TMLR

AIMing for Standardised Explainability Evaluation in GNNs: A Framework and Case Study on Graph Kernel Networks

面向图神经网络解释性评估标准化的框架：图核网络的框架与案例研究

Magdalena Proszewska, N. Siddharth

机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） 纠错

AI总结 本文提出AIM框架，用于评估图神经网络的解释性，通过实例级和模型级解释提升解释性评估的全面性，并以图核网络为例展示改进模型xGKN的开发。

Comments 19 pages, 4 figures, 8 tables

Journal ref Transactions on Machine Learning Research (TMLR). ISSN 2835-8856 (2026)

Optimal Pattern Detection Tree for Symbolic Rule-Based Classification

符号规则分类中的最优模式检测树

Young-Chae Hong, Yangho Chen

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出最优模式检测树（OPDT），通过混合整数规划发现数据中的最优模式，结合领域知识约束提升模型透明度和解释性。

Comments Published in Transactions on Machine Learning Research (TMLR). 26 pages, 4 figures. OpenReview URL: https://openreview.net/forum?id=RJ6eMDcDCv

Journal ref Transactions on Machine Learning Research (2026)

Autofocus Retrieval: An Effective Pipeline for Multi-Hop Question Answering With Semi-Structured Knowledge

自动聚焦检索：一种基于半结构化知识的多跳问答有效流程

Derian Boer, Stephen Roth, Stefan Kramer

机构 * Institute of Computer Science（计算机科学研究所） ； Johannes Gutenberg University Mainz（美因茨约翰内斯·古腾堡大学） 纠错

AI总结 本文提出Autofocus-Retriever框架，通过结合结构和文本检索方法，在三个STaRK问答基准测试中取得最佳零样本和一次样本结果，其性能由四个约束驱动检索步骤和四个补充处理步骤驱动。

Journal ref Transactions on Machine Learning Research 2026

A Faster Generalized Two-Stage Approximate Top-K

更快的通用两阶段近似Top-K算法

Yashas Samaga, Varun Yerram, Spandana Raj Babbula, Prateek Jain, Praneeth Netrapalli

机构 * University of Washington, Seattle（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种改进的两阶段近似Top-K算法，通过调整第一阶段的分区策略，减少第二阶段输入规模并提升效率，同时保持相同预期召回率。

Comments Accepted at TMLR May 2026

Modality-Inconsistent Continual Learning of Multimodal Large Language Models

多模态大语言模型的模态不一致持续学习

Weiguo Pian, Shijian Deng, Shentong Mo, Mingrui Liu, Yunhui Guo, Yapeng Tian

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Carnegie Mellon University（卡内基梅隆大学） ； George Mason University（乔治·梅森大学） 纠错

AI总结 本文提出MICL，一种针对多模态大语言模型的持续学习场景，涉及不一致的模态和变化的任务类型。通过伪目标生成模块和基于指令的知识蒸馏，解决任务类型转移导致的遗忘问题，实验验证了方法的有效性。

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

The Confusion is Real: GRAPHIC -- A Network Science Approach to Confusion Matrices in Deep Learning

混淆确实存在：GRAPHIC -- 一种网络科学方法用于深度学习中的混淆矩阵

Johanna S. Fröhlich, Bastian Heinlein, Jan U. Claar, Hans Rosenberger, Vasileios Belagiannis, Ralf R. Müller

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃朗根-纽伦堡大学） ； Technical University of Darmstadt（达姆施塔特技术大学） 纠错

AI总结 GRAPHIC通过分析神经网络的类别层面，利用中间层的混淆矩阵和线性分类器，结合网络科学工具揭示学习动态和分类混淆问题。

Comments Transactions on Machine Learning Research, 2026

Regret minimization in Linear Bandits with offline data via extended D-optimal exploration

通过扩展D-最优探索实现线性老虎机中离线数据的后悔最小化

Sushant Vijayan, Arun Suggala, Karthikeyan Shanmugam, Soumyabrata Pal

机构 * School of Technology and Computer Science TIFR（技术与计算机科学学院 TIFR） ； Google Deepmind（谷歌DeepMind） ； Adobe Research（Adobe 研究） 纠错

AI总结 本文提出OOPE算法，利用扩展D-最优设计结合离线数据以降低在线老虎机的后悔，其有效问题维度衡量离线数据中未探索方向的数量，并在高维情况下进一步优化复杂度。

