TMLR

What Should Embeddings Embed? Autoregressive Models Represent Latent Generating Distributions

嵌入应该嵌入什么？自回归模型表示潜在生成分布

Liyi Zhang, Michael Y. Li, R. Thomas McCoy, Theodore R. Sumers, Jian-Qiao Zhu, Thomas L. Griffiths

机构 * Department of Computer Science（计算机科学系） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Department of Linguistics and Wu Tsai Institute（语言学系和吴泰教授研究所） ； Yale University（耶鲁大学） ； Anthropic（Anthropic公司） ； Departments of Psychology and Computer Science（心理学系和计算机科学系） 纠错

AI总结 本文探讨了自回归模型中嵌入应代表的潜在生成分布，并通过实验证明了其在不同场景下的有效性。

Comments 28 pages, 11 figures

Journal ref Transactions on Machine Learning Research. 2025. https://openreview.net/forum?id=YyMACp98Kz

FedDUAL: A Dual-Strategy with Adaptive Loss and Dynamic Aggregation for Mitigating Data Heterogeneity in Federated Learning

FedDUAL: 一种具有自适应损失和动态聚合的双策略，用于缓解联邦学习中的数据异质性

Pranab Sahoo, Ashutosh Tripathi, Sriparna Saha, Samrat Mondal

机构 * Indian Institute of Technology Patna（印度理工学院帕纳瓦分校） 纠错

AI总结 FedDUAL通过自适应损失和动态聚合策略，有效缓解联邦学习中的数据异质性问题，提升模型性能和鲁棒性。

Comments Transactions on Machine Learning Research (TMLR)

Policy-Guided Search on Tree-of-Thoughts for Efficient Problem Solving with Bounded Language Model Queries

基于树状思维的策略引导搜索以实现高效的有限语言模型查询问题解决

Sumedh Pendurkar, Guni Sharon

机构 * Texas A&M University（德克萨斯大学） 纠错

AI总结 本文提出LTS算法，通过语言模型的启发式概率引导树状思维搜索，以在有限计算预算下提升问题解决效率。

Comments Published in Transactions on Machine Learning Research (TMLR), 2025. Available at https://openreview.net/forum?id=Rlk1bWe2ii

Journal ref Transactions on Machine Learning Research, 2025

Domain Generalization for Time Series: Enhancing Drilling Regression Models for Stick-Slip Index Prediction

时序领域泛化：增强钻井回归模型用于钻具粘滑指数预测

Hana Yahia, Bruno Figliuzzi, Florent Di Meglio, Laurent Gerbaud, Stephane Menand, Mohamed Mahjoub

AI总结 本文提出通过领域泛化技术提升钻井回归模型对钻具粘滑指数预测的性能，ADG方法在检测严重事件方面表现最佳。

Journal ref Transactions on Machine Learning Research Journal, 2025

IPA: An Information-Reconstructive Input Projection Framework for Efficient Foundation Model Adaptation

IPA: 一种信息重构的输入投影框架，用于高效的基础模型适应

Yuan Yin, Shashanka Venkataramanan, Tuan-Hung Vu, Andrei Bursuc, Matthieu Cord

机构 * Sorbonne Université（索邦大学） ； CNRS（国家科学研究中心） ； ISIR（信息科学研究所） 纠错

AI总结 IPA通过信息重构的输入投影框架提升基础模型适应效率，实现更高准确率与更少参数消耗。

Comments Accepted to TMLR

Offline Model-Based Optimization: Comprehensive Review

离线模型驱动优化：全面综述

Minsu Kim, Jiayao Gu, Ye Yuan, Taeyoung Yun, Zixuan Liu, Yoshua Bengio, Can Chen

机构 * Mila - Quebec AI Institute/KAIST（魁北克AI研究所/韩国科学技术院） ； Mila - Quebec AI Institute/McGill University（魁北克AI研究所/麦吉尔大学） ； Mila - Quebec AI Institute/University of Montreal（魁北克AI研究所/蒙特利尔大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文综述了离线模型驱动优化的现状，分析了替代建模和生成建模两种方法，并探讨了该领域的发展方向。

