TMLR

On the Dynamics & Transferability of Latent Generalization during Memorization

关于记忆过程中潜在泛化动态与可转移性研究

Simran Ketha, Venkatakrishnan Ramaswamy

机构 * Centre for Artificial Intelligence Research, Department of Computer Science & Information Systems, Birla Institute of Technology & Science Pilani（人工智能研究中心，计算机科学与信息系统系，比拉理工学院） 纠错

AI总结 本文研究了记忆过程中模型内部表示的潜在泛化能力动态及转移性，通过实验发现潜在泛化能力在训练早期达到峰值，并探讨了如何通过线性探针提取和转移潜在泛化。

Journal ref Transactions on Machine Learning Research 2026

Prompt-based Adaptation in Large-scale Vision Models: A Survey

基于提示的大规模视觉模型适应：综述

Xi Xiao, Yunbei Zhang, Lin Zhao, Yiyang Liu, Xiaoying Liao, Zheda Mai, Xingjian Li, Xiao Wang, Hao Xu, Jihun Hamm, Xue Lin, Min Xu, Qifan Wang, Tianyang Wang, Cheng Han

机构 * University of Alabama at Birmingham, USA（美国阿拉巴马大学伯明翰分校） ； Tulane University, USA（美国路易斯安那大学） ； Northeastern University, USA（美国东北大学） ； University of Missouri-Kansas City, USA（美国密苏里大学堪萨斯城分校） ； Johns Hopkins University, USA（约翰霍普金斯大学） ； Ohio State University, USA（俄亥俄州立大学） ； Carnegie Mellon University, USA（卡内基梅隆大学） ； Oak Ridge National Laboratory, USA（橡树岭国家实验室） ； Harvard University, USA（哈佛大学） ； Mohamed bin Zayed University of Artificial Intelligence, UAE（阿联酋Mohamed bin Zayed人工智能大学） ； Meta AI, USA（Meta AI） 纠错

AI总结 本文综述了基于提示的视觉模型适应方法，探讨了VP和VPT的核心机制及在不同领域的应用，揭示了其在测试时适应和可信AI中的作用，并总结了当前基准和未来研究方向。

Comments Accepted by TMLR 2026

Learning Representations for Independence Testing

学习独立性检验的表示

Nathaniel Xu, Feng Liu, Danica J. Sutherland

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of Melbourne（墨尔本大学） ； Alberta Machine Intelligence Institute（阿尔伯塔人工智能研究所） 纠错

AI总结 本文研究了通过变分估计互信息学习强大独立性检验的方法，探讨了变分互信息测试与HSIC测试的联系，并提出神经依赖统计量(NDS)以提升检验效能。

Comments v3: as published at TMLR (https://openreview.net/forum?id=pDvKoXRsnW), including many relatively smaller improvements