期刊&会议
Transactions on Machine Learning Research · 期刊 · Machine Learning
CheXGenBench：合成胸片保真度、隐私和实用性的统一基准
机构 * University of Edinburgh（爱丁堡大学） ； Samsung AI Center, Cambridge（剑桥三星AI中心）
AI总结 提出CheXGenBench，首个统一评估框架，同时衡量合成胸片生成模型的保真度、隐私风险和下游实用性，涵盖11种前沿T2I模型，揭示当前模型在长尾分布、隐私风险和下游多模态任务中的局限。
Comments Published in Transactions of Machine Learning Research (06/2026)
Journal ref Transactions on Machine Learning Research (2026)
模仿有效的方法：基于仿真过滤的人类视频模块化策略学习
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Allen Institute for AI（Allen人工智能研究所） ； University of Washington（华盛顿大学） ； Cornell University（康奈尔大学）
AI总结 提出Perceive-Simulate-Imitate框架，通过仿真过滤人类视频中的抓取-轨迹对，学习任务导向的抓取与后抓取运动策略，无需机器人数据即可实现鲁棒操作。
Comments Transactions on Machine Learning Research (TMLR)
CADO：从模仿到成本最小化的组合优化热力图求解器
机构 * LG AI Research（LG人工智能研究院）
AI总结 针对热力图求解器监督训练中模仿损失与成本最小化的目标不匹配问题，提出CADO框架，通过强化学习微调直接优化解码后解的成本，在多个基准上取得最优性能。
Comments 22 pages, 4 figures. Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026. OpenReview: https://openreview.net/forum?id=fvxx5FOED6
通过特征工程增强物理信息神经网络
机构 * Department of Mathematics, Stanford University（数学系，斯坦福大学） ； Department of Management Science & Engineering, Stanford University（管理科学与工程系，斯坦福大学） ； ICME, Stanford University（ICME，斯坦福大学）
AI总结 提出SAFE-NET，一种单层自适应特征工程网络，通过傅里叶特征和简化架构，以更少参数实现比深层网络更快的收敛和更低的误差。
Comments Published in Transactions on Machine Learning Research (TMLR), November 2025
JE-IRT: 通过联合嵌入项目反应理论审视LLM能力的几何视角
机构 * Independent Researcher（独立研究者） ； University of Cincinnati（辛辛那提大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出JE-IRT几何框架，将LLM和问题嵌入共享空间，通过方向编码语义、范数编码难度，揭示主题专长和分布外行为，支持新模型高效扩展，并发现与人类分类部分对齐的内部结构。
Comments 35 pages, 17 figures, 9 tables, accepted to TMLR
随机擦除 vs. 模型反演：有希望的防御还是虚假的希望？
机构 * Temasek Laboratories, Singapore University of Technology and Design（Temasek实验室，新加坡技术与设计大学） ； The Queen’s University Belfast（女王大学贝尔法斯特分校） ； Aarhus University（阿arhus大学） ； Nanyang Technological University (NTU)（南洋理工大学（NTU）；河内 Vin 大学） ； VinUniversity, Hanoi, Vietnam
AI总结 本文探索随机擦除（RE）作为防御模型反演攻击的方法，通过特征空间分析揭示其有效性，并在37种设置下实现隐私-效用权衡的最优性能。
Comments Accepted in Transactions on Machine Learning Research (TMLR). First two authors contributed equally
通过标签精炼和阈值调整实现不平衡半监督学习
机构 * College of Biomedical Engineering, Fudan University, Shanghai, China（复旦大学生物医学工程学院，上海，中国） ； FMRIB Centre, Oxford Centre for Integrative Neuroimaging (OxCIN), University of Oxford, Oxford, UK（牛津大学FMRIB研究中心，牛津大学整合神经影像中心（OxCIN），牛津，英国） ； School of Computer Science, University of Sheffield, Sheffield, UK（谢菲尔德大学计算机科学学院，谢菲尔德，英国） ； Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学工程科学系，牛津，英国）
AI总结 针对半监督学习在类别不平衡数据上性能下降的问题，提出SEVAL框架，通过从类别平衡的子集学习标签精炼和阈值调整参数，联合优化生成更准确的伪标签，在多种不平衡场景下超越现有方法。
Comments Accepted by Transactions on Machine Learning Research
拼接矩阵SVD：压缩界限、增量近似与误差约束聚类
机构 * Institute of Mathematics of NAS of Ukraine（乌克兰国家科学院数学研究所） ； MacPaw Research（MacPaw研究）
AI总结 针对拼接后截断SVD压缩中哪些矩阵可安全合并的问题，提出基于谱界和增量SVD的聚类框架，实现显式误差约束下的压缩感知矩阵分组。
Comments Published in Transactions on Machine Learning Research (06/2026)
Journal ref Transactions on Machine Learning Research (2026)
隐式神经表示的正弦激活函数族统一理论
机构 * McGill University（麦吉尔大学） ； University of Melbourne（墨尔本大学） ； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems (MACSYS)（细胞系统数学分析卓越中心（MACSYS）） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University Health Network（大学健康网络） ； University of Tehran（塔里斯坦大学）
AI总结 提出STAF框架，通过可学习振幅、频率和相位的傅里叶式激活函数，理论分析其表达能力、NTK谱变化及初始化，实验证明在图像、音频、形状、逆问题和NeRF任务中优于或匹敌现有方法。
Comments Published in TMLR
ARROW：增强重放用于鲁棒世界模型
机构 * Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛姆·穆罕默德·本·沙特伊斯兰大学） ； Monash University（莫纳什大学） ； University of New South Wales, Sydney（新南威尔士大学，悉尼） ； Cerenaut
AI总结 本文提出ARROW算法，一种基于模型的持续强化学习方法，通过高效的重放缓冲区减少灾难性遗忘，提升在无共享结构任务和有共享结构任务中的表现。
Comments 36 pages and 11 figures (includes Appendix)
Journal ref Transactions on Machine Learning Research, 2026
改进分层多标签学习中稀有节点的检测
机构 * Faculty of Computer Science（计算机科学学院） ； Dalhousie University（达尔豪斯大学） ； Department of Geography（地理系） ； Memorial University of Newfoundland（纽芬兰纪念大学） ； Department of Oceanography（海洋学系）
AI总结 针对分层多标签分类中稀有节点检测困难的问题，提出结合节点不平衡加权和焦点加权的损失函数，利用集成不确定性量化，在基准数据集上将召回率提升至五倍，并显著提高F1分数。
Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026
评估LLM生成数据的质量与可信度综述
机构 * University of Houston（德克萨斯大学休斯敦分校） ； Worcester Polytechnic Institute（沃思利理工学院） ； Rice University（里德大学） ； Texas A&M University（德克萨斯农工大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； University of Southern California（南加州大学） ； University of North Carolina at Charlotte（北卡罗来纳州立大学夏洛特分校）
AI总结 提出LLM数据审计框架，从质量和可信度两个维度系统分类评估指标，分析六种模态数据生成方法的评估缺陷并给出改进建议。
Comments Published at TMLR. Title changed in the final version
Journal ref Transactions on Machine Learning Research, 2026
时间序列中基于大语言模型的推理与智能体系统综述
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； National Yang Ming Chiao Tung University（阳明交通大学）
AI总结 本文定义时间序列推理问题，按推理拓扑分为直接、线性链和分支结构三类，结合传统分析、解释、因果推断和生成等目标，综述方法、系统、数据集和评估实践，并指导拓扑选择与部署权衡。
Comments Accepted to Transactions on Machine Learning Research (TMLR)
基于扩散的累积对抗净化方法用于视觉语言模型
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Swiss Federal Institute of Technology Lausanne（洛桑联邦理工学院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； CISPA Helmholtz Center for Information Security（信息安全赫尔姆霍兹中心） ； RISE Research Institutes of Sweden（瑞典RISE研究机构） ； Halmstad University（哈马碧大学）
AI总结 提出DiffCAP，一种基于扩散的对抗净化策略，通过理论证明对抗效应随扩散单调衰减，并利用噪声注入与VLM嵌入相似度阈值自适应净化，显著提升防御效果并加速去噪。
Comments Accepted to Transactions on Machine Learning Research (TMLR 2026)
通过有界自适应裁剪减轻差分隐私学习中的差异影响
机构 * Department of Computer Science, University of Helsinki（计算机科学系，赫尔辛基大学） ； Department of Electrical and Computer Engineering, American University of Beirut（电气与计算机工程系，贝鲁特美国大学）
AI总结 针对差分隐私学习中梯度裁剪对少数群体造成的不公平影响，提出有界自适应裁剪方法，通过引入可调下界防止过度梯度抑制，在Skewed和Fashion MNIST上最差类准确率提升超过10个百分点。
Comments TMLR camera-ready version
面向文本到图像生成的高效路由：成本感知方法
机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院） ； Google（谷歌） ； Eigen 4D Inc.（Eigen 4D公司）
AI总结 提出成本感知路由框架，根据提示复杂度自动选择不同去噪步数或模型，在保证高质量的同时降低计算成本，优于单一模型。
Comments Accepted by TMLR
Visual-TCAV：用于图像分类事后可解释性的基于概念的归因和显著性图
机构 * Politecnico di Milano（米兰理工大学）
AI总结 提出Visual-TCAV框架，结合概念激活向量和积分梯度，生成类无关显著性图并估计概念归因，在受控实验中比TCAV更忠实于真实解释。
Comments Accepted in TMLR
可分解的神经符号回归
机构 * Gianforte School of Computing（吉安福特计算学院） ； Montana State University（蒙塔纳州立大学）
AI总结 本文提出一种可解释的神经符号回归方法，利用Transformer、遗传算法和遗传编程生成可解释的多元表达式，通过多集合Transformer生成单变量符号骨架，并通过GA和GP融合优化，实现比其他方法更准确的数学表达。
Comments Under review as submission to TMLR
LARP: 学习者无关的鲁棒数据预过滤
机构 * INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT，索菲亚大学‘圣克莱门特·奥赫里德斯基’）
AI总结 提出LARP框架，通过预过滤程序保护多种下游学习器性能，理论证明可行性并分析性能损失，实验评估了图像和表格任务中的代价。
Comments Published in Transactions on Machine Learning Research (06/2026). URL: https://openreview.net/forum?id=gI6VOV3jfO
通过核稳定流匹配从稀疏观测中建模随机条件动力学
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sandia National Laboratories（桑地亚国家实验室）
AI总结 提出条件变量流匹配（CVFM）框架，通过联合采样状态和条件变量流，利用条件不匹配核和Wasserstein距离重加权目标，从稀疏非配对数据中学习条件分布的时间演化，在材料结构建模中表现更优。
Comments Accepted to Transactions on Machine Learning Research (2026); OpenReview: https://openreview.net/forum?id=3A6oAS2TWo
Journal ref Transactions on Machine Learning Research, 2026
量化如何改变可解释特征：语言模型的稀疏自编码器分析
机构 * University of Michigan（密歇根大学）
AI总结 通过稀疏自编码器分析，发现量化导致语言模型中的可解释特征逐渐退化，且任务指标无法完全反映这种损伤，量化与幅度剪枝共享相似的损伤模式。
Comments 12 Pages of Content, Submitted to TMLR
Twin: 无需验证的深度同质分类器学习率和权重衰减调优
机构 * ARTORG Center, University of Bern（伯恩大学ARTORG中心）
AI总结 提出Twin方法，利用同质网络的边界最大化动态和训练-测试损失间的经验缩放定律，实现无需验证集的学习率和权重衰减调优，在37个图像分类配置上达到与Oracle基线1.28%的平均绝对误差。
Comments Accepted at TMLR
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