Comments Accepted to TMLR 2026 (Survey Certification)

How Many Images Does It Take? Estimating Imitation Thresholds in Text-to-Image Models

需要多少张图片？文本到图像模型中模仿阈值的估计

Sahil Verma, Royi Rassin, Arnav Das, Gantavya Bhatt, Preethi Seshadri, Chirag Shah, Jeff Bilmes, Hannaneh Hajishirzi, Yanai Elazar

机构 * University of Washington, Seattle（华盛顿大学） ； Bar-Ilan University（巴伊兰大学） ； University of California, Irvine（加州大学伊文斯顿分校） ； Allen Institute of AI（人工智能研究院） 纠错

AI总结 研究通过评估文本到图像模型的模仿阈值，探讨其在版权和隐私合规中的应用。

Comments Accepted at TMLR 2025, ATTRIB, RegML, and SafeGenAI workshops at NeurIPS 2024 and NLLP Workshop 2024. https://openreview.net/forum?id=x0qJo7SPhs

Causal Ordering for Structure Learning from Time Series

时间序列中结构学习的因果顺序

Pedro P. Sanchez, Damian Machlanski, Steven McDonagh, Sotirios A. Tsaftaris

AI总结 DOTS通过整合多个因果顺序，提高了时间序列中因果结构学习的准确性和效率。

Comments 32 pages. Published in Transactions on Machine Learning Research

Towards Fair In-Context Learning with Tabular Foundation Models

朝着基于表格基础模型的公平上下文学习

Patrik Kenfack, Samira Ebrahimi Kahou, Ulrich Aïvodji

机构 * ÉTS Montréal（蒙特利尔ÉTS） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Calgary（卡尔加里大学） ； CIFAR（加拿大基础科学研究院） 纠错

AI总结 本文提出通过三种预处理方法提升基于表格基础模型的上下文学习公平性，实验表明基于不确定性的策略有效提高公平性指标且对预测准确性影响小。

Comments Published in Transactions on Machine Learning Research (TMLR)

ULTra: Unveiling Latent Token Interpretability in Transformer-Based Understanding and Segmentation

ULTra: 在基于变换器的理解与分割中揭示潜在令牌可解释性

Hesam Hosseini, Ghazal Hosseini Mighan, Amirabbas Afzali, Sajjad Amini, Amir Houmansadr

机构 * Sharif University of Technology（谢里夫理工大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 ULTra通过自监督学习提升无监督语义分割性能，并揭示变换器中潜在令牌的语义模式。

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

Training More Robust Classification Model via Discriminative Loss and Gaussian Noise Injection

通过判别损失和高斯噪声注入训练更鲁棒的分类模型

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（图卢兹计算机研究所） ； Laboratoire Jean Alexandre Dieudonné, Université Côte d’Azur（坎特伯雷大学Dieudonné实验室） 纠错

AI总结 本文提出通过判别损失和高斯噪声注入提升模型鲁棒性，增强特征判别性和类别分离性，同时减少损失曲率以提升鲁棒性。

Comments Published in Transactions on Machine Learning Research (TMLR)

Communication-Efficient Federated AUC Maximization with Cyclic Client Participation

通信高效联邦AUC最大化与循环客户端参与

Umesh Vangapally, Wenhan Wu, Chen Chen, Zhishuai Guo

机构 * Department of Computer Science, Northern Illinois University（北伊利诺伊大学计算机科学系） ； Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系） ； Center for Research in Computer Vision, University of Central Florida（佛罗里达中央大学计算机视觉研究中心） 纠错

AI总结 本文提出通信高效联邦AUC最大化方法，解决循环客户端参与下的优化挑战，通过平方替代损失和通用成对AUC损失实现高效学习。

Comments Accepted to Transactions on Machine Learning Research (TMLR)

ExDBN: Learning Dynamic Bayesian Networks using Extended Mixed-Integer Programming Formulations

