TMLR

Random Logit Scaling: Defending Deep Neural Networks Against Black-Box Score-Based Adversarial Example Attacks

随机对数缩放：防御深度神经网络对抗基于黑盒分数的对抗样本攻击

Hamid Dashtbani, Mehdi Dousti Gandomani, AmirMahdi Sadeghzadeh

机构 * Sharif University of Technology（伊朗谢里夫理工大学） 纠错

AI总结 研究针对基于黑盒分数的对抗样本攻击的防御与攻击方法，提出随机对数缩放（RLS）防御可降低攻击成功率，还引入新型自适应攻击，证明一种非随机化黑盒防御易受攻击。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

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

ReDiTT: Retrieval Augmented Conditional Diffusion Transformers for Asynchronous Time Series

ReDiTT：用于异步时间序列的检索增强条件扩散变压器

Saiyue Lyu, Zhitian Zhang, Ruizhi Deng, Thibaut Durand

机构 * University of British Columbia（英属哥伦比亚大学） ； RBC Borealis（加拿大皇家银行北极星） 纠错

AI总结 该研究针对异步时间序列预测问题，提出ReDiTT模型，通过在潜在空间运行并从记忆库检索相似潜在序列作为参考条件，利用交叉注意力机制，实现稳定的长期预测并提高样本多样性，在多个数据集上取得最优性能。

Comments Accepted at TMLR 2026

Self-Consistent Flow: Unifying Velocity and Endpoint Prediction for Rectified Flow Models

自洽流：统一整流流模型的速度和端点预测

Xu Han, Jiajing Hu, Li-Ping Liu

机构 * Tufts University（塔夫茨大学） 纠错

AI总结 研究基于整流流的生成模型中不同参数化预测目标的问题，提出自洽流方法，通过轻量级一致性损失联合训练网络预测速度和端点，提升模型性能，在图像生成任务中显著优于标准整流流基线。

Comments Published in Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research, 2026

Reliability Scaling Laws for Quantized Large Language Models

量化大语言模型的可靠性缩放定律

Sirine Ayadi, Sándor Daróczi, Stephan Günnemann, Bertrand Charpentier

机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Pruna AI（Pruna人工智能公司） 纠错

AI总结 研究量化大语言模型的可靠性缩放定律，通过对其不确定性、校准和鲁棒性进行全面评估，刻画可靠性与模型比特总数的关系，发现4比特量化模型有可靠性峰值，且量化增强了模型对自然输入扰动的鲁棒性。

Comments Transactions on Machine Learning Research (TMLR), 2026

Dynamic Agent Skills: A Lifecycle Survey and Taxonomy of Evolving Skill Libraries

动态智能体技能：不断演进的技能库的生命周期调查与分类法

Yubo Li

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

AI总结 研究大型语言模型智能体中技能库随时间的变化，通过分类法、生命周期架构和技能记录模式等工具组织文献，合成证据分级模式，指出相关问题并提出报告标准及开放问题。

Comments Accepted by TMLR (2026.07), OpenReview Link: https://openreview.net/forum?id=cjU3YbcRr8

Journal ref Transactions on Machine Learning Research, 2026

Beyond Bayesian Nash: Learning Minimax-Regret Equilibria for Adversarial Team Games under Asymmetric Information

超越贝叶斯纳什均衡：非对称信息下对抗团队博弈的极小极大遗憾均衡学习

Naman Aggarwal, Jonathan P. How

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Aerospace Control Laboratory（航空控制实验室） ； Laboratory of Information and Decision Systems（信息与决策系统实验室） 纠错

AI总结 研究非对称信息下对抗团队博弈，提出概率鲁棒极小极大遗憾均衡（PR-MRE），结合极小极大遗憾推理的无分布鲁棒性与概率信息，通过鲁棒双线性规划及新型元求解器 PRMRE-PSRO 实现策略学习，实验证明其在隐藏类型上性能更优，行为更稳健。

Comments 29 pages, 11 figures, 6 tables. Submitted to Transactions on Machine Learning Research (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

SPL: Orchestrating Workflows with Declarative Deterministic-Probabilistic Composition

SPL：使用声明式确定性-概率性组合编排工作流

Wen G. Gong

机构 * Independent Researcher（独立研究者） 纠错

AI总结 研究提出SPL语言统一确定性与概率性计算模式，通过共享语法等实现跨平台运行。经实验验证，求解器分支有较高机器验证正确性，对比仅用大语言模型的分支，呈现后端难度梯度，主要失败模式为求解器错误。

