TMLR

Neural Diversity Regularizes Hallucinations in Language Models

神经多样性调节语言模型的幻觉

Kushal Chakrabarti, Nirmal Balachundhar

机构 * South Park Commons（南公园公馆） 纠错

AI总结 神经多样性通过解相关并行表示减少语言模型幻觉，结合LoRA适配器与Barlow Twins正则化，提升可靠性并保持准确性。

Journal ref Transactions on Machine Learning Research, 08/2026, ISSN 2835-8856

E$^2$M: Double Bounded $α$-Divergence Optimization for Tensor-based Discrete Density Estimation

E²M：基于张量的离散密度估计的双边界α-散度优化

Kazu Ghalamkari, Jesper Løve Hinrich, Morten Mørup

AI总结 E²M算法通过松弛优化与张量多体近似解决α-散度优化难题，实现多种低秩结构的灵活建模，在合成与真实数据集上展现出良好的收敛性、鲁棒性及密度估计性能。

Comments 53 pages, 14 figures

Journal ref Transactions on Machine Learning Research, 2026

GENERIC-FNO: Embedding Energy Conservation and Entropy Production into Fourier Neural Operators

GENERIC-FNO：将能量守恒和熵产生嵌入傅里叶神经算子

Jason Sulskis, Sathya Ravi

机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； Georgia Tech Research Institute（佐治亚理工学院研究所） 纠错

AI总结 提出GENERIC-FNO，首个在函数空间直接嵌入非平衡热力学完整GENERIC结构的神经算子，通过秩一投影精确满足退化条件，实现能量守恒与熵产生，在超分辨率下保持结构保证。

Comments Under review at TMLR

Toward Understanding the Transferability of Adversarial Suffixes in Large Language Models

面向大型语言模型中对抗性后缀的可迁移性理解

Sarah Ball, Niki Hasrati, Alexander Robey, Avi Schwarzschild, Frauke Kreuter, Zico Kolter, Andrej Risteski

机构 * Ludwig-Maximilians-Universität München（慕尼黑莱布尼茨-马克斯大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） 纠错

AI总结 该研究针对大型语言模型的对抗性后缀可迁移性，分析出三个与迁移成功高度相关的统计属性，其成果可用于提升越狱攻击的实际效果。

Comments Accepted at TMLR 2026

NashPG: A Policy Gradient Method with Iteratively Refined Regularization for Finding Nash Equilibria

NashPG: 一种通过迭代细化正则化寻找纳什均衡的策略梯度方法

Eason Yu, Tzu Hao Liu, Clément L. Canonne, Yunke Wang, Chang Xu, Nguyen H. Tran, Stefano V. Albrecht

机构 * University of Sydney（悉尼大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出NashPG算法，通过在策略优化目标中直接引入正则化，解决了多智能体强化学习中两玩家零和不完全信息游戏寻找纳什均衡的挑战，实现了在经典基准游戏和大型领域中的高效收敛与高收益。

Comments Transactions on Machine Learning Research (TMLR), 2026

Foundation Models in Robotics: A Comprehensive Review of Methods, Models, Datasets, Challenges and Future Research Directions

机器人中的基础模型：方法、模型、数据集、挑战及未来研究方向的全面综述

Aggelos Psiris, Vasileios Argyriou, Evangelos K. Markakis, Panagiotis Sarigiannidis, Efstratios Gavves, Kostas Bekris, Arash Ajoudani, Georgios Th. Papadopoulos

机构 * Department of Informatics and Telematics, Harokopio University of Athens（信息与电信系，哈罗科比欧大学） 纠错

AI总结 本文综述了机器人中基础模型的发展，涵盖方法、模型、数据集、挑战及未来方向，分析了不同阶段的研究演变及关键方面。

Journal ref Transactions on Machine Learning Research (TMLR), 07/2026

TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning

TS-Reasoner：将时间序列基础模型与大语言模型推理能力对齐

Fangxu Yu, Hongyu Zhao, Tianyi Zhou

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 TS-Reasoner通过两阶段训练将时间序列基础模型与大语言模型对齐，在多个基准上性能优于同类模型且数据效率更高，解决了时间序列模型推理能力不足的问题。

