TMLR

TabRep: Training Tabular Diffusion Models with a Simple and Effective Continuous Representation

TabRep: 通过简单有效的连续表示训练表格扩散模型

Jacob Si, Zijing Ou, Mike Qu, Zhengrui Xiang, Yingzhen Li

机构 * Imperial College London（伦敦帝国学院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 TabRep通过统一连续表示训练表格扩散模型，实现高效生成高质量表格数据并保持隐私。

Comments TMLR 2026

Separating Constraint Compliance from Semantic Accuracy: A Novel Benchmark for Evaluating Instruction-Following Under Compression

分离约束合规性与语义准确性：一种新的基准，用于在压缩下评估指令遵循

Rahul Baxi

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文提出CDCT基准，揭示LLMs在压缩下约束合规性与语义准确性之间的矛盾，发现中等压缩时约束违规主要由RLHF训练的有用性行为导致。

Comments 19 pages, 9 figures; currently under peer review at TMLR

Variational Online Mirror Descent for Robust Learning in Schrödinger Bridge

变分在线镜像下降法用于Schrödinger桥的鲁棒学习

Dong-Sig Han, Jaein Kim, Hee Bin Yoo, Byoung-Tak Zhang

AI总结 本文提出变分在线镜像下降法用于Schrödinger桥的鲁棒学习，通过Wasserstein-Fisher-Rao几何构建高斯混合参数化的Schrödinger势能，实现了更稳定和精确的SB求解。

Comments TMLR 2025

Sparse, Efficient and Explainable Data Attribution with DualXDA

稀疏、高效且可解释的数据归因与DualXDA

Galip Ümit Yolcu, Moritz Weckbecker, Thomas Wiegand, Wojciech Samek, Sebastian Lapuschkin

机构 * Department of Artificial Intelligence Fraunhofer Heinrich Hertz Institute（人工智能系 汉诺威弗劳恩霍夫研究所） ； Department of Electrical Engineering and Computer Science Technische Universität Berlin（电气工程与计算机科学系 柏林技术大学） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Centre of eXplainable Artificial Intelligence Technological University Dublin（可解释人工智能中心 立陶宛技术大学） 纠错

AI总结 DualXDA提出了一种高效且可解释的数据归因方法，通过支持向量机理论实现快速稀疏归因，并在多个下游任务中表现出色。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2025

Boosting Revisited: Benchmarking and Advancing LP-Based Ensemble Methods

提升法再审视：对基于线性规划的集成方法的基准测试与推进

Fabian Akkerman, Julien Ferry, Christian Artigues, Emmanuel Hebrard, Thibaut Vidal

机构 * Industrial Engineering and Management Science University of Twente（特文特大学工业工程与管理科学学院） ； CIRRELT & SCALE-AI Chair in Data-Driven Supply Chains Polytechnique Montréal（蒙特利尔大学数据驱动供应链联合主席） ； LAAS-CNRS Université de Toulouse（图卢兹大学CNRS LAAS研究所） 纠错

AI总结 本文提出两种新的基于线性规划的提升方法，通过大规模实验展示其在多种数据集上的性能，证明其在使用浅层树时可超越现有启发式方法，并产生更稀疏的集成。

Comments Published in Transactions on Machine Learning Research (2025), see: https://openreview.net/forum?id=lscC4PZUE4

Continual Learning on CLIP via Incremental Prompt Tuning with Intrinsic Textual Anchors

通过内在文本锚点进行增量提示调优实现CLIP的持续学习

Haodong Lu, Xinyu Zhang, Kristen Moore, Jason Xue, Lina Yao, Anton van den Hengel, Dong Gong

机构 * School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） ； Data61, CSIRO（CSIRO数据61研究中心） ； School of Computer Science, University of Auckland（奥克兰大学计算机科学学院） ； Australian Institute for Machine Learning (AIML), The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所） 纠错

AI总结 本文提出基于增量提示调优的CLIP持续学习方法，通过引入文本原型作为稳定锚点，提升多模态嵌入空间稳定性，并联合优化视觉和文本提示以减少遗忘。

Comments Accepted at TMLR. Code is available at https://github.com/jeff024/tppt

Basis Selection: Low-Rank Decomposition of Pretrained Large Language Models for Target Applications

基底选择：为特定应用预训练大语言模型的低秩分解

Yang Li, Daniel Agyei Asante, Changsheng Zhao, Ernie Chang, Yangyang Shi, Vikas Chandra

