TMLR

Training Non-Differentiable Networks via Optimal Transport

基于最优传输训练不可微网络

An T. Le

AI总结 该研究提出PolyStep方法，通过最优传输框架利用前向传播训练不可微网络，在脉冲网络、MAX-SAT等任务上优于多数无梯度基线，仅前向传播即可实现子空间平稳性。

Comments 93 pages, 26 tables, 6 figures, submitted to Transactions on Machine Learning Research

Unified Convergence Theory of Stochastic and Variance-Reduced Cubic Newton Methods

随机与方差减少立方牛顿方法的统一收敛理论

El Mahdi Chayti, Nikita Doikov, Martin Jaggi

机构 * Machine Learning and Optimization Laboratory (MLO), EPFL（机器学习与优化实验室（MLO），EPFL） 纠错

AI总结 本文提出了一种统一框架，用于分析随机和方差减少的立方牛顿方法，提供了全局复杂性保证，并改进了大规模问题的计算效率。

Comments Published in Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research (2024)

Efficient Image Restoration with State-Dependent Forward Diffusion

基于状态依赖正向扩散的高效图像复原

Ziwei Luo, Fredrik K. Gustafsson, Jens Sjölund, Thomas B. Schön

AI总结 该研究提出状态依赖均值回复正向扩散（FoD）框架，以单正向扩散过程实现高效图像复原，其含状态依赖SDE，可少步采样，在多类图像复原任务上性能优于多种对比方法。

Comments Accepted by TMLR. Project page: https://algolzw.github.io/fod

Heterogeneous Matrix Factorization: When Features Differ by Datasets

Naichen Shi, Raed Al Kontar, Salar Fattahi

Journal ref Transactions on Machine Learning Research (2026)

Chance-Constrained Inference for Hallucination Risk Control in Large Language Models

针对大语言模型幻觉风险的置信约束推断

Sreenivasan Mohandas

机构 * International Institute of Information Technology, Hyderabad, India（国际信息科技研究所，海得拉巴，印度） 纠错

AI总结 本研究提出置信约束推断方法，通过限制幻觉发生的概率，实现大语言模型在部署时的风险控制，实验显示其在风险控制、输入检测和重复使用中的有效性。

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

Patch-based Memory Gate Model in Time Series Foundation Model

MOMEMTO：基于补丁的记忆门模型在时间序列基础模型中的应用

Samuel Yoon, Jongwon Kim, Juyoung Ha, Young Myoung Ko

机构 * Pohang University of Science and Technology（浦项科学技术大学） 纠错

AI总结 MOMEMTO通过基于补丁的记忆模块改进时间序列基础模型，有效缓解过度泛化问题，提升异常检测性能，尤其在少样本学习中表现突出。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026

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

A New First-Order Meta-Learning Algorithm with Convergence Guarantees

一种具有收敛性保证的新型一阶元学习算法

El Mahdi Chayti, Martin Jaggi

AI总结 该研究提出了具有收敛性保证的一阶元学习算法FO-B-MAML，其性能接近二阶MAML且内存开销低，可扩展至深度模型。

Journal ref Transactions on Machine Learning Research (2026)

Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey

基于约束的因果发现的条件独立性检验：综述

Pavel Averin, Theodoros Moysiadis, Ioannis Katakis

AI总结 该综述针对生物医学领域常见的高维混合类型场景，梳理六大类条件独立性检验方法，分析其优缺点，关联测试级与图级错误，对比主流库应用并总结开放挑战。

Comments 33 pages. Published in Transactions on Machine Learning Research (07/2026). https://openreview.net/forum?id=3jzafJK8Tz

Journal ref Transactions on Machine Learning Research (07/2026)

Clarity: The Flexibility-Interpretability Trade-Off in Sparsity-aware Concept Bottleneck Models

Clarity：稀疏性感知概念瓶颈模型中的灵活性与可解释性权衡

Konstantinos P. Panousis, Diego Marcos

机构 * Department of Statistics, University of Economics and Business（经济与商业大学统计系） ； UMR TETIS, Inria, EVERGREEN, University of Montpellier（蒙彼利埃大学） 纠错

