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

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

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

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

Is the Geometry Doing the Work? An Operating-Point Audit of Hierarchy in Hyperbolic Vision-Language Models

几何在发挥作用吗？对双曲视觉-语言模型层次性的工作点审计

Jaeyoung Kim, Eunseok Kim, Dongsuk Jang

机构 * MADI 纠错

AI总结 本研究针对双曲视觉-语言模型是否利用其几何特性的问题，提出多组诊断指标审计三类主流模型，发现其实际未激活双曲径向/锥机制，层次性表现与几何特性无关。

Comments 48 pages, 5 figures, Under review at TMLR

Continual Test-Time Adaptation in Computer Vision: Methods, Benchmarks, and Future Directions

计算机视觉中的持续测试时间适应：方法、基准和未来方向

Sarthak Kumar Maharana, Shambhavi Mishra, Yunbei Zhang, Shuaicheng Niu, Taki Hasan Rafi, Jihun Hamm, Marco Pedersoli, Jose Dolz, Yunhui Guo

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； LIVIA ETS Montreal, ILLS International Laboratory on Learning Systems (ILLS)（蒙特利尔LIVIA ETS，学习系统国际实验室（ILLS）） ； Tulane University（路易斯安那州立大学） ； Nanyang Technological University（南洋理工大学） ； Hanyang University（翰阳大学） 纠错

AI总结 本文针对计算机视觉中训练与测试数据分布不同的问题，定义CTTA问题，分析持续域转移模式，提出分层分类法将现有方法分为三类，回顾代表性方法并展示实验结果，讨论局限性与新兴方向，为持续测试时间适应研究提供路线图。

Comments TMLR 2026

Beyond Naïve Prompting: Strategies for Improved Context-aided Forecasting with LLMs

超越简单提示：改进LLMs上下文辅助预测的策略

Arjun Ashok, Andrew Robert Williams, Vincent Zhihao Zheng, Irina Rish, Nicolas Chapados, Étienne Marcotte, Valentina Zantedeschi, Alexandre Drouin

AI总结 本文提出四种策略，从模型诊断、准确性和效率三个正交维度改进LLMs的上下文辅助预测，通过广泛实验揭示执行差距、性能提升和成本降低的解决方案。

Comments Published at TMLR - OpenReview link: https://openreview.net/forum?id=dkjHHFJkVI

Disentangling Intrinsic Importance from Emergent Structure in Multi-Expert Orchestration

在多专家编排中解耦内在重要性与涌现结构

Sudipto Ghosh, Sujoy Nath, Sunny Manchanda, Tanmoy Chakraborty

机构 * Yardi School of Artificial Intelligence（亚里学校人工智能学院） ； Indian Institute of Technology Delhi（印度德里理工学院） ； Department of Electrical Engineering（电气工程系） ； DRDO Young Scientist Laboratory – Artificial Intelligence（DRDO年轻科学家实验室–人工智能） ； Defence Research and Development Organisation, India（印度国防研究与发展组织） 纠错

AI总结 提出INFORM方法，通过解耦专家交互结构、执行顺序和功能归因，揭示路由主导性不能反映功能必要性，稀疏路由专家可能具有结构关键性。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

End-to-End 4D Heart Mesh Recovery Across Full-Stack and Sparse Cardiac MRI

跨全栈和稀疏心脏磁共振成像的端到端4D心脏网格恢复

Yihong Chen, Jiancheng Yang, Deniz Sayin Mercadier, Hieu Le, Juerg Schwitter, Pascal Fua

机构 * School of Computer and Communication Science, EPFL（计算机与通信科学学院，瑞士联邦理工学院） ； ELLIS Institute Finland, Aalto University, Finland（芬兰ELLIS研究所，阿尔托大学，芬兰） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Center for Interventional MRI, CHUV（介入MRI中心，CHUV） 纠错