机构 * Iowa State University（爱荷华州立大学） ； Meta 纠错

AI总结 本文提出了一种针对特定应用的LLM低秩分解方法，通过识别并去除冗余部分，有效压缩模型大小并保持性能。

Comments Transactions on Machine Learning Research (TMLR), 2025

Optimization with Access to Auxiliary Information

利用辅助信息进行优化

El Mahdi Chayti, Sai Praneeth Karimireddy

机构 * EPFL（苏黎世联邦理工学院） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出两种通用算法，利用辅助信息优化目标函数，在Hessian相似性假设下提升优化效率。

Comments Published in Transactions on Machine Learning Research (02/2024)

Journal ref Transactions on Machine Learning Research (2024)

Mirror Descent Policy Optimisation for Robust Constrained Markov Decision Processes

镜像下降策略优化用于鲁棒约束马尔可夫决策过程

David M. Bossens, Atsushi Nitanda

机构 * Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR)（前沿人工智能研究中心，科技研究局（A*STAR）） ； Singapore Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（新加坡高性能计算研究所，科技研究局（A*STAR）） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡） 纠错

AI总结 本文提出一种镜像下降策略优化方法，用于鲁棒约束马尔可夫决策过程，通过优化策略和转移核实现收敛率和鲁棒性提升。

Journal ref Transactions on Machine Learning Research (TMLR 2025)

Double Horizon Model-Based Policy Optimization

双视界模型驱动策略优化

Akihiro Kubo, Paavo Parmas, Shin Ishii

机构 * Advanced Telecommunications Research Institute（先进电信研究所） ； Kyoto University（京都大学） ； The University of Tokyo（东京大学） 纠错

AI总结 双视界模型驱动策略优化通过分阶段rollout策略，平衡分布偏移、模型偏差和梯度稳定性，在连续控制任务中提升样本效率和运行效率。

Comments Accepted to Transactions on Machine Learning Research (TMLR) Code available at https://github.com/4kubo/erl_lib

Group-robust Machine Unlearning

组鲁棒机器去学习

Thomas De Min, Subhankar Roy, Stéphane Lathuilière, Elisa Ricci, Massimiliano Mancini

机构 * University of Trento（特伦托大学） ； University of Bergamo（贝加莫大学） ； Inria Grenoble（格勒诺布尔研究所） ； Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） 纠错

AI总结 本文提出MIU方法，通过互信息感知实现组鲁棒的机器去学习，减少主导组性能损失，提升模型公平性。

Comments Published in Transactions on Machine Learning Research (TMLR)

COMMA: A Communicative Multimodal Multi-Agent Benchmark

COMMA：一种基于通信的多模态多智能体基准

Timothy Ossowski, Danyal Maqbool, Jixuan Chen, Zefan Cai, Tyler Bradshaw, Junjie Hu

机构 * Department of Computer Sciences University of Wisconsin-Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences UC San Diego（计算机科学系加州大学圣地亚哥分校） ； Department of Radiology University of Wisconsin-Madison（放射学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences Department of Biostatistics and Medical Informatics University of Wisconsin-Madison（计算机科学系生物统计学与医学信息学系威斯康星大学麦迪逊分校） 纠错

AI总结 COMMA基准通过语言通信评估多模态多智能体系统的协作性能，揭示现有模型在智能体协作中的不足。

Journal ref Transactions on Machine Learning Research, 2025

Inverse Scaling in Test-Time Compute

测试时计算的反比例关系

Aryo Pradipta Gema, Alexander Hägele, Runjin Chen, Andy Arditi, Jacob Goldman-Wetzler, Kit Fraser-Taliente, Henry Sleight, Linda Petrini, Julian Michael, Beatrice Alex, Pasquale Minervini, Yanda Chen, Joe Benton, Ethan Perez

AI总结 研究发现，延长大型推理模型的推理时间会降低准确性，揭示了测试时计算与性能之间的反比例关系，并指出需通过多样化评估识别和解决推理中的失败模式。

Comments Published in TMLR (12/2025; Featured Certification; J2C Certification), 78 pages

Journal ref Transactions on Machine Learning Research (TMLR); 12/2025; https://openreview.net/forum?id=NXgyHW1c7M

Superposition as Lossy Compression: Measure with Sparse Autoencoders and Connect to Adversarial Vulnerability

叠加作为损失性压缩：通过稀疏自编码器测量并连接到对抗脆弱性

Leonard Bereska, Zoe Tzifa-Kratira, Reza Samavi, Efstratios Gavves

机构 * University of Amsterdam（阿姆斯特丹大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） 纠错