AI总结 研究探讨了概念瓶颈模型中稀疏性对语义对齐的影响，提出Clarity指标衡量下游性能与概念激活稀疏性和精度的相互作用，通过实验揭示灵活性与可解释性之间的关键权衡。

Journal ref Transactions on Machine Learning Research (2026)

Behavioral Inference at Scale: The Fundamental Asymmetry Between Motivations and Belief Systems

大规模行为推断：动机与信念系统之间的根本不对称性

Jason Starace, Terence Soule

机构 * Department of Computer Science University of Idaho（计算机科学系 俄克拉荷马州立大学） 纠错

AI总结 研究通过大规模实验揭示动机与信念系统在行为推断中的根本不对称性，发现动机推断效率远超信念系统，且信念系统推断的瓶颈在于信息理论限制。

Comments Published in Transactions on Machine Learning Research (2026). OpenReview: https://openreview.net/forum?id=aDMDqtw63H

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

On The Statistical Limits of Self-Improving Agents

关于自我改进智能体的统计极限

Charles L. Wang, Keir Dorchen, Peter Jin

机构 * Columbia University（哥伦比亚大学） 纠错

AI总结 研究探讨了自我改进智能体的统计极限，揭示了效用驱动的自我修改可能引发的学习能力下降问题，并提出了容量有界条件下的安全自我改进边界。

Comments Published in TMLR 2026

Token-Based Detection of Spurious Correlations in Vision Transformers

基于Token的视觉Transformer虚假相关性检测

Solha Kang, Esla Timothy Anzaku, Wesley De Neve, Arnout Van Messem, Joris Vankerschaver, Francois Rameau, Utku Ozbulak

机构 * Center for Biosystems and Biotech Data Science（生物系统与生物技术数据科学中心） ； Ghent University Global Campus（根特大学全球校区） ； State University of New York Korea（纽约州立大学韩国分校） ； Department of Mathematics（数学系） ； Université de Liège（列日大学） ； Department of Applied Mathematics, Computer Science and Statistics（应用数学、计算机科学与统计学系） ； Ghent University（根特大学） ； Department of Electronics and Information Systems（电子与信息系统系） 纠错

AI总结 本研究提出基于Token的诊断流程，通过留一Token移除法检测视觉Transformer中的虚假相关性，经ImageNet等实验验证了方法的有效性，还探讨了虚假信号的来源及相关案例。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR)

Emergent Neural Network Mechanisms for Generalization to Objects in Novel Orientations

面向新朝向物体泛化的涌现神经网络机制

Avi Cooper, Xavier Boix, Daniel Harari, Spandan Madan, Hanspeter Pfister, Tomotake Sasaki, Pawan Sinha

AI总结 该研究探究DNNs对训练分布外朝向物体的泛化能力，发现其可通过熟悉物体的朝向不变性实现，且与调谐共同特征的神经元有关，揭示类脑泛化机制。

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

Fairness in Link Prediction Beyond Demographic Parity: A Reproducibility Study

超越人口 parity 的链接预测公平性：一项可复现性研究

Valentijn Oldenburg, Floris de Kam, Stef de Wildt, Jarno Nilson Balk

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本研究复现并验证了 Mattos 等人关于人口 parity（Δ_DP）无法检测链接预测曝光偏差的观点，提出 NDKL 可检测此类偏差，复现 MORAL 的有效性并评估其鲁棒性，证实 MORAL 能减少隐藏偏差且效用损失极小。

Comments Published in Transactions on Machine Learning Research (05/2026)

Journal ref Transactions on Machine Learning Research, 2026

XFeat Revisited: Reproducibility and Evaluation of a Lightweight Image Matcher

XFeat 再探讨：轻量级图像匹配器的可复现性与评估

Lazar Đoković, Aimee Lin

AI总结 本研究复现并评估轻量级图像匹配器XFeat，发现其在部分基准数据集上表现接近或优于原始检查点，同时揭示其架构设计的局限性及跨模态匹配的性能边界。

Comments 21 pages, 6 figures. Published in Transactions on Machine Learning Research (TMLR); Reproducibility Certification