Comments Accepted to Transactions on Machine Learning Research, 2026

CDG-MAE: Cross-view Masked Modeling using Diffusion Generated Views

CDG-MAE：基于扩散生成视图的跨视图掩码建模

Varun Belagali, Pierre Marza, Srikar Yellapragada, Zilinghan Li, Tarak Nath Nandi, Ravi K Madduri, Joel Saltz, Stergios Christodoulidis, Maria Vakalopoulou, Dimitris Samaras

机构 * Stony Brook University（石溪大学） ； MICS, CentraleSupélec, Université Paris-Saclay（MICS，CentraleSupélec，巴黎-萨克雷大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） ； Archimedes/Athena RC 纠错

AI总结 CDG-MAE是一种基于MAE的自监督方法，通过图像条件扩散模型生成多样化合成视图并采用多锚掩码策略，缩小了与基于视频的MAE方法的差距，同时保持仅图像MAE的数据优势。

Comments Accepted to TMLR 2026, Github link: https://github.com/cvlab-stonybrook/CDG-MAE

When Iterative RAG Beats Ideal Evidence: A Diagnostic Study in Scientific Multi-hop Question Answering

当迭代RAG优于理想证据：科学多跳问答中的诊断研究

Mahdi Astaraki, Mohammad Arshi Saloot, Ali Shiraee Kasmaee, Hamidreza Mahyar, Soheila Samiee

机构 * Faculty of Engineering, McMaster University, Canada（麦斯特大学工程学院，加拿大） ； BASF Canada Inc., Canada（巴斯夫加拿大公司，加拿大） 纠错

AI总结 通过化学多跳问答数据集，诊断发现迭代检索-推理循环在科学领域显著优于静态RAG上限，揭示了阶段式检索的优势与失败模式。

Comments 51 pages, 29 figures, Published in Transactions on Machine Learning Research (05/2026). OpenReview: https://openreview.net/forum?id=pa5TnBdyDP

Journal ref Transactions on Machine Learning Research (05/2026), ISSN 2835-8856

Accelerating SGDM via Learning Rate and Batch Size Schedules: A Lyapunov-Based Analysis

基于李雅普诺夫分析的学习率与批量大小调度加速SGDM

Yuichi Kondo, Hideaki Iiduka

机构 * Meiji University（明治大学） 纠错

AI总结 该研究基于李雅普诺夫分析扩展理论框架，研究SGDM在三种动态超参数调度下的收敛性，证明递增批量大小及同步递增批量与学习率可加速收敛，且动态调度SGDM及预热策略表现更优。

Comments Accepted at TMLR (Jul. 2026)

MEDIC: Comprehensive Evaluation of Leading Indicators for LLM Safety and Utility in Clinical Applications

MEDIC：对LLM在临床应用中的安全性和实用性领先指标的综合评估

Praveenkumar Kanithi, Clément Christophe, Marco AF Pimentel, Tathagata Raha, Prateek Munjal, Nada Saadi, Hamza A Javed, Svetlana Maslenkova, Nasir Hayat, Ronnie Rajan, Shadab Khan

机构 * M42 纠错

AI总结 MEDIC通过综合评估框架揭示LLM在临床应用中的安全性和实用性差异，强调需采用组合方法以应对多维度性能权衡。

Comments Published in Transactions on Machine Learning Research (06/2026)

ARC-Encoder: learning compressed text representations for large language models

ARC-Encoder：为大语言模型学习压缩文本表示

Hippolyte Pilchen, Edouard Grave, Patrick Pérez

机构 * Kyutai 纠错

AI总结 ARC-Encoder是可将文本压缩为原词元数1/4或1/8的编码器，适配多类LLM解码器，在提升推理效率的同时保持最优性能，为大语言模型提供灵活高效的上下文压缩方案。

Comments Featured Certification

Journal ref Transactions on Machine Learning Research 2026 (https://openreview.net/forum?id=lU1P9dsqfn)

Data-Dependent Regret and Polyak Corrections for Constrained Online Convex Optimization

