TMLR

When the Tool Decides: LLM Agents Defer Blindly to Graph Neural Network Tools, and Stronger Backbones Defer More

当工具决定时：LLM代理盲目服从图神经网络工具，更强的骨干网络服从更多

Zhongyuan Wang, Pratyusha Vemuri

机构 * raptorX.ai 纠错

AI总结 研究LLM代理在使用GNN工具时是否真正判断而非盲目服从，发现代理在97.6-99.2%的情况下完全采纳GNN输出，且更强的骨干网络服从更多，选择性调用设计受限。

Comments 9 pages, 2 figures. Under review at TMLR

Structured Noise Adaptation for Sequential Bayesian Filtering with Embedded Latent Transfer Operators

基于嵌入潜传递算子的序贯贝叶斯滤波的结构化噪声自适应

Naichang Ke, Pongpisit Thanasutives, Yoshinobu Kawahara

机构 * The University of Osaka（大阪大学） ； RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所革新智能综合研究中心（AIP）） 纠错

AI总结 针对ELTO卡尔曼滤波器噪声模型无法适应非平稳过程的问题，提出结构化噪声参数化方法，结合最优时不变噪声学习与动态参数自适应，提升时变噪声环境下的状态估计性能。

Comments Accepted by TMLR

Concatenated Matrix SVD: Compression Bounds, Incremental Approximation, and Error-Constrained Clustering

拼接矩阵SVD：压缩界限、增量近似与误差约束聚类

Maksym Shamrai

机构 * Institute of Mathematics of NAS of Ukraine（乌克兰国家科学院数学研究所） ； MacPaw Research（MacPaw研究） 纠错

AI总结 针对拼接后截断SVD压缩中哪些矩阵可安全合并的问题，提出基于谱界和增量SVD的聚类框架，实现显式误差约束下的压缩感知矩阵分组。

Comments Published in Transactions on Machine Learning Research (06/2026)

Journal ref Transactions on Machine Learning Research (2026)

A Unified Theory of Sinusoidal Activation Families for Implicit Neural Representations

隐式神经表示的正弦激活函数族统一理论

Alireza Morsali, MohammadJavad Vaez, Mohammadhossein Soltani, Amirhossein Kazerouni, Babak Taati, Morteza Mohammad-Noori

机构 * McGill University（麦吉尔大学） ； University of Melbourne（墨尔本大学） ； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems (MACSYS)（细胞系统数学分析卓越中心（MACSYS）） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University Health Network（大学健康网络） ； University of Tehran（塔里斯坦大学） 纠错

AI总结 提出STAF框架，通过可学习振幅、频率和相位的傅里叶式激活函数，理论分析其表达能力、NTK谱变化及初始化，实验证明在图像、音频、形状、逆问题和NeRF任务中优于或匹敌现有方法。

Comments Published in TMLR

Hard-Negative Sampling for Contrastive Learning: Optimal Representation Geometry and Neural- vs Dimensional-Collapse

对比学习中的硬负样本：最优表示几何与神经折叠与维度折叠

Ruijie Jiang, Thuan Nguyen, Shuchin Aeron, Prakash Ishwar

机构 * Department of Electrical Engineering, Tufts University（Tufts大学电气工程系） ； Department of Engineering, Engineering Technology, East Tennessee State University（东田纳西州立大学工程系） ； Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） 纠错

AI总结 本文证明了在对比学习中，SCL、HSCL和UCL的损失最小化需要神经折叠几何，且HSCL和HUCL损失下界不低于SCL和UCL。同时，通过随机初始化和合适难度级别，Adam优化可收敛至神经折叠几何，而无硬负样本或特征归一化则会导致维度折叠。

Comments Final version: Reviewed and accepted to TMLR April 2025. Updated exposition, Added analysis of lower bounds

Journal ref Transactions on Machine Learning Research, 2025