Journal ref Transactions on Machine Learning Research, August 2026

EFFEKT: Efficient Federated Knowledge Transfer to Foundation Models

EFFEKT：面向基础模型的高效联邦知识迁移

Matteo Caligiuri, Francesco Barbato, Pietro Zanuttigh, Francesco Restuccia

机构 * Northeastern University（东北大学） ； University of Padua（帕多瓦大学） 纠错

AI总结 EFFEKT是一种联邦学习框架，通过双向跨蒸馏策略，结合轻量级客户端代理模型与服务器端基础模型，实现高效的领域特定LoRA适配器训练，在低功耗边缘设备上性能优于基线。

Comments 12 main content pages, 8 appendix pages; 3 main figures, 9 appendix figures; 8 main tables, 9 appendix tables; 1 main algorithm, 4 appendix algorithms; accepted at TMLR

Open Technical Problems in Open-Weight AI Model Risk Management

开放权重AI模型风险管理中的开放技术问题

Stephen Casper, Kyle O'Brien, Shayne Longpre, Elizabeth Seger, Kevin Klyman, Rishi Bommasani, Aniruddha Nrusimha, Ilia Shumailov, Sören Mindermann, Steven Basart, Frank Rudzicz, Kellin Pelrine, Avijit Ghosh, Andrew Strait, Robert Kirk, Dan Hendrycks, Peter Henderson, Zico Kolter, Geoffrey Irving, Yarin Gal, Yoshua Bengio, Dylan Hadfield-Menell

AI总结 本文指出开放权重AI模型风险管理存在16项涉及多环节的技术挑战，强调相关研究需兼顾开放性，以实现其益处并减轻危害。

Comments Published in Transactions on Machine Learning Research (03/2026) Reviewed on OpenReview: https: // openreview. net/ forum? id= 8QyGLnFkzc

Legal Retrieval for Public Defenders

为公共辩护人设计的法律检索

Dominik Stammbach, Kylie Zhang, Patty Liu, Nimra Nadeem, Inyoung Cheong, Lucia Zheng, Peter Henderson

AI总结 本文提出了一种针对公共辩护人工作的法律检索工具，通过引入领域知识提升检索效果，并发布了一个真实辩护人检索查询的分类学和手动标注的数据集，以改进现实中的法律检索基准。

Comments Forthcoming TMLR

Family Matters: A Systematic Study of Spatial vs. Frequency Masking for Continual Test-Time Adaptation

家庭事务：空间掩码与频率掩码在连续测试时自适应中的系统研究

Chandler Timm C. Doloriel, Yunbei Zhang, Yeonguk Yu, Taki Hasan Rafi, Muhammad salman siddiqui, Tor Kristian Stevik, Fadi Al Machot, Kristian Hovde Liland, Habib Ullah

机构 * Faculty of Science and Technology (REALTEK), Norwegian University of Life Sciences (NMBU)（科学与技术学院（REALTEK）、挪威生命科学大学） ； Tulane University（路易斯安那州立大学） ； Gwangju Institute of Science and Technology（全州科学技术学院） ； Hanyang University（翰阳大学） 纠错

AI总结 通过控制变量实验，系统研究了空间掩码与频率掩码在连续测试时自适应中的效果，发现空间掩码在补丁标记化架构上积累稳定表示，而频率掩码导致灾难性崩溃，且最优掩码家族取决于架构-任务对齐。

Comments Accepted to TMLR 2026, camera-ready at https://openreview.net/forum?id=pBI64qNXHp; code at https://github.com/chandlerbing65nm/m2a.git

Enhance the Safety in Reinforcement Learning by ADRC Lagrangian Methods

通过ADRC拉格朗日方法增强强化学习的安全性

Mingxu Zhang, Huicheng Zhang, Jiaming Ji, Yaodong Yang, Ying Sun

机构 * AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（人工智能方向，香港科技大学（广州）） ； School of Artificial Intelligence, Peking University, Beijing, China（人工智能学院，北京大学，北京，中国） ； Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

AI总结 本文提出ADRC-拉格朗日方法，通过主动扰动抵消控制提升强化学习的安全性，实验显示在复杂环境中显著减少安全违规和成本

Journal ref Transactions on Machine Learning Research, 2026

Length-MAX Tokenizer for Language Models

用于语言模型的Length-MAX分词器

Dong Dong, Weijie Su

机构 * Dong Dong（董东） ； Weijie Su（苏伟杰） 纠错

AI总结 Length-MAX分词器通过优化平均token长度，提高了语言模型的效率和下游任务性能。

Comments Accepted at Transactions on Machine Learning Research (TMLR). OpenReview: https://openreview.net/forum?id=CRjrpwGD9A

