黑盒、白盒、LLM评判者和集成评分器来检测语言模型的幻觉问题，通过可调节的集成方法提升检测性能。

Comments Accepted by TMLR; UQLM repository: https://github.com/cvs-health/uqlm

Journal ref Transactions on Machine Learning Research, 2025

Uncertainty-Aware Surrogate-based Amortized Bayesian Inference for Computationally Expensive Models

考虑不确定性的替代模型基于的 amortized 贝叶斯推断

Stefania Scheurer, Philipp Reiser, Tim Brünnette, Wolfgang Nowak, Anneli Guthke, Paul-Christian Bürkner

机构 * Department of Stochastic Simulation and Safety Research for Hydrosystems（随机模拟与安全研究部门） ； Cluster of Excellence SimTech（卓越中心SimTech） ； University of Stuttgart（斯图加特大学） ； Department of Statistics（统计学系） ； TU Dortmund University（多特蒙德技术大学） 纠错

AI总结 本文提出UA-SABI框架，结合替代模型和amortized贝叶斯推断，以量化和传播替代不确定性，实现对计算昂贵模型的快速可靠推断。

Comments 27 pages, 15 figures

Journal ref Transactions on Machine Learning Research (2026)

Language Models are Symbolic Learners in Arithmetic

语言模型在算术中是符号学习者

Chunyuan Deng, Zhiqi Li, Roy Xie, Ruidi Chang, Hanjie Chen

机构 * Department of Computer Science（计算机科学系） ； Rice University（里士满大学） ； College of Computing（计算学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） 纠错

AI总结 本文研究语言模型在算术运算中通过学习符号捷径而非算法来掌握算术能力。

Comments TMLR 2026. Code at https://github.com/chili-lab/Symbolic-Arithmetic

Collaborative Compressors in Distributed Mean Estimation with Limited Communication Budget

分布式通信预算限制下的协同压缩在均值估计中的应用

Harsh Vardhan, Arya Mazumdar

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； University of California, San Diego（加州大学圣地亚哥分校） ； Halicioğlu Data Science Institute（Halicioğlu数据科学研究所） 纠错

AI总结 本文提出四种协同压缩方案，通过利用分布式环境下向量之间的相似性，实现高效通信压缩和降低误差。

Journal ref Transactions on Machine Learning Research 2025

Joint Diffusion for Universal Hand-Object Grasp Generation

联合扩散用于通用手-物体抓取生成

Jinkun Cao, Jingyuan Liu, Kris Kitani, Yi Zhou

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe（Adobe公司） ； Roblox（Roblox公司） 纠错

AI总结 本文提出联合手-物体扩散模型，通过统一潜在表示生成手和物体的抓取，利用大规模物体数据提升通用性，实现无条件和条件抓取生成。

Comments accepted by TMLR

On the Fundamental Limits of LLMs at Scale

在大规模下的大语言模型根本限制

Muhammad Ahmed Mohsin, Muhammad Umer, Ahsan Bilal, Zeeshan Memon, Muhammad Ibtsaam Qadir, Sagnik Bhattacharya, Hassan Rizwan, Abhiram R. Gorle, Maahe Zehra Kazmi, Nukhba Amir, Ali Subhan, Muhammad Usman Rafique, Zihao He, Pulkit Mehta, Muhammad Ali Jamshed, John M. Cioffi

机构 * Stanford University（斯坦福大学） ； The University of Oklahoma（俄克拉荷马大学） ； Emory University（埃默里大学） ； Purdue University（普渡大学） ； UC Riverside（加州大学河滨分校） ； UC Berkeley（加州大学伯克利分校） ； Khyber Medical University（克希伯医学大学） ； Universtat Pompeu Fabra（庞培法华大学） ； Zoox（Zoox公司） ； Meta ； Google DeepMind（谷歌DeepMind） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Glasgow（格拉斯哥大学） 纠错

AI总结 本文探讨了大规模大语言模型的根本限制，提出统一框架分析计算、信息和学习的基础限制，并提供缓解方法。

Comments Submitted to TMLR 2025

Efficient Dilated Squeeze and Excitation Neural Operator for Differential Equations

高效稀疏挤压与激励神经算子用于微分方程

Prajwal Chauhan, Salah Eddine Choutri, Saif Eddin Jabari

机构 * Engineering Division New York University Abu Dhabi（纽约大学阿布扎克分校工程系） ； NYUAD Research Institute（纽约大学阿布扎克分校研究 institute） 纠错

AI总结 D-SENO通过结合扩张卷积和挤压激励模块，高效解决多种偏微分方程，实现比传统模型快20倍的训练速度并保持高精度。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

Parameter Efficient Continual Learning with Dynamic Low-Rank Adaptation

参数高效持续学习与动态低秩适应

Prashant Shivaram Bhat, Shakib Yazdani, Elahe Arani, Bahram Zonooz

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

AI总结 PEARL通过动态低秩适应实现参数高效的持续学习，有效解决灾难性遗忘问题，适用于多种视觉架构和持续学习场景。

Comments 27 pages, 5 figures

Journal ref TMLR 2026

Quantum Rationale-Aware Graph Contrastive Learning for Jet Discrimination

量子理性感知图对比学习用于喷注鉴别

Md Abrar Jahin, Md. Akmol Masud, M. F. Mridha, Nilanjan Dey, Zeyar Aung

机构 * University of Southern California（南加州大学） ； Jahangirnagar University（贾哈吉尔纳加尔大学） ； American International University-Bangladesh（孟加拉国美国国际大学） ； Techno International New Town（技术国际新镇） ； Khalifa University（卡利法大学） 纠错