约束在线凸优化中与数据相关的遗憾值和波利亚克校正

Wentao Zhang

AI总结 研究约束在线凸优化问题，通过保留标准论证中省略的量进行更严格分析，提出AdaOGD - PFS自适应步长方法，在保持每轮可行性时实现\(O(\sqrt{G_T})\)遗憾值，实验使遗憾值界提升38% - 43%。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR)

Rethinking CD: A Reproducibility Study and Extension on the Ineffectiveness of Contrastive Decoding at Mitigating Object Hallucinations in MLLMs

重新思考对比解码：关于多模态大语言模型中对比解码在减轻对象幻觉方面无效性的可重复性研究与扩展

Arnav Bendre, Guneesh Gupta, Kavish Grover, Chayan Aggarwal, Shreyansh Modi

机构 * Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校） 纠错

AI总结 研究多模态大语言模型中对比解码减轻对象幻觉的有效性，通过重现和扩展相关研究，进行多实验验证其在不同数据集上效果，发现其带来的改善常是虚假的，挑战了当前策略有效性，推动更可靠方法开发。

Comments 32 pages, 9 Figures, submitted to TMLR

TaylorPODA: A Taylor Expansion-Based Method to Improve Post-Hoc Attributions for Opaque Models

TaylorPODA：一种基于泰勒展开的方法，用于改进不透明模型的事后归因

Yuchi Tang, Iñaki Esnaola, George Panoutsos

AI总结 研究针对不透明模型事后归因方法缺乏普遍标准的问题，提出基于泰勒展开框架的TaylorPODA方法，通过引入假设、分析矛盾、设计可控分配机制等，使其既满足假设又适应下游目标，提升了归因与用户定义效用的对齐及解释的可交流性。

Comments 21 pages, 4 figures. Submitted to TMLR. Re-upload with amended manuscript

Constrained Reinforcement Learning Using Successor Representations

使用后继表示的约束强化学习

Michael Girstl, Alexander Mattick, Christopher Mutschler

机构 * Technical University of Darmstadt (TU Darmstadt)（达姆施塔特工业大学） ； Hessian Center for Artificial Intelligence (hessian.AI)（黑森州人工智能中心） ； Fraunhofer Institute for Integrated Circuits IIS, Fraunhofer IIS（弗劳恩霍夫集成电路研究所IIS） ； University of Technology Nuremberg (UTN)（纽伦堡工业大学） 纠错

AI总结 研究针对现实世界强化学习中策略难适应成本函数变化的问题，提出SafeDSR方法，通过引入可学习权重矩阵扩展深度后继表示到约束强化学习，能快速重训策略，在二维导航环境展示竞争力与灵活性。

Comments published in Transactions for Machine Learning Research 2026

Journal ref Michael Girstl, Alexander Mattick, & Christopher Mutschler (2026). Constrained Reinforcement Learning Using Successor Representations. Transactions on Machine Learning Research

LIBMoE: A Library for comprehensive benchmarking Mixture of Experts in Large Language Models

LIBMoE：一种用于大规模语言模型混合专家全面基准测试的库

Nam V. Nguyen, Thong T. Doan, Luong Tran, Van Nguyen, Quang Pham

AI总结 LibMoE为大规模语言模型混合专家提供统一框架，通过全面分析路由动态、初始化影响及训练模式差异，推动MoE研究标准化与创新。

Comments 40 pages

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

Dynamic Pricing in the Linear Valuation Model using Shape Constraints

在线性估值模型中使用形状约束进行动态定价

Daniele Bracale, Moulinath Banerjee, Yuekai Sun, Kevin Stoll, Salam Turki

机构 * University of Michigan（密歇根大学） ； Welltower Inc.（Welltower公司） 纠错

AI总结 本文提出了一种基于形状约束的动态定价方法，在线性估值模型中无需调节参数，通过α-霍尔德连续性假设推导后悔上界，并在实验中展示更低的后悔表现。

Journal ref Transactions on Machine Learning Research (TMLR) 2025

PoTRE: Test-Time Reasoning inspired by Cognitive Heterogeneity

PoTRE：受认知异质性启发的测试时推理

Anmol Kankariya, Sercan Ö. Arık

AI总结 研究针对大语言模型复杂推理难题，提出PoTRE异构框架，将推理解耦为四个智能体，经任务自适应聚合层协调，在三个前沿基准测试中评估，在HLE上达最优准确率，以相似或更少令牌提升推理性能。