AI总结 研究针对心脏磁共振成像序列重建心脏运动问题，提出TetHeart框架，利用可变形四面体，通过创新机制和策略，能从全栈及稀疏切片观测恢复4D心脏网格，在多数据集上实现高精度和强泛化。

Comments Accepted by TMLR

Forking-Sequences: Statistically and Computationally Efficient Multi-Horizon Forecasting with Reduced Volatility

分叉序列：具有降低波动性的统计和计算高效的多步预测

Willa Potosnak, Malcolm Wolff, Mengfei Cao, Ruijun Ma, Tatiana Konstantinova, Dmitry Efimov, Michael W. Mahoney, Boris Oreshkin, Kin G. Olivares

AI总结 研究时间序列预测中如何降低预测波动性，核心方法是采用分叉序列神经网络架构设计，好处是通过集成降低波动性、减少梯度方差、提高推理计算效率，在多数据集上验证了该方法能提升准确性并降低预测波动性。

Comments Published in Transactions on Machine Learning Research

A Descriptive and Normative Theory of Human Beliefs in RLHF

基于人类反馈强化学习中的人类信念描述性与规范性理论

Sylee Dandekar, Shripad Deshmukh, Frank Chiu, W. Bradley Knox, Scott Niekum

机构 * College of Information and Computer Sciences University of Massachusetts Amherst（信息与计算机科学学院 马萨诸塞大学阿姆赫斯特分校） ； Department of Computer Science The University of Texas at Austin（计算机科学系 德州大学奥斯汀分校） 纠错

AI总结 研究 RLHF 中人类信念作用，提出新偏好模型，通过人类和综合实验，证实人类对智能体能力信念影响偏好，指出减少信念与能力不匹配可提升 RLHF 并给出新实践方向。

Comments Published at TMLR

Maximum Mean Discrepancy with Unequal Sample Sizes via Generalized U-Statistics

通过广义U统计量处理不等样本量的最大均值差异

Aaron Wei, Milad Jalali, Danica J. Sutherland

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Alberta Machine Intelligence Institute（阿尔伯塔人工智能研究所） 纠错

AI总结 研究不等样本量下的MMD检验问题，通过扩展广义U统计量理论应用于MMD估计量，得到其渐近分布新特征及检验功效优化准则，保留所有数据提升检验准确性与适用性，还清晰刻画了MMD估计量方差。

Comments v2: various improvements, as published at TMLR - https://openreview.net/forum?id=KjXW75GHHF

Journal ref Transactions on Machine Learning Research (2026)

Provably Efficient Off-Policy Adversarial Imitation Learning with Convergence Guarantees

具有收敛保证的可证明高效的离策略对抗模仿学习

Yilei Chen, Vittorio Giammarino, James Queeney, Ioannis Ch. Paschalidis

机构 * Division of Systems Engineering（系统工程系） ； Department of Computer Science（计算机科学系） ； Amazon Robotics（亚马逊机器人） ； Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

AI总结 研究离策略对抗模仿学习算法的收敛特性与样本复杂性，证明重用特定策略生成的样本不影响收敛保证，且离策略更新的分布转移误差被更多数据带来的好处主导，为离策略AIL算法样本效率提供理论支持。

Comments TMLR 2026

Regularity and Stability Properties of Selective SSMs with Discontinuous Gating

具有不连续门控的选择性状态空间模型的正则性和稳定性属性

Nikola Zubić, Davide Scaramuzza

机构 * University of Zurich（苏黎世大学） 纠错

AI总结 研究选择性状态空间模型稳定性，通过无源性等方法得到多项成果，推导采样块LMI作正则化器，在多数据集验证其能减少Mamba核心LMI违规，提升内部被动性和状态规范诊断。

Comments 41 pages

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

BitLogic: Training Framework for Gradient-Based FPGA-Native Neural Networks

BitLogic：基于梯度的FPGA原生神经网络训练框架

Simon Bührer, Andreas Plesner, Aczel Till, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 研究基于梯度的FPGA原生神经网络训练框架选择对精度和硬件成本的影响，提出统一框架BitLogic，将领域分解为五轴设计空间并在共享协议下实例化先前方法，结合各轴获胜者确定新配置，评估后得出该配置在多数据集上表现优且能耗低的结论。

Comments Accepted at TMLR (Transactions on Machine Learning Research)

FlexAct: Why Learn when you can Pick?

