TMLR

Language-Pretraining-Induced Bias: A Strong Foundation for General Vision Tasks

语言预训练引入的偏差：一种强大的基础视觉任务通用性基础

Yaxin Luo, Zhiqiang Shen

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出随机标签桥梁训练方法，通过模态适应学习有效对齐大语言模型参数与视觉任务，揭示部分桥梁训练在视觉任务中的优势。

Comments Main manuscript: 13 pages, 9 figures. Appendix: 8 pages, 5 figures. Accepted in Transactions on Machine Learning Research (TMLR) 2026

A Unifying Framework for Parallelizing Sequential Models with Linear Dynamical Systems

一种基于线性动态系统并行化序列模型的统一框架

Xavier Gonzalez, E. Kelly Buchanan, Hyun Dong Lee, Jerry Weihong Liu, Ke Alexander Wang, David M. Zoltowski, Leo Kozachkov, Christopher Ré, Scott W. Linderman

机构 * Stanford University（斯坦福大学） ； Brown University（布朗大学） 纠错

AI总结 本文提出一种基于线性动态系统（LDSs）的统一框架，用于并行化序列模型，分析了牛顿、皮卡德和雅可比迭代方法的收敛速率，并通过案例研究验证了理论预测。

Comments TMLR. Code: https://github.com/lindermanlab/parallelizing_with_lds

Amortized Inference of Causal Models via Conditional Fixed-Point Iterations

通过条件固定点迭代实现因果模型的 amortized 推断

Divyat Mahajan, Jannes Gladrow, Agrin Hilmkil, Cheng Zhang, Meyer Scetbon

机构 * Mila, Université de Montréal（蒙特利尔大学米拉研究所） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出一种 amortized 推断框架，通过条件固定点迭代推断因果模型的因果机制，能够在不更新参数的情况下生成观测和干预数据，实验表明其在数据稀缺时表现更优。

Comments Transactions on Machine Learning Research (TMLR) 2025 (J2C Certification). ICLR 2026