AI总结 本研究通过信息论框架测量神经网络的叠加程度，揭示其与对抗鲁棒性的关系，表明叠加在不同任务复杂性和网络容量下呈现不同表现。

Comments Accepted to TMLR, view HTML here: https://leonardbereska.github.io/blog/2025/superposition/

Journal ref Transactions on Machine Learning Research, 2025

Incorporating Interventional Independence Improves Robustness against Interventional Distribution Shift

引入干预独立性以提高对干预分布偏移的鲁棒性

Gautam Sreekumar, Vishnu Naresh Boddeti

机构 * Department of Computer Science and Engineering, Michigan State University（计算机科学与工程系，密歇根州立大学） 纠错

AI总结 本文提出RepLIn算法，通过强制干预表示之间的统计独立性，提高模型对干预分布偏移的鲁棒性。

Comments Transactions on Machine Learning Research (TMLR) 2025, camera-ready version

State Combinatorial Generalization In Decision Making With Conditional Diffusion Models

决策中的状态组合泛化与条件扩散模型

Xintong Duan, Yutong He, Fahim Tajwar, Wen-Tse Chen, Ruslan Salakhutdinov, Jeff Schneider

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出利用条件扩散模型实现决策中的状态组合泛化，通过实验展示其在多环境中的优越性能。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2025

Mind the Confidence Gap: Overconfidence, Calibration, and Distractor Effects in Large Language Models

注意置信差距：大型语言模型中的过度自信、校准与干扰效应

Prateek Chhikara

机构 * University of Southern California（美国南加州大学） 纠错

AI总结 本研究探讨了大型语言模型中的过度自信问题，通过引入干扰项显著改善校准，提出针对性的改进策略以提升模型可靠性。

Comments Published in Transactions on Machine Learning Research (TMLR)

PASCAL: Precise and Efficient ANN- SNN Conversion using Spike Accumulation and Adaptive Layerwise Activation

PASCAL: 一种利用脉冲积累和自适应层间激活的精确高效的ANN-SNN转换方法

Pranav Ramesh, Gopalakrishnan Srinivasan

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Indian Institute of Technology Madras（印度理工学院马德拉斯） 纠错

AI总结 PASCAL通过脉冲积累和自适应层间激活实现高效准确的ANN-SNN转换，显著减少推理时步数并保持高精度。

Journal ref Transactions on Machine Learning Research, 2025

Symmetry in Neural Network Parameter Spaces

神经网络参数空间中的对称性

Bo Zhao, Robin Walters, Rose Yu

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Northeastern University（东北大学） 纠错

AI总结 本文探讨了神经网络参数空间中的对称性，分析其对优化、泛化和模型复杂性的影响，并总结了相关研究的现状与未来方向。

Comments Published in Transactions on Machine Learning Research (TMLR)

PROPS: Progressively Private Self-alignment of Large Language Models

PROPS: 大型语言模型的逐步隐私自对齐

Noel Teku, Fengwei Tian, Payel Bhattacharjee, Souradip Chakraborty, Amrit Singh Bedi, Ravi Tandon

AI总结 PROPS通过多阶段隐私保护对齐框架，在保护偏好标签隐私的同时提升LLM对齐效果，实现更高的胜率。

Comments Accepted in the Transactions on Machine Learning Research (TMLR), 2025

Journal ref Transactions on ML Research (TMLR) 2025

Hard Work Does Not Always Pay Off: Poisoning Attacks on Neural Architecture Search

努力并不总能带来回报：针对神经架构搜索的数据污染攻击

Zachary Coalson, Huazheng Wang, Qingyun Wu, Sanghyun Hong

机构 * School of Electrical Engineering and Computer Science（电气工程与计算机科学学院） ； Oregon State University（俄勒冈州立大学） ； College of Information Science and Technology（信息科学与技术学院） ； Penn State University（宾夕法尼亚州立大学） 纠错

AI总结 研究发现NAS在数据污染下看似鲁棒，但实际表现因算法类型而异，训练型算法最不鲁棒，无训练型算法最鲁棒但生成架构性能相似于随机选择。

Comments Accepted at TMLR 2025.12

Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning

自适应自蒸馏用于最小化异构联邦学习中的客户端漂移

M Yashwanth, Gaurav Kumar Nayak, Arya Singh, Yogesh Simmhan, Anirban Chakraborty

机构 * Indian Institute of Science（印度科学研究院） ； Indian Institute of Technology (IIT) Roorkee（印度理工学院（IIT）拉尔基） 纠错