ExDBN：利用扩展混合整数规划公式学习动态贝叶斯网络

Pavel Rytir, Ales Wodecki, Georgios Korpas, Jakub Marecek

机构 * Czech Technical University in Prague（捷克技术大学布拉格分校） ； HSBC Holdings Plc., Singapore（汇丰控股有限公司（新加坡）） ； Athena Research Center（雅典研究中心） 纠错

AI总结 ExDBN通过扩展混合整数规划公式，提出了一种基于得分的学习算法，以更准确地学习动态贝叶斯网络。

Comments Code available at: https://github.com/pavelrt/ExDBN

Journal ref Transactions on Machine Learning Research (11/2025)

CRoPS: A Training-Free Hallucination Mitigation Framework for Vision-Language Models

CRoPS：一种用于视觉-语言模型的无训练幻觉缓解框架

Neeraj Anand, Samyak Jha, Udbhav Bamba, Rahul Rahaman

机构 * Indian Institute of Technology (ISM)（印度理工学院（ISM）） ； Transmute AI ； National University of Singapore（新加坡国立大学） 纠错

AI总结 CRoPS通过选择性移除关键文本标记和广义对比解码，有效缓解视觉-语言模型的幻觉问题，提升CHAIR分数20%并优于现有无训练方法。

Comments Accepted at TMLR 2026

DA-DPO: Cost-efficient Difficulty-aware Preference Optimization for Reducing MLLM Hallucinations

DA-DPO：面向减少多模态大语言模型幻觉的高效难度感知偏好优化

Longtian Qiu, Shan Ning, Chuyu Zhang, Jiaxuan Sun, Xuming He

机构 * ShanghaiTech University（上海科技大学） ； Lingang Laboratory（灵冈实验室） ； Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心） 纠错

AI总结 DA-DPO通过难度感知机制优化多模态大语言模型的偏好学习，有效减少幻觉并提升模型鲁棒性与泛化能力。

Comments Accepted by TMLR

Tabby: A Language Model Architecture for Tabular and Structured Data Synthesis

Tabby：一种用于表格和结构化数据合成的语言模型架构

Sonia Cromp, Satya Sai Srinath Namburi GNVV, Mohammed Alkhudhayri, Catherine Cao, Samuel Guo, Nicholas Roberts, Frederic Sala

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 Tabby是一种用于表格和结构化数据合成的语言模型架构，通过门控专家混合机制提升数据生成质量，结合新型训练技术实现44%的质量提升。

Comments 21 pages, 8 figures. Appearing in TMLR 2026

Do Vision Encoders Truly Explain Object Hallucination?: Mitigating Object Hallucination via Simple Fine-Grained CLIPScore

视觉编码器真的能解释物体幻觉吗？：通过简单细粒度CLIPScore缓解物体幻觉

Hongseok Oh, Wonseok Hwang

机构 * Department of Artificial intelligence University of Seoul（人工智能系首尔大学） 纠错

AI总结 本文提出F-CLIPScore，通过细粒度文本嵌入缓解LVLM中的物体幻觉问题，显著提升评估准确性。

Comments Transactions on Machine Learning Research

AutoTrust: Benchmarking Trustworthiness in Large Vision Language Models for Autonomous Driving

AutoTrust: 评估自动驾驶大视觉语言模型的可信度

Shuo Xing, Hongyuan Hua, Xiangbo Gao, Shenzhe Zhu, Renjie Li, Kexin Tian, Xiaopeng Li, Heng Huang, Tianbao Yang, Zhangyang Wang, Yang Zhou, Huaxiu Yao, Zhengzhong Tu

AI总结 AutoTrust研究自动驾驶大视觉语言模型的可信度问题，发现通用模型在可信度上优于专用模型，同时揭示DriveVLMs在隐私、安全和公平性方面的漏洞。

