TMLR

Extrapolating from Regularised Solutions for Solving Ill-Conditioned Linear Systems in Machine Learning

从正则化解外推求解机器学习中的病态线性系统

Disha Hegde, Jon Cockayne, Chris. J. Oates

机构 * University of Southampton, UK（英国南安普顿大学） ； Newcastle University, UK（英国新castle大学） ； The Alan Turing Institute, UK（阿尔安图灵研究所