FlexAct：当你可以选择时为何还要学习？

Ramnath Kumar, Kyle Ritscher, Junmin Judy, Lawrence Liu, Cho-Jui Hsieh

机构 * University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 研究聚焦深度学习中激活函数学习，核心方法是用Gumbel-Softmax技巧在预定义函数集里离散可微选优，主要贡献是提升预测精度与架构灵活性，为复杂场景下神经架构发展助力。

Comments Transactions on Machine Learning Research, 2026

Medix: Out-of-Distribution Detection from Unlabeled Wild Data via Robust Gradient Statistics

Medix：通过稳健梯度统计从未标记的野生数据中进行分布外检测

Momin Abbas, Ali Falahati, Hossein Goli, Mohammad Mohammadi Amiri

机构 * IBM（IBM公司） ； University of Waterloo（多伦多大学） ； CUHK（香港中文大学） ； Rensselaer Polytechnic Institute（罗切斯特理工学院） 纠错

AI总结 研究利用未标记野生数据进行分布外检测的问题，提出Medix框架，通过基于中位数的稳健梯度统计识别异常值，结合标记InD数据训练分类器，理论推导与实证结果表明该方法全面优于现有方法。

Comments Accepted to TMLR. Camera-ready version

Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics

用于流行病概率预测的深度生成时空回归

Rajdeep Pathak, Tanujit Chakraborty

机构 * Safir, Sorbonne University Abu Dhabi, United Arab Emirates（萨菲尔，索邦大学阿布扎赫德分校，阿联酋） ； SCAI, Sorbonne Université, Paris, France（SCAI，索邦大学巴黎分校，法国） 纠错

AI总结 针对复杂时空依赖的流行病预测难题，提出深度时空回归法，通过轻量级生成架构内量化不确定性，经采样生成概率预测，在多数据集表现优，还探索了可解释性以助公共卫生干预。

Comments Published by TMLR. Code is available at \url{https://github.com/PyCoder913/stengression}, and the \href{https://pypi.org/project/stengression/}{\texttt{stengression}} Python package offers an end-to-end implementation of our proposed approaches

Journal ref Transactions on Machine Learning Research, 2026. URL: https://openreview.net/pdf?id=7AfAztCd5A

LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation

法律与秩序：医学扩散与分割的自适应空间加权

Anugunj Naman, Ayushman Singh, Gaibo Zhang, Yaguang Zhang

机构 * Elmore Family School of Electrical and Computer Engineering（埃尔莫尔电气与计算机工程学院） ； Purdue University（普渡大学） ； Sesame AI ； Department of Computer Science（计算机科学系） ； Department of Agricultural and Biological Engineering (ABE)（农业与生物工程系） ； Department of Agricultural Sciences Education and Communication (ASEC)（农业科学教育与交流系） 纠错

AI总结 研究医学图像分析中自适应空间加权，通过两个适配器实现。LAW为掩码条件扩散学习像素损失权重，ORDER通过选择性双向跳跃注意力改进分割，在多个数据集上取得良好效果，证明该方法对医学扩散和分割的有效性。

Comments Accepted at TMLR

Re:Form -- Reducing Human Annotations in Scalable Formal Software Verification with RL in LLMs: A Preliminary Study on Dafny

Re:Form——利用大语言模型中的强化学习减少可扩展形式化软件验证中的人工标注：关于Dafny的初步研究

Chuanhao Yan, Fengdi Che, Xuhan Huang, Xu Xu, Xin Li, Yizhi Li, Xingwei Qu, Jingzhe Shi, Chenghua Lin, Yaodong Yang, Binhang Yuan, Hang Zhao, Yu Qiao, Bowen Zhou, Jie Fu