Probing Visual Concepts in Lightweight Vision-Language Models for Automated Driving

探测轻量视觉语言模型中视觉概念以用于自动驾驶

Nikos Theodoridis, Reenu Mohandas, Ganesh Sistu, Anthony Scanlan, Ciarán Eising, Tim Brophy

机构 * University of Limerick（利默里克大学） ； Valeo Vision Systems, Ireland（爱尔兰瓦莱欧视觉系统） ； Department of Electronic and Computer Engineering（电子与计算机工程系） 纠错

AI总结 本研究探讨了轻量视觉语言模型在自动驾驶中的视觉概念编码问题，发现某些概念显式编码而其他隐式编码，并识别出感知和认知两种失败模式。

Journal ref Transactions on Machine Learning Research, 2026

Optimization as a Dynamical System: Generative Schedules from Latent ODEs

作为动力系统的优化：来自潜在常微分方程（Latent ODE）的生成式学习率调度

Matt L. Sampson, Peter Melchior

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 该研究提出一种基于潜在常微分方程的元学习调度器，可生成梯度下降的最优学习率调度，在图像分类、下一个token预测任务上优于基准，能提升模型泛化能力且计算高效。

Comments Accepted in Transactions on Machine Learning Research (TMLR)

Symbolic Graphics Programming with Large Language Models

基于大语言模型的符号图形编程

Yamei Chen, Haoquan Zhang, Yangyi Huang, Zeju Qiu, Kaipeng Zhang, Yandong Wen, Weiyang Liu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Westlake University（西湖大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） 纠错

AI总结 本文针对大语言模型生成符号图形程序（SGP）能力不足的问题，提出带可验证奖励的强化学习方法，在Qwen-2.5-7B上实现与前沿系统相当的SVG生成性能，揭示SGP是跨模态 grounding 的有效视角。

Comments Accepted by Transactions on Machine Learning Research. (32 pages, 12 figures.) This version refines the paper structure, adds experimental results. Project page: https://spherelab.ai/SGP-Gen/

Adapting Vision Foundation Models with Cascaded Semantics

利用级联语义适配视觉基础模型

Xi Xiao, Xingjian Li, Cheng Han, Tianyang Wang, Lin Zhao, Yunbei Zhang, Guosheng Hu, Runmin Jiang, Xi Li, Xiao Wang, Min Xu

机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Missouri–Kansas City（密苏里大学堪萨斯城分校） ； Northeastern University（东北大学） ； Tulane University（杜兰大学） ； University of Bristol（布里斯托大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

AI总结 该研究针对现有视觉提示调优（VPT）未利用先验知识的问题，提出向VPT注入两类语义先验的级联方案，在34个图像分类数据集上仅调优0.74%的ViT参数即实现优异下游适配效果。

Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026. Project page: https://xixiaouab.github.io/Cascaded-Semantics/

ASAT: Adaptive Scoring and Thresholding with Human Feedback for Robust Out-of-Distribution Detection

ASAT：结合人类反馈的自适应评分与阈值方法用于鲁棒分布外检测

Daisuke Yamada, Harit Vishwakarma, Ramya Korlakai Vinayak

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 ASAT是结合人类反馈的人机协作框架，可实时更新评分函数与阈值，在静态条件下控制FPR并最大化TPR，非静态条件下适应分布漂移，在OpenOOD基准上性能优于现有方法。

Comments Published in TMLR (2026) with J2C Certification

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

Optimal or Greedy Decision Trees? Revisiting their Objectives, Tuning, and Performance

最优决策树还是贪心决策树？重新审视它们的目标、调参与性能

Jacobus G. M. van der Linden, Daniël Vos, Mathijs M. de Weerdt, Sicco Verwer, Emir Demirović

AI总结 本文针对最优决策树（ODT）与贪心决策树的目标、调参与性能等开放问题开展迄今规模最大的实验研究，证实ODT可直接优化目标函数、超参数调优至关重要等结论，驳斥了两个先前假设并给出使用建议与代码。