Comments Published at TMLR 2025

Sparse-Input Neural Network using Group Concave Regularization

稀疏输入神经网络使用群凹正则化

Bin Luo, Susan Halabi

机构 * School of Data Science and Analytics（数据科学与分析学院） ； Kennesaw State University（肯尼斯州立大学） ； Department of Biostatistics and Bioinformatics（生物统计学与生物信息学系） ； Duke University（杜克大学） 纠错

AI总结 本文提出了一种稀疏输入神经网络框架，利用群凹正则化进行特征选择，解决了高维数据中的变量选择和非线性估计问题。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

A Mutual Information Perspective on Multiple Latent Variable Generative Models for Positive View Generation

从互信息角度探讨多潜在变量生成模型在正视图生成中的应用

Dario Serez, Marco Cristani, Alessio Del Bue, Vittorio Murino, Pietro Morerio

机构 * Istituto Italiano di Tecnologia（意大利技术研究院） ； Reykjavík University（雷克雅未克大学） ； University of Verona（威尼斯大学） 纠错

AI总结 本文从互信息角度探讨多潜在变量生成模型在正视图生成中的应用，提出量化潜在变量贡献的方法，并引入连续采样策略提升自监督学习效果。

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

Zoomer: Adaptive Image Focus Optimization for Black-box MLLM

Zoomer: 为黑盒大语言模型实现自适应图像聚焦优化

Jiaxu Qian, Chendong Wang, Yifan Yang, Chaoyun Zhang, Huiqiang Jiang, Xufang Luo, Yu Kang, Qingwei Lin, Anlan Zhang, Shiqi Jiang, Ting Cao, Tianjun Mao, Suman Banerjee, Guyue Liu, Saravan Rajmohan, Dongmei Zhang, Yuqing Yang, Qi Zhang, Lili Qiu

机构 * Microsoft（微软公司） ； Peking University（北京大学） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； University of Southern California（南加州大学） 纠错

AI总结 Zoomer通过自适应图像聚焦优化提升黑盒MLLM的多模态理解能力，显著提升准确性并减少token使用

Comments TMLR accepted

SoundnessBench: A Soundness Benchmark for Neural Network Verifiers

SoundnessBench: 一种用于神经网络验证器的声学基准

Xingjian Zhou, Keyi Shen, Andy Xu, Hongji Xu, Cho-Jui Hsieh, Huan Zhang, Zhouxing Shi

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 SoundnessBench通过构建包含隐藏反例的基准，用于评估神经网络验证器的正确性。

Comments TMLR (December 2025)

Maxwell's Demon at Work: Efficient Pruning by Leveraging Saturation of Neurons

Maxwell's Demon在工作：通过利用神经元的饱和实现高效的剪枝

Simon Dufort-Labbé, Pierluca D'Oro, Evgenii Nikishin, Razvan Pascanu, Pierre-Luc Bacon, Aristide Baratin

机构 * Mila, Université de Montréal（蒙特利尔大学Mila实验室） ； Université de Montréal（蒙特利尔大学） ； Google DeepMind（谷歌DeepMind） ； Samsung – SAIL Montreal（三星-SAIL蒙特利尔） 纠错

AI总结 本文提出DemP方法，通过噪声注入和正则化策略控制神经元死亡，实现更高效的模型剪枝和加速训练。

Journal ref Transactions on Machine Learning Research 2835-8856 (2025)

Image and Video Quality Assessment using Prompt-Guided Latent Diffusion Models for Cross-Dataset Generalization

基于提示引导的潜在扩散模型的图像和视频质量评估用于跨数据集泛化

Shankhanil Mitra, Diptanu De, Shika Rao, Rajiv Soundararajan

机构 * Samsung Research Institute（三星研究机构） ； Qualcomm（高通） ； New York University（纽约大学） ； Indian Institute of Science（印度科学研究院） 纠错