AI总结 本文提出量子理性感知图对比学习框架，通过量子理性生成器提升喷注鉴别性能，在参数受限环境下实现77.5%的AUC分数。

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

Angular Regularization for Positive-Unlabeled Learning on the Hypersphere

基于超球面的正负 unlabeled 学习角度正则化

Vasileios Sevetlidis, George Pavlidis, Antonios Gasteratos

机构 * Athena RC Democritus University of Thrace（阿塔尼亚RC德摩克利特大学） ； Athena RC University Campus Kimmeria（阿塔尼亚RC大学校园基米里亚） ； Democritus University of Thrace Dept. Production and Management Engineering（德摩克利特大学生产与管理工程系） 纠错

AI总结 AngularPU 通过在超球面上利用余弦相似度和角度边距，提出了一种新的正负 unlabeled 学习框架，解决了高维数据中正例稀缺的问题，提升了模型的可解释性和性能。

Comments Featured Certification, J2C Certification. Transactions on Machine Learning Research, 2025

Journal ref Transactions on Machine Learning Research, 2025

Bayesian Ensembling: Insights from Online Optimization and Empirical Bayes

贝叶斯集成：来自在线优化和经验贝叶斯的见解

Daniel Waxman, Fernando Llorente, Petar M. Djurić

机构 * Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁赫斯国家实验室） ； Basis Research Institute（基础研究机构） 纠错

AI总结 本文提出在线贝叶斯堆叠（OBS）方法，通过优化预测分布的对数得分来适应性地组合贝叶斯模型，并将其与投资组合选择理论联系起来，提供了一种新的理论框架和高效算法。

Comments 28 pages, 10 figures; Accepted to Transactions on Machine Learning Research (TMLR)

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

Learning and Transferring Physical Models through Derivatives

通过导数学习和迁移物理模型

Alessandro Trenta, Andrea Cossu, Davide Bacciu

机构 * Department of Computer Science, University of Pisa（计算机科学系，比萨大学） 纠错

AI总结 通过导数学习和迁移方法，DERL在逐步构建物理模型时，能有效迁移知识并优于现有方法。

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

Data Matters Most: Auditing Social Bias in Contrastive Vision Language Models

数据最为关键：审计对比视觉语言模型中的社会偏见

Zahraa Al Sahili, Ioannis Patras, Matthew Purver

机构 * Queen Mary University of London（伦敦女王学院） ； Institut Jožef Stefan（Jožef Stefan研究所） 纠错

AI总结 研究通过对比CLIP和OpenCLIP模型，发现数据来源是偏见的主要驱动因素，不同去偏策略在不同模型和数据规模下效果各异。

Comments Published at TMLR; updated version

A Concept-Centric Approach to Multi-Modality Learning

面向多模态学习的概念中心方法

Yuchong Geng, Ao Tang

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出了一种以概念为中心的多模态学习框架，通过共享的概念空间和模态特定的投影模型，实现高效的知识迁移与跨模态适应。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. Official version: https://openreview.net/forum?id=8WAAPP32c7

Journal ref Transactions on Machine Learning Research, 2026

Towards Fast Safe Online Reinforcement Learning via Policy Finetuning

通过策略微调实现快速安全在线强化学习

Keru Chen, Honghao Wei, Zhigang Deng, Sen Lin

机构 * School of Electrical, Computer and Energy Engineering（电气、计算机与能源工程学院） ； Arizona State University（亚利桑那州立大学） ； School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） ； Washington State University（华盛顿州立大学） ； Department of Computer Science（计算机科学系） ； University of Houston（休斯顿大学） 纠错

AI总结 本文提出Marvel框架，通过价值预对齐和自适应PID控制，实现更高效安全的在线强化学习。

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

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

DuFal: Dual-Frequency-Aware Learning for High-Fidelity Extremely Sparse-view CBCT Reconstruction

DuFal: 用于高保真极稀疏视图CBCT重建的双频感知学习

Cuong Tran Van, Trong-Thang Pham, Ngoc-Son Nguyen, Duy Minh Ho Nguyen, Ngan Le

机构 * FPT Software AI Center, Viet Nam（越南FPT软件人工智能中心） ； AICV Lab, EECS Department, University of Arkansas（阿肯色大学电子与计算机工程系AICV实验室） ； Max Planck Research School for Intelligent Systems (IMPRS-IS), University of Stuttgart, and DFKI, Germany（斯图加特大学Max Planck智能系统研究学校（IMPRS-IS）及德国DFKI） ； University of Stuttgart（斯图加特大学） 纠错

AI总结 DuFal通过双频感知学习框架，结合频域和空域处理，有效提升极稀疏视图CBCT重建中高频细节的保真度。

Comments Published with J2C Certification in Transactions on Machine Learning Research (TMLR)