Comments Reviewed on OpenReview https://openreview.net/forum?id=DvDOAtskXl

Journal ref Transactions on Machine Learning Research (2026)

NeuMoSync: End-to-End Neuromodulatory Control for Plasticity and Adaptability in Continual Learning

NeuMoSync：面向持续学习中可塑性与适应性的端到端神经调节控制

Seyed Roozbeh Razavi Rohani, Khashayar Khajavi, Wesley Chung, Mandana Samiei, Mo Chen

机构 * Simon Fraser University（西蒙菲莎大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

AI总结 该研究提出新型架构 NeuMoSync，借鉴大脑神经调节机制，为深度神经网络添加神经元特异性调节模块，在多种持续学习基准上提升了模型的可塑性与前后向适应能力。

Comments Published in Transactions on Machine Learning Research (TMLR)

Random features for Grassmannian kernel approximation with bounded rank-one projections

用于带约束秩一投影的Grassmann核近似的随机特征

Rémi Delogne, Laurent Jacques

机构 * UCLouvain（天主教鲁汶大学） ； INMA ； ICTEAM 纠错

AI总结 该研究提出带约束秩一投影的随机特征，用于近似Grassmann核，可降低计算内存开销，在合成数据和ETH-80分类任务上表现良好，为经典Grassmann核提供可扩展替代方案。

Comments 33 pages, 6 figures, J2C certification

Journal ref Transactions on Machine Learning Research, July 2026

A Survey of Agent Memory in the Second Half: Towards Self-Evolving and Long-Horizon Agents

重新思考基础智能体的内存机制：第二阶段综述

Wei-Chieh Huang, Weizhi Zhang, Yueqing Liang, Yuanchen Bei, Yankai Chen, Tao Feng, Xinyu Pan, Zhen Tan, Yu Wang, Tianxin Wei, Shanglin Wu, Ruiyao Xu, Liangwei Yang, Rui Yang, Wooseong Yang, Chin-Yuan Yeh, Hanrong Zhang, Haozhen Zhang, Siqi Zhu, Henry Peng Zou, Wanjia Zhao, Song Wang, Wujiang Xu, Zixuan Ke, Zheng Hui, Dawei Li, Yaozu Wu, Langzhou He, Chen Wang, Xiongxiao Xu, Baixiang Huang, Juntao Tan, Shelby Heinecke, Huan Wang, Caiming Xiong, Ahmed A. Metwally, Jun Yan, Chen-Yu Lee, Hanqing Zeng, Yinglong Xia, Xiaokai Wei, Ali Payani, Yu Wang, Haitong Ma, Wenya Wang, Chenguang Wang, Yu Zhang, Xin Eric Wang, Yongfeng Zhang, Jiaxuan You, Hanghang Tong, Xiao Luo, Xue Liu, Yizhou Sun, Wei Wang, Julian McAuley, James Zou, Jiawei Han, Philip S. Yu, Kai Shu

机构 * UIC（伊利诺伊大学香槟分校） ； IIT（伊利诺伊理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； ASU（亚利桑那州立大学） ； Emory（埃默里大学） ； Northwestern（西北大学） ； NTU（国立台湾大学） ； UCF（佛罗里达大学） ； Rutgers（新泽西罗格斯大学） ； Cambridge（剑桥大学） ； Harvard（哈佛大学） ； UTokyo（东京大学） ； UCSD（加州大学圣地亚哥分校） ； UCSC（加州大学圣塔克鲁斯分校） ； TAMU（德克萨斯大学奥斯汀分校） ； UCSB（加州大学圣塔芭芭拉分校） ； MBZUAI（马克斯·普朗克人工智能研究所） ； McGill（麦吉尔大学） ； UCLA（加州大学洛杉矶分校） ； Stanford（斯坦福大学） ； Salesforce ； Google（谷歌） ； Meta ； Roblox ； Cisco（思科） ； Capital One 纠错

AI总结 本文综述了基础智能体内存机制，从内存基质、认知机制和主体维度分析内存在不同拓扑结构下的实现，并探讨内存操作的学习策略与评估指标。

Comments Accepted at Transactions on Machine Learning Research (TMLR) with Survey Certification. Project page: https://github.com/AgentMemoryWorld/Awesome-Agent-Memory