AI总结 本文提出基于提示引导的潜在扩散模型，通过学习跨注意力图和时间质量调节器，实现图像和视频质量评估的跨数据集泛化。

Comments Accepted to Transactions on Machine Learning Research

A Survey of Reinforcement Learning from Human Feedback

从人类反馈强化学习的综述

Timo Kaufmann, Paul Weng, Viktor Bengs, Eyke Hüllermeier

机构 * LMU Munich（慕尼黑大学） ； MCML Munich（慕尼黑马克斯·普朗克研究所） ； DFKI（德国人工智能研究中心） 纠错

AI总结 本文综述了从人类反馈强化学习的基本原理、核心方法及在多个领域中的应用与贡献。

Comments Published version (TMLR): https://openreview.net/pdf?id=f7OkIurx4b

Journal ref Transactions on Machine Learning Research, 2025

Operationalizing a Threat Model for Red-Teaming Large Language Models (LLMs)

为大规模语言模型（LLMs）的红队测试构建威胁模型

Apurv Verma, Satyapriya Krishna, Sebastian Gehrmann, Madhavan Seshadri, Anu Pradhan, Tom Ault, Leslie Barrett, David Rabinowitz, John Doucette, NhatHai Phan

AI总结 本文提出了一种针对大规模语言模型的威胁模型，并系统化地总结了红队攻击的分类、防御方法及实践策略，以提升LLM系统的安全性和鲁棒性。

Comments Transactions of Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2025

SpidR: Learning Fast and Stable Linguistic Units for Spoken Language Models Without Supervision

SpidR：无需监督学习快速稳定的语言单元用于语音语言模型

Maxime Poli, Mahi Luthra, Youssef Benchekroun, Yosuke Higuchi, Martin Gleize, Jiayi Shen, Robin Algayres, Yu-An Chung, Mido Assran, Juan Pino, Emmanuel Dupoux

机构 * ENS-PSL, EHESS, CNRS（ENS-PSL、EHESS、CNRS） ； FAIR at Meta（Meta的FAIR） 纠错

AI总结 SpidR通过自监督学习高效语音表示，提升无监督语音语言建模性能，减少预训练时间

Comments Published in Transactions on Machine Learning Research. 30 pages, 16 figures

STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting

STLDM：用于降水现在预测的时空潜在扩散模型

Shi Quan Foo, Chi-Ho Wong, Zhihan Gao, Dit-Yan Yeung, Ka-Hing Wong, Wai-Kin Wong

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Observatory（香港天文台） 纠错

AI总结 STLDM通过结合变分自编码器和条件网络，提出了一种基于扩散的模型，用于提升降水现在预测的精度和效率。

Comments Accepted by TMLR. Camera-ready submission

Explicit Group Sparse Projection with Applications to Deep Learning and NMF

显式组稀疏投影及其在深度学习和NMF中的应用

Riyasat Ohib, Nicolas Gillis, Niccolò Dalmasso, Sameena Shah, Vamsi K. Potluru, Sergey Plis

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Mons（蒙斯大学） ； J.P. Morgan AI Research（摩根大通AI研究） ； TReNDS Center（TReNDS中心） 纠错

AI总结 本文提出了一种显式组稀疏投影方法，用于在深度学习和NMF中实现高稀疏度模型，提高了图像数据集上的学习性能和模型准确性。

Comments 20 pages, 10 figures; major revisions; affiliation corrected, grant added

Journal ref Transactions on Machine Learning Research (TMLR), 2022

Diffusion Self-Weighted Guidance for Offline Reinforcement Learning

扩散自加权引导用于离线强化学习

Augusto Tagle, Javier Ruiz-del-Solar, Felipe Tobar

机构 * Initiative for Data & AI, Universidad de Chile（数据与人工智能倡议，智利大学） ； AMTC & Dept. of Electrical Eng., Universidad de Chile（AMTC与电气工程系，智利大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院） 纠错

AI总结 本文提出自加权引导方法，通过扩散模型直接生成所需分数，无需额外网络，实现高效的离线强化学习

Comments Published in Transactions on Machine Learning Research (TMLR). 21 pages, 6 figures

Journal ref Trans. Mach. Learn. Res. (2025)