AI总结 本文提出自适应自蒸馏技术，用于减少异构联邦学习中的客户端漂移问题，通过自适应调整正则化参数提升模型性能。

Comments Accepted to TMLR (2024)

Schauder Bases for $C[0, 1]$ Using ReLU, Softplus and Two Sigmoidal Functions

使用ReLU、Softplus和两个Sigmoidal函数构造$C[0, 1]$的Schauder基

Anand Ganesh, Babhrubahan Bose, Anand Rajagopalan

AI总结 本文提出使用ReLU、Softplus及Sigmoidal版本构造$C[0,1]$的Schauder基，并改进了相关函数的逼近性质。

Comments 13 pages, 4 figures

Journal ref Transactions on Machine Learning Research, November 2025

B-cos LM: Efficiently Transforming Pre-trained Language Models for Improved Explainability

B-cos LM：高效地将预训练语言模型转换以提高可解释性

Yifan Wang, Sukrut Rao, Ji-Ung Lee, Mayank Jobanputra, Vera Demberg

机构 * Saarland University（萨尔兰大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarland Informatics Campus（萨尔兰计算机科学校区） 纠错

AI总结 本文提出B-cos LM，通过结合B-cos转换和任务微调，提高预训练语言模型的可解释性与效率。

Comments TMLR 12/2025

Oscillations Make Neural Networks Robust to Quantization

振荡使神经网络对量化具有鲁棒性

Jonathan Wenshøj, Bob Pepin, Raghavendra Selvan

机构 * Department of Computer Science, University of Copenhagen（计算机科学系，哥本哈根大学） 纠错

AI总结 本研究通过引入振荡正则化器，证明在QAT中振荡有助于提升模型在量化后的性能。

Comments Accepted to Transactions on Machine Learning Research (TMLR, 2025). Published version https://openreview.net/forum?id=bPwcJ0nkDC

Journal ref TMLR, 2835-8856, 2025

Synchrony-Gated Plasticity with Dopamine Modulation for Spiking Neural Networks

多巴胺调节的同步塑性用于脉冲神经网络

Yuchen Tian, Samuel Tensingh, Jason Eshraghian, Nhan Duy Truong, Omid Kavehei

AI总结 多巴胺调节的同步塑性通过同步度和损失敏感机制提升脉冲神经网络的准确率

Comments 23 pages, 7 figures, 5 tables, accepted by TMLR

VirDA: Reusing Backbone for Unsupervised Domain Adaptation with Visual Reprogramming

VirDA: 利用视觉重编程复用骨干网络进行无监督域适应

Duy Nguyen, Dat Nguyen

机构 * Hanoi University of Science and Technology（河内科学技术大学） ； Harvard University（哈佛大学） 纠错

AI总结 VirDA通过视觉重编程层实现无监督域适应，利用领域特定纹理偏见提升性能，仅用1.5M参数达到92.8%准确率，超越现有方法。

Comments To be published in TMLR

CoCoIns: Consistent Subject Generation via Contrastive Instantiated Concepts

CoCoIns: 通过对比实例概念实现一致主体生成

Lee Hsin-Ying, Kelvin C. K. Chan, Ming-Hsuan Yang

机构 * University of California, Merced（加州大学默塞德分校） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 CoCoIns通过对比学习实现一致主体生成，提升多生成内容的一致性与灵活性。

Comments TMLR 2025. Project page: https://contrastive-concept-instantiation.github.io

Generalizability of experimental studies

实验研究的可推广性

Federico Matteucci, Vadim Arzamasov, Jose Cribeiro-Ramallo, Marco Heyden, Konstantin Ntounas, Klemens Böhm

机构 * Department of Computer Science（计算机科学系） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出了一种数学形式化框架，用于量化实验研究的可推广性，并通过最大均值差异和排名方法实现，同时发布工具包便于评估其他研究的可推广性。

Comments Under review at TMLR

Extending Graph Condensation to Multi-Label Datasets: A Benchmark Study

将图压缩扩展到多标签数据集：一个基准研究

Liangliang Zhang, Haoran Bao, Yao Ma

机构 * Rensselaer Polytechnic Institute（新泽西理工学院） 纠错

AI总结 本文提出了一种扩展图压缩方法以适应多标签数据集的框架，并通过实验验证其在多标签图数据上的有效性。

Comments Accepted by Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2025