Comments Accepted to TMLR, with J2C certification, link: https://openreview.net/forum?id=4WcK8gKgCi

Convex Optimization with Local Label Differential Privacy: Tight Bounds in All Privacy Regimes

在局部标签差分隐私下进行凸优化：所有隐私范围内的紧界

Lynn Chua, Badih Ghazi, Ravi Kumar, Pasin Manurangsi, Ziteng Sun, Chiyuan Zhang

AI总结 本文研究了在局部标签差分隐私约束下的随机凸优化问题，提出了一种新型高效非交互算法，改进了高隐私和中隐私范围下的标签空间依赖性，同时证明了信息论下限。

Comments To appear in TMLR

Counting Still Counts: Understanding Neural Complex Query Answering Through Query Relaxation

计数仍然重要：通过查询放松理解神经复杂查询回答

Yannick Brunink, Daniel Daza, Yunjie He, Michael Cochez

机构 * Translational AI Laboratory, Department of Laboratory Medicine Amsterdam University Medical Center, Vrije Universiteit Amsterdam（阿姆斯特丹大学医学中心转化人工智能实验室，实验室医学系，自由大学阿姆斯特丹） ； Vrije Universiteit Amsterdam（自由大学阿姆斯特丹） ； University of Stuttgart（斯图加特大学） ； ELLIS Institute Finland & Abo Akademi University, Turku, Finland（芬兰埃利斯研究所及图尔库芬兰阿博阿卡迪米大学） ； Elsevier discovery lab, Amsterdam（埃斯勒尔发现实验室，阿姆斯特丹） 纠错

AI总结 通过比较神经模型与基于查询放松的策略，研究发现两者在某些情况下表现相似，且结合两者输出可提升性能，提示需重新评估神经查询回答的进展。

Comments Accepted in Transactions on Machine Learning Research (2026)

Prompt Estimation from Prototypes for Federated Prompt Tuning of Vision Transformers

从原型估计联邦提示微调视觉变换器的提示

M Yashwanth, Sharannya Ghosh, Aditay Tripathi, Anirban Chakraborty

机构 * Department of Computational and Data Sciences, Indian Institute of Science（计算与数据科学系，印度科学研究院） ； Accenture, Japan（日本Accenture公司） ； Google, India（印度Google公司） ； Indian Institute of Science（印度科学研究院） 纠错

AI总结 本文提出PEP-FedPT框架，通过类上下文混合提示实现联邦提示微调中的泛化与个性化，实验表明其在不同数据异质性场景下优于现有方法。

Comments Accepted to TMLR 2026

Exploration-Driven Optimization for Test-Time Large Language Model Reasoning

基于探索的优化用于测试时大语言模型推理

Changhao Li, Yuchen Zhuang, Chenxiao Gao, Haotian Sun, Rushi Qiang, Chao Zhang, Bo Dai

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出EDO框架，通过扩展奖励偏差探索目标到迭代后训练，提升大语言模型推理中的探索与利用平衡，实验表明ED-iDPO和ED-GRPO在推理能力和多样性上优于基线模型。

Comments Accepted by TMLR 2026

Plan2Cleanse: Test-Time Backdoor Defense via Monte-Carlo Planning in Deep Reinforcement Learning

Plan2Cleanse：通过深度强化学习中的蒙特卡洛规划实现测试时后门防御

Sze-Ann Chen, Zhi-Yi Chin, Kui-Yuan Chen, Chi-Yu Li, Ping-Chun Hsieh

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） 纠错

AI总结 本文提出Plan2Cleanse框架，利用蒙特卡洛树搜索在无需重新训练的情况下检测和缓解强化学习中的后门攻击，通过在MuJoCo、O-RAN和Atari环境中测试，显著提升了后门检测成功率和对抗性环境中的胜率。

Comments Published in Transactions on Machine Learning Research (TMLR)

GraphMERT: Efficient and Scalable Distillation of Reliable Knowledge Graphs from Unstructured Data

GraphMERT：从非结构化数据中高效可扩展地蒸馏可靠知识图谱

Margarita Belova, Jiaxin Xiao, Shikhar Tuli, Niraj K. Jha

机构 * Department of Electrical and Computer Engineering, Princeton University（普林斯顿大学电气与计算机工程系） 纠错

