TMLR

The Final-Stage Bottleneck: A Systematic Dissection of the R-Learner for Network Causal Inference

最终阶段瓶颈：网络因果推断中R学习器的系统解剖

S Sairam, Sara Girdhar, Shivam Soni

机构 * PES University（PES大学） 纠错

AI总结 本文系统分析了R学习器在网络数据中的表现，发现最终阶段的CATE估计器的归纳偏差是性能的关键因素，提出Graph R-Learner在解决最终阶段瓶颈方面优于传统方法。

Comments Published In TMLR 15 pages, 4 figures

Neural Conditional Transport Maps

神经条件传输映射

Carlos Rodriguez-Pardo, Leonardo Chiani, Emanuele Borgonovo, Massimo Tavoni

机构 * Department of Management, Economics and Industrial Engineering, Politecnico di Milano（米兰理工大学管理、经济与工业工程系） ； RFF-CMCC European Institute on Economics and the Environment (EIEE)（RFF-CMCC欧洲经济与环境研究所） ； Euro-Mediterranean Center on Climate Change (CMCC)（欧洲-地中海气候变化中心） ； Bocconi University, Department of Decision Sciences（博科尼大学决策科学系） ； MIT, Department of Nuclear Science and Engineering（麻省理工学院核科学与工程系） 纠错

AI总结 本文提出神经框架学习概率分布间的条件最优传输映射，引入能处理分类和连续条件变量的机制，通过超网络生成传输层参数，实现优于简单条件方法的自适应映射，并应用于全局敏感性分析。

Comments Published in Transactions on Machine Learning Research

Towards Online Multi-Modal Social Interaction Understanding

面向在线多模态社交交互理解

Xinpeng Li, Shijian Deng, Bolin Lai, Weiguo Pian, James M. Rehg, Yapeng Tian

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出在线多模态社交交互理解问题，通过历史信息实现多模态社交交互理解，采用多模态大语言模型框架，引入多对话者预测和社交感知视觉提示，实现三个任务的最优性能。

Comments Accepted to Transactions on Machine Learning Research (TMLR). Project page: https://sampson-lee.github.io/online-mmsi-project-page

Inductive Global and Local Manifold Approximation and Projection

归纳式全局和局部流形近似与投影

Jungeum Kim, Xiao Wang

AI总结 本文提出GLoMAP和iGLoMAP，通过保留局部和全局距离估计实现数据降维和可视化，iGLoMAP利用深度神经网络处理未见数据，适用于小批量学习。

Comments Accepted at TMLR (2024)