Comments 24 pages, 2 figures, under review at TMLR

TNODEV: Toolbox for Neural ODE Verification

TNODEV: 神经ODE验证工具箱

Abdelrahman Sayed Sayed, Pierre-Jean Meyer, Mohamed Ghazel

机构 * Univ Gustave Eiffel, COSYS-ESTAS（古斯塔夫·埃菲尔大学，COSYS-ESTAS实验室） 纠错

AI总结 提出TNODEV，首个集成伪造检查、区间可达性、验证循环和并行调度的神经ODE形式验证器，支持安全集包含和分类鲁棒性验证。

Comments 30 pages, 7 figures, Under review in 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

Adaptive and Stratified Subsampling for High-Dimensional Robust Estimation

自适应与分层抽样用于高维稳健估计

Prateek Mittal, Joohi Chauhan

机构 * Motilal Nehru National Institute of Technology Allahabad, Prayagraj 211004, India（Motilal Nehru国家理工学院Allahabad, Prayagraj 211004, 印度） 纠错

AI总结 本文提出自适应重要抽样和分层抽样方法，用于高维稳健估计，在有限方差厚尾噪声和alpha混合依赖下实现最优估计性能。

Journal ref Transactions on Machine Learning Research (06/2026)

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

A quantitative analysis of semantic information in deep representations of text and images

深度文本和图像表示中语义信息的定量分析

Santiago Acevedo, Andrea Mascaretti, Riccardo Rende, Matéo Mahaut, Marco Baroni, Alessandro Laio

机构 * Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究科学研究所（SISSA）） ； Universitat Pompeu Fabra (UPF)（庞培法拉大学（UPF）） ； Catalan Institute of Research and Advanced Studies (ICREA)（加泰罗尼亚研究与高级科学研究所（ICREA）） 纠错

AI总结 本文通过信息不平衡度分析，发现语义信息在深度模型中分布广泛，且在特定网络层具有最强的预测能力，同时揭示了语言和模型规模对表示预测性的影响。

Comments Published as a journal article at Transactions of Machine Learning Research (TMLR)

Journal ref TMLR 2026: https://openreview.net/forum?id=sBnaFSIuGR

Nested Slice Sampling: Vectorized Nested Sampling for GPU-Accelerated Inference

嵌套切片采样：适用于GPU加速推断的向量化嵌套采样

David Yallup, Namu Kroupa, Will Handley

机构 * Kavli Institute for Cosmology Cambridge（剑桥卡维利宇宙研究所） ； Institute of Astronomy, University of Cambridge（剑桥大学天文研究所） ； Cavendish Laboratory and Department of Engineering, University of Cambridge（剑桥大学卡文迪许实验室和工程系） 纠错

AI总结 本文提出嵌套切片采样，一种适用于GPU的向量化嵌套采样方法，通过Hit-and-Run切片采样实现约束更新，提升高维问题的计算效率和稳定性，实验表明其在复杂多模态问题中表现优异。

Comments 58 pages, 13 figures, Accepted to Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research, 2026

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

Neural Logic Networks for Interpretable Classification

神经逻辑网络用于可解释分类

Vincent Perreault, Katsumi Inoue, Richard Labib, Alain Hertz

机构 * National Institute of Informatics, Tokyo（东京国立信息学研究所） 纠错

AI总结 本文提出神经逻辑网络，通过AND/OR操作实现可解释分类，引入NOT操作和偏置以考虑未观测数据，提出新的IF-THEN规则结构和改进的学习算法，提升布尔网络发现性能并在医疗工业领域实现可解释规则学习。

Comments 26 pages, 8 figures, code available at https://github.com/VincentPerreault0/NeuralLogicNetworks

Journal ref TMLR, June 2026

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

Local MDI+: Local Feature Importances for Tree-Based Models

Local MDI+: 基于树的模型的局部特征重要性

Zhongyuan Liang, Zachary T. Rewolinski, Abhineet Agarwal, Tiffany M. Tang, Bin Yu

机构 * Department of Computational Precision Health（计算精准健康系） ； UC Berkeley（伯克利大学） ； UCSF（旧金山分校） ； Department of Statistics（统计系） ； Department of Applied and Computational Mathematics and Statistics（应用与计算数学和统计系） ； University of Notre Dame（诺特大学） ； Department of Statistics and EECS（统计系和电子工程与计算机科学系） 纠错

AI总结 提出Local MDI+ (LMDI+)方法，通过扩展MDI+框架到局部特征重要性，在12个基准数据集上平均提升10%的预测性能，并展现出更高的稳定性和可解释性。

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