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

Journal ref Transactions on Machine Learning Research, 2026

Diffusion-based Annealed Boltzmann Generators : benefits, pitfalls and hopes

基于退火的玻尔兹曼生成器：益处、陷阱与希望

Louis Grenioux, Maxence Noble

AI总结 本文研究了基于退火蒙特卡洛的玻尔兹曼生成器，探讨了扩散模型在其中的应用及其在高维多模态目标中的性能表现。

Comments TMLR camera ready version

Lipschitz Continuity in Deep Learning: A Systematic Review of Theoretical Foundations, Estimation Methods, Regularization Approaches, and Certifiable Robustness

深度学习中的利普希茨连续性：理论基础、估计方法、正则化方法及可验证鲁棒性的系统综述

Róisín Luo, James McDermott, Colm O'Riordan

机构 * Research Ireland – Centre for Research Training in AI (CRT-AI)（爱尔兰研究机构——人工智能研究培训中心（CRT-AI）） ； J.E. Cairnes School of Business & Economics（J.E. Cairnes 商学院） ； School of Computer Science（计算机科学学院） ； University of Galway, Ireland（爱尔兰Galway大学） 纠错

AI总结 本文系统综述深度学习中利普希茨连续性，涵盖理论基础、估计方法、正则化方法及可验证鲁棒性，为研究者和从业者深入理解其在深度学习中的意义提供全面参考。

Comments Published in Transactions on Machine Learning Research (TMLR)

Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation

基于肿瘤锚定的深度特征随机森林用于肺癌分割中的分布外检测

Aneesh Rangnekar, Harini Veeraraghavan

机构 * Memorial Sloan Kettering Cancer Center（纪念斯隆凯特林癌症中心） 纠错

AI总结 本文提出RF-Deep框架，利用深度特征提升CT扫描的分布外检测性能，通过少量标注数据改进分割管道的安全性。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026. Code available at: https://github.com/aneesh3108/RF-Deep

Learning Encoding-Decoding Direction Pairs to Unveil Concepts of Influence in Deep Vision Networks

学习编码-解码方向对以揭示深度视觉网络中的影响概念

Alexandros Doumanoglou, Kurt Driessens, Dimitrios Zarpalas

机构 * Department of Advanced Computing Sciences (DACS), University of Maastricht (UM)（先进计算科学系（DACS）、马斯特里赫特大学（UM）） ； Information Technologies Institute (ITI), Centre for Research and Technology Hellas (CERTH)（信息科技研究所（ITI）、希腊研究中心与技术中心（CERTH）） 纠错

AI总结 本文提出了一种无监督方法，通过学习编码-解码方向对揭示深度视觉网络中的影响概念，提升模型的可解释性和可控性。

Comments 80 Pages. The paper's abstract was shortened to fit the character limit. Accepted at TMLR. This differs from the accepted version in clarity: revised text in introduction & background and moved related work to the end of the main paper

MACAW: A Causal Generative Model for Medical Imaging

MACAW：一种用于医学影像的因果生成模型

Vibujithan Vigneshwaran, Erik Ohara, Matthias Wilms, Nils Forkert

机构 * organization= Department of Radiology, University of Calgary , addressline= 2500 University Dr NW , city= Calgary , postcode= T2N 1N4 , state= Alberta , country= Canada ； organization= Hotchkiss Brain Institute, University of Calgary , addressline= 2500 University Dr NW , city= Calgary , postcode= T2N 1N4 , state= Alberta , country= Canada ； organization= Department of Pediatrics, University of Calgary , addressline= 28 Oki Dr , city= Calgary , postcode= T2N 6A8 , state= Alberta , country= Canada ； organization= Department of Community Health Sciences, University of Calgary , addressline= 3330 Hospital Dr NW , city= Calgary , postcode= T2N 4Z5 , state= Alberta , country= Canada ； organization= Alberta Children’s Hospital Research Institute, University of Calgary , addressline= 28 Oki Dr , city= Calgary , postcode= T2N 6A8 , state= Alberta , country= Canada 纠错