AI总结 本文提出GraphMERT，一种高效的图神经网络模型，通过蒸馏高质量知识图谱提升领域知识的可靠性与有效性。

Comments Camera-ready version. Published in Transactions on Machine Learning Research (TMLR), 2026. Reviewed on OpenReview: https://openreview.net/forum?id=tnXSdDhvqc

Journal ref Transactions on Machine Learning Research, 2026

LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers

LLM-FE：基于LLM的进化优化器用于表格数据的自动化特征工程

Nikhil Abhyankar, Parshin Shojaee, Chandan K. Reddy

机构 * Department of Computer Science, Virginia Tech（弗吉尼亚理工学院计算机科学系） 纠错

AI总结 本文提出LLM-FE框架，结合LLM的领域知识和推理能力，通过进化搜索自动发现表格学习任务中的有效特征，优于现有方法。

Comments Accepted in Transactions on Machine Learning Research (TMLR)

The Global Empirical NTK: Self-Referential Bias and Dimensionality of Gradient Descent Learning

全局经验NTK：自参考偏差与梯度下降学习的维度性

James Hazelden, Laura Driscoll, Eli Shlizerman, Eric Shea-Brown

机构 * Applied Mathematics, University of Washington（应用数学，华盛顿大学；艾伦研究所） ； Allen Institute（艾伦研究所；神经生物学与生物物理学，华盛顿大学） ； Allen Institute（应用数学，电气与计算机工程，华盛顿大学） ； Neurobiology & Biophysics, University of Washington（应用数学，神经生物学与生物物理学，华盛顿大学；艾伦研究所） ； Applied Mathematics, Electrical & Computer Engineering, University of Washington ； Applied Mathematics, Neurobiology & Biophysics, University of Washington ； Allen Institute 纠错

AI总结 本文研究了全局经验NTK的结构，揭示其受制于有效秩并产生自参考偏差，通过Kronecker-core定理证明了广泛模型的NTK可计算性，并展示了自注意力变换器的NTK结构受限于低秩性。

Comments Submitted to TMLR

OracleTSC: Oracle-Informed Reward Hurdle and Uncertainty Regularization for Traffic Signal Control

OracleTSC: 通过Oracle信息的奖励障碍和不确定性正则化用于交通信号控制

Darryl Jacob, Xinyu Liu, Muchao Ye, Xiaoyong Yuan, Pan He

机构 * Department of Computer Science and Software Engineering（计算机科学与软件工程系） ； Auburn University（亚伯拉罕大学） ； Department of Computer Science（计算机科学系） ； University of Iowa（爱荷华大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Clemson University（克莱姆森大学） 纠错

AI总结 OracleTSC通过奖励障碍和不确定性正则化机制提升交通信号控制的稳定性与效果，实验表明其在交通效率提升和跨路口泛化能力方面表现突出。

Comments Published in Transactions on Machine Learning Research

Sequential Causal Discovery with Noisy Language Model Priors

具有噪声语言模型先验的顺序因果发现

Prakhar Verma, David Arbour, Sunav Choudhary, Harshita Chopra, Arno Solin, Atanu R. Sinha

机构 * ELLIS Institute Finland and Aalto University（芬兰ELLIS研究所和阿尔托大学） ； Adobe Research（Adobe研究） ； University of Washington, Seattle（华盛顿大学（西雅图）） 纠错

AI总结 本文提出一种混合框架，通过适应性整合顺序批次数据与噪声专家知识，提升因果发现的准确性，并扩展到参数估计，展示了对语言模型噪声的鲁棒性。

Comments 32 pages, Transactions on Machine Learning Research - TMLR (04/2026)

Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

基于证据先验的因果推断估计的贝叶斯敏感性

Nikita Dhawan, Daniel Shen, Leonardo Cotta, Chris J. Maddison

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Waterloo（滑铁卢大学） 纠错

AI总结 本文提出贝叶斯敏感性值（BSV）框架，用于评估因果推断估计在假设违反下的稳健性，通过实证研究展示其在糖尿病治疗与体重损失关系中的应用。

Comments TMLR 2026

Synergistic Benefits of Joint Molecule Generation and Property Prediction

联合分子生成与性质预测的协同效益

Adam Izdebski, Jan Olszewski, Pankhil Gawade, Krzysztof Koras, Serra Korkmaz, Valentin Rauscher, Jakub M. Tomczak, Ewa Szczurek

