TMLR

Poisoning the Inner Prediction Logic of Graph Neural Networks for Clean-Label Backdoor Attacks

污染图神经网络内部预测逻辑以进行干净标签后门攻击

Yuxiang Zhang, Bin Ma, Enyan Dai

机构 * AI Thrust, INFO Hub（人工智能 thrust，信息枢纽） 纠错

AI总结 本文研究了在训练标签不可修改的情况下，通过污染图神经网络内部预测逻辑实现有效的干净标签后门攻击，提出BA-Logic方法以提高攻击成功率。

Comments Under review as TMLR regular paper

Towards Generalized Certified Robustness with Multi-Norm Training

迈向多范数训练的通用认证鲁棒性

Enyi Jiang, David S. Cheung, Gagandeep Singh

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出CURE框架，通过多范数训练方法提升模型对多种扰动的鲁棒性，实验显示在多个数据集上提升了联合鲁棒性。

Comments Accepted by TMLR 2026

Socrates Loss: Unifying Confidence Calibration and Classification by Leveraging the Unknown

苏格拉底损失：通过利用未知类统一置信度校准和分类

Sandra Gómez-Gálvez, Tobias Olenyi, Gillian Dobbie, Katerina Taškova

机构 * University of Auckland（奥克兰大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 本文提出苏格拉底损失，通过引入辅助未知类统一置信度校准与分类，解决训练稳定性与性能的权衡问题，提升模型的准确性和校准性。

Comments Published at TMLR 2026. https://openreview.net/forum?id=DONqw1KhHq Video: https://youtu.be/7WuSkC-aWW8?si=9fgq5ZN7euIyGZGU Code: https://github.com/sandruskyi/SocratesLoss

Journal ref Published at TMLR 2026

Thought-Retriever: Don't Just Retrieve Raw Data, Retrieve Thoughts for Memory-Augmented Agentic Systems

Thought-Retriever: 不只是检索原始数据，为记忆增强型智能体检索思想

Tao Feng, Pengrui Han, Guanyu Lin, Ge Liu, Jiaxuan You

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出Thought-Retriever，一种无需受上下文长度限制的算法，使LLM能基于任意长外部数据生成输出。通过利用历史查询生成的中间响应，构建长期记忆，提升回答能力。

Journal ref Transactions on Machine Learning Research (TMLR), 04/2026

Quantile Q-Learning: Revisiting Offline Extreme Q-Learning with Quantile Regression

分位数Q学习：重新审视离线极值Q学习与分位数回归

Xinming Gao, Shangzhe Li, Yujin Cai, Wenwu Yu

机构 * School of Mathematics, Southeast University（东南大学数学学院） 纠错

AI总结 本文提出一种基于分位数回归的离线Q学习方法，通过估计温度系数β来改进极值Q学习的稳定性与泛化能力，实验表明其在多个基准任务中表现优异。

Comments Accepted by TMLR 2026; Code available at: https://github.com/yunqianevergarden/Quantile-Q-Learning