AI总结 MACAW通过整合因果知识提升医学影像生成和预测的准确性与不确定性估计。

Comments 27 pages

Journal ref Transactions on Machine Learning Research, 2026

MADA-RL: Multi-Agent Debate-Aware Reinforcement Learning for Parameter-Efficient Reasoning in Compact Models

MADA-RL：用于紧凑模型中参数高效推理的多智能体辩论感知强化学习

Martino M. L. Pulici, Cuong Xuan Chu, Evgeny Kharlamov, Zifeng Ding, Volker Tresp, Yunpu Ma

AI总结 研究针对紧凑模型训练成本高问题，提出MADA-RL框架，将其分为生成器和评论家角色，用辩论感知信号训练，通过LoRA微调少量参数。核心是反事实评论家优势，提高了模型准确率，在数学推理基准测试中有显著效果。

Comments 20 pages, 3 figures, 9 tables, 2 algorithms, under review at TMLR

RobustMAD: Evaluating Real-World Robustness of Multimodal Small Language Models for Deployable Anomaly Detection Assistants

RobustMAD：评估用于可部署异常检测助手的多模态小语言模型的现实世界鲁棒性

Anushiya Arunan, Xin Li, Yan Qin, U-Xuan Tan, Nhu Khue Vuong, Xiaoli Li, Chau Yuen

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） ； Nanyang Technological University（南洋理工大学） ； Chongqing University（重庆大学） 纠错

AI总结 研究针对多模态小语言模型现场部署的鲁棒性评估问题，开发RobustMAD基准测试，通过多种开放式查询评估模型，发现最佳模型虽有潜力但仍存差距及三种失败模式，为下一代多模态工业检测助手设计提供指导。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026 at https://openreview.net/forum?id=skrA9UYNIZ

Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables

考虑时间因素的先验拟合网络用于外生变量的零样本预测

Andres Potapczynski, Ravi Kiran Selvam, Tatiana Konstantinova, Malcolm Wolff, Kin G. Olivares, Ruijun Ma, Michael W. Mahoney, Andrew Gordon Wilson, Boris N. Oreshkin, Dmitry Efimov

机构 * Amazon（亚马逊） ； New York University（纽约大学） 纠错

AI总结 本文提出ApolloPFN，一种时间感知的先验拟合网络，能够原生整合外生变量，通过合成数据生成和时间感知架构改进，实现更准确的预测。

Comments Accepted and published in Transactions on Machine Learning Research (TMLR), 2026

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

Exposing Long-Tail Safety Failures in Large Language Models through Efficient Diverse Response Sampling

通过高效多样响应采样暴露大语言模型中的长尾安全故障

Suvadeep Hajra, Palash Nandi, Tanmoy Chakraborty

AI总结 本文通过多样响应生成方法系统暴露大语言模型的安全故障，提出PDPS算法在降低计算成本的同时提高攻击成功率，并生成更多多样化的不安全输出。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

Instance-Level Generation for Representation Learning

用于表示学习的实例级生成

Yankun Wu, Zakaria Laskar, Giorgos Kordopatis-Zilos, Noa Garcia, Giorgos Tolias

AI总结 研究针对实例级识别创建大规模标注数据集难的问题，提出从多领域合成多样对象实例形成训练集的新方法，不依赖真实图像，微调视觉模型提高检索性能，为数据收集管理提供新替代，开启新ILR范式。

Comments TMLR

Discovering Generalizable Governing Equations for Graph Dynamical Systems with Interpretable Neural Networks

用可解释神经网络发现图动力系统的通用控制方程

Riccardo Cappi, Paolo Frazzetto, Nicolò Navarin, Alessandro Sperduti

机构 * University of Padua（帕多瓦大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） 纠错

AI总结 针对图动力系统符号控制方程发现缺乏严格评估基准的问题，提出新评估流程，对既定方法进行基准测试，引入GKAN - ODE模型，经实验证明该模型能恢复精确方程，轨迹误差比基线方法低两个数量级。

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