TMLR

CodecSep: Prompt-Driven Universal Sound Separation on Neural Audio Codec Latents

CodecSep: 基于提示的通用神经音频编解码器潜在空间声音分离

Adhiraj Banerjee, Vipul Arora

机构 * Department of Electrical Engineering（电气工程系） ； Indian Institute of Technology, Kanpur（印度理工学院，坎浦尔） 纠错

AI总结 CodecSep通过在神经音频编解码器潜在空间中直接提取声源，实现开放词汇声音分离，相比AudioSep在SI-SDR指标上表现更优，且在ViSQOL和MOS-LQS上取得显著提升，同时提供低延迟的代码流部署方案。

Comments main content- 27 pages, total - 53 pages, 12 figure, Accepted by Transactions on Machine Learning Research (TMLR), 2026

Journal ref Transactions on Machine Learning Research, 2026. ISSN 2835-8856

Learning Robust Penetration Testing Policies under Partial Observability: A systematic evaluation

学习部分可观测下的鲁棒渗透测试策略：系统评估

Raphael Simon, Pieter Libin, Wim Mees

机构 * Cyber Defence Lab, CISS Department Royal Military Academy（国防网络安全实验室，信息与系统科学系皇家军事学院） ； AI Lab, Department of Computer Science Vrije Universiteit Brussel（人工智能实验室，计算机科学系自由大学布鲁塞尔） 纠错

AI总结 针对部分可观测的渗透测试问题，系统评估了多种PPO变体（如帧堆叠、历史观测增强、LSTM/TrXL架构）在主机网络中的性能，发现历史聚合策略收敛速度提升四倍，并揭示了策略的定性差异。

Comments Published in Transactions on Machine Learning Research (TMLR) https://openreview.net/forum?id=YkUV7wfk19. 25 pages, 8 figures. Code and StochNASim environment are available at https://github.com/raphsimon/StochNASim

Journal ref Transactions on Machine Learning Research, 2026

Sparsity-Driven Plasticity in Multi-Task Reinforcement Learning

稀疏性驱动的多任务强化学习中的可塑性

Aleksandar Todorov, Juan Cardenas-Cartagena, Rafael F. Cunha, Marco Zullich, Matthia Sabatelli

机构 * University of Groningen（Groningen大学） 纠错

AI总结 本文研究了多任务强化学习中可塑性退化问题，通过渐进幅度剪枝和稀疏进化训练等方法提升可塑性，实验表明稀疏化能有效缓解神经元休眠和表征崩溃，提升多任务性能。

Journal ref Transactions on Machine Learning Research (TMLR), ISSN 2835-8856, 2025. Published 28 Jul 2025