机构 * Shanghai AI Lab（上海人工智能实验室） ； University of Alberta（阿尔伯塔大学） ； Tsinghua University（清华大学） ； Chinese University of Hong Kong, Shenzhen（香港大学（深圳）） ； Hong Kong University of Science and Technology（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； University of Manchester（曼彻斯特大学） ； Peking University（北京大学） 纠错

AI总结 研究利用形式语言Dafny减少人工标注，核心方法是引入自动可扩展数据处理流程及结合形式语言验证器反馈的强化学习设计，主要贡献是提升模型在DafnyComp基准测试表现。

Comments Published in Transactions on Machine Learning Research (TMLR), 05/2026. Reviewed on OpenReview: https://openreview.net/forum?id=cAQmIS4GOe

CoDoL: Conditional Domain Prompt Learning for Out-of-Distribution Generalization

CoDoL：用于分布外泛化的条件域提示学习

Min Zhang, Yuyin Wang, Zhongxiang Dai, Zhikang Chen, Jie Zhou, Miao Liu, Sen Cui

机构 * East China Normal University（东华师范大学） ； Xidian University（西安电子科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The University of Oxford（牛津大学） ； Tsinghua University（清华大学） 纠错

AI总结 针对基于提示的CLIP方法存在的文本描述不准确、视觉语言嵌入对齐有限问题，提出CoDoL方法，利用域信息形成提示，还提出DMN生成输入条件令牌，实验验证其在分布外泛化的有效性。

Comments Accepted to TMLR 2026

Replicability is Asymptotically Free in Multi-armed Bandits

多臂老虎机中可重复性渐近无代价

Junpei Komiyama, Shinji Ito, Yuichi Yoshida, Souta Koshino

机构 * New York University（纽约大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； RIKEN AIP（理化学研究所人工智能研究中心） ； The University of Tokyo（东京大学） ； National Institute of Informatics（信息处理研究所） 纠错

AI总结 研究可重复随机多臂老虎机算法，通过特定方法，在时间范围足够大时，使算法行动序列不受数据集中随机性影响，且探索代价更小，还给出限制不可重复性概率的方法及双臂问题下界。

Comments Updated based on the TMLR camera-ready version. https://openreview.net/forum?id=E8rmbq8BYP

VLMGuard: Bootstrapping Malicious Prompt Detectors from Unlabeled Vision-Language Prompts in the Wild

VLMGuard：从野生未标记视觉语言提示中引导恶意提示检测器

Junlin Fang, Wenyu Chen, Reshmi Ghosh, Robert Sim, Ahmed Salem, Vitor R. Carvalho, Emily Lawton, Sharon Li, Jack W. Stokes, Sean Du

机构 * College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学） ； School of Physical and Mathematical Sciences（物理与数学科学学院） ； Microsoft Corp.（微软公司） ； 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 研究针对视觉语言模型易受恶意输入影响的问题，提出VLMGuard框架，利用野生未标记用户提示，通过自动恶意估计分数区分良性和恶意样本，训练二进制提示分类器，无需额外人工标注，效果优于现有方法。

Comments Accepted to Transactions on Machine Learning Research (07/2026)

Graph Unitary Message Passing

图酉消息传递

Haiquan Qiu, Quanming Yao

机构 * Department of Electrical Engineering, Tsinghua University（清华大学电子工程系） ； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心） ； State Key laboratory of Space Network and Communications（空间网络与通信国家重点实验室） 纠错

AI总结 针对图神经网络中不稳定问题，提出图酉消息传递框架，通过在变换图上用酉传播算子避免指数衰减，结合图变换和酉投影程序，经理论分析表明其能保持深度稳定，实验取得较好性能。

Comments TMLR