机构 * Institute of AI for Health, Helmholtz Zentrum Munchen（人工智能与健康研究所，海德堡中心） ； Technical University of Munich（慕尼黑技术大学） ； School of Computation, Information and Technology（计算、信息与技术学院） ； Faculty of Mathematics, Informatics and Mechanics, University of Warsaw（数学、信息学与力学学院，华沙大学） ； Ardigen SA（Ardigen公司） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 本文提出Hyformer模型，通过交替注意力机制和联合预训练方案，实现分子生成与性质预测的协同优化，提升了条件采样、异常分布预测和表征学习性能。

Comments 17 pages, 4 figures

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

A Resilience Framework for Bi-Criteria Combinatorial Optimization with Bandit Feedback

双目标组合优化的鲁棒框架与带反馈机制

Vaneet Aggarwal, Shweta Jain, Subham Pokhriyal, Christopher John Quinn

机构 * Purdue University（普渡大学） ； IIT Ropar（罗帕尔理工学院） ； Iowa State University（爱荷华州立大学） 纠错

AI总结 本文提出双目标组合优化的鲁棒框架，通过带反馈机制将离线算法转化为在线算法，实现子线性遗憾和约束违反的渐近最优。

Journal ref Transactions on Machine Learning Research, May 2026

Proximal Policy Distillation

近端策略蒸馏

Giacomo Spigler

机构 * AI for Robotics Lab (AIR-Lab)（人工智能机器人实验室） ； Department of Cognitive Science and Artificial Intelligence（认知科学与人工智能系） ； Tilburg University（蒂尔堡大学） 纠错

AI总结 本文提出PPD方法，结合学生驱动蒸馏和近端策略优化，提升样本效率并利用学生策略在蒸馏过程中收集的额外奖励。在多种强化学习环境中验证了其有效性。

Journal ref Transactions on Machine Learning Research, ISSN 2835-8856 (2025)

Overcoming Output Dimension Collapse: When Sparsity Enables Zero-shot Brain-to-Image Reconstruction at Small Data Scales

克服输出维度崩溃：当稀疏性使零样本脑到图像重建在小数据规模下成为可能

Kenya Otsuka, Yoshihiro Nagano, Yukiyasu Kamitani

AI总结 本文研究了小数据规模下稀疏性如何缓解脑到图像重建中的输出维度崩溃问题，通过分析两种回归模型的行为，提出最佳预测诊断方法以量化其影响。

Journal ref Transactions on Machine Learning Research, 2026

Make Your LVLM KV Cache More Lightweight

使大型视觉-语言模型的KV缓存更轻量

Xihao Chen, Yangyang Guo, Roger Zimmermann

机构 * Integrative Sciences and Engineering Programme, National University of Singapore（国立新加坡大学整合科学与工程学程） ； School of Computing, National University of Singapore（国立新加坡大学计算机学院） 纠错

AI总结 本文提出LightKV方法，通过利用视觉token嵌入的冗余性，减少KV缓存大小，提升解码效率并降低GPU内存消耗。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2026

Learning Multimodal Energy-Based Model with Multimodal Variational Auto-Encoder via MCMC Revision

通过MCMC修订学习多模态能量模型与多模态变分自编码器

Jiali Cui, Zhiqiang Lao, Heather Yu

机构 * Futurewei Technologies Inc（未来联合技术公司） 纠错

AI总结 本文提出通过MCMC修订将多模态EBM、共享潜在生成器和联合推断模型的学习过程交织，提升多模态数据生成的质量与一致性。

Comments Transactions on Machine Learning Research, 2026

Graph Concept Bottleneck Models

图概念瓶颈模型

Haotian Xu, Tsui-Wei Weng, Lam M. Nguyen, Tengfei Ma

机构 * Department of Applied Mathematics & Statistics（应用数学与统计学系） ； State University of New York at Stony Brook（石溪州立大学） ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； University of California, San Diego（加州大学圣地亚哥分校） ； Thomas J. Watson Research Center（汤普森·J·沃森研究中心） ； IBM Research（IBM研究院） ； Department of Biomedical Informatics（生物医学信息学系） 纠错

AI总结 图概念瓶颈模型通过构建潜在概念图来增强概念关系，提升模型性能和可解释性，实验证明其在图像分类中具有更高的准确性与鲁棒性。

Comments TMLR March 2026

Revisiting CroPA: A Reproducibility Study and Enhancements for Cross-Prompt Adversarial Transferability in Vision-Language Models

重新审视CroPA：面向视觉-语言模型跨提示对抗转移性的可重复性研究与改进

Atharv Mittal, Agam Pandey, Amritanshu Tiwari, Sukrit Jindal, Swadesh Swain

机构 * Mehta Family School of Data Science and Artificial Intelligence（梅hta家族数据科学与人工智能学院） ； Indian Institute of Technology, Roorkee（印度理工学院罗奥克学院） ； Department of Civil Engineering（土木工程系） ； Department of Electronics and Communication（电子与通信系） 纠错

AI总结 本文重新审视CroPA，验证其跨提示转移性，并提出改进方法，包括新的初始化策略、跨图像迁移性研究及针对视觉编码器的损失函数，提升对抗有效性。

Comments Accepted to MLRC 2025

Journal ref Transactions on Machine Learning Research (TMLR), 2025. Available at OpenReview: https://openreview.net/forum?id=5L90cl0xtf

Last-Iterate Convergence of General Parameterized Policies in Constrained MDPs

在约束马尔可夫决策过程中的通用参数化策略的最后迭代收敛性

Washim Uddin Mondal, Vaneet Aggarwal

机构 * IIT Kanpur（IIT坎普尔） ； Purdue University（普渡大学） 纠错

AI总结 本文提出了一种基于对偶的正则化加速自然策略梯度算法，用于学习约束马尔可夫决策过程，改进了通用参数化CMDP的最后迭代保证。

Comments Published in Transactions on Machine Learning Research (TMLR)

Primus: Enforcing Attention Usage for 3D Medical Image Segmentation

Primus：强制使用注意力机制用于3D医学图像分割

Tassilo Wald, Saikat Roy, Fabian Isensee, Constantin Ulrich, Sebastian Ziegler, Dasha Trofimova, Raphael Stock, Michael Baumgartner, Gregor Köhler, Klaus Maier-Hein

机构 * Division of Medical Image Computing, German Cancer Research Center, Heidelberg（德国癌症研究中心医学图像计算部门，海德堡） ； Faculty of Mathematics and Computer Science, Heidelberg University（海德堡大学数学与计算机科学学院） ； Helmholtz Imaging, German Cancer Research Center（德国癌症研究中心赫尔姆霍茨成像中心） ； Medical Faculty, Heidelberg University（海德堡大学医学系） ； National Center for Tumor Diseases (NCT), NCT Heidelberg（海德堡国家肿瘤疾病中心（NCT）） ； Pattern Analysis and Learning Group, Department of Radiation Oncology（放射肿瘤学系模式分析与学习小组） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi（阿布扎克穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出Primus和PrimusV2，通过引入Transformer为中心的分割架构，解决了现有Transformer模型在3D医学图像分割中的不足，实现了与CNNs的竞争力。

Comments Accepted in Transactions on Machine Learning Research (TMLR)

Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes

贝叶斯X学习器：在重尾结果下的校准后验推断用于异质处理效应

Eichi Uehara

机构 * Independent researcher（独立研究者） 纠错

AI总结 本文提出贝叶斯X学习器，通过交叉拟合双重稳健伪结果和Welsch红降伪似然，实现对异质处理效应的校准后验推断，具有鲁棒性与高精度。

Comments 47 pages, 7 figures, 25 tables. Code: https://github.com/EichiUehara/bayesian-X-Leaner. Prepared for submission to TMLR

UniRec: Unified Multimodal Encoding for LLM-Based Recommendations

UniRec：基于LLM的推荐系统的统一多模态编码

Zijie Lei, Tao Feng, Zhigang Hua, Yan Xie, Guanyu Lin, Shuang Yang, Ge Liu, Jiaxuan You

AI总结 UniRec通过统一多模态编码解决推荐系统中多模态信息的理解挑战，提出三元组表示和分层Q-Former结构，实现在多个基准测试中提升15%的性能。

Journal ref Transactions on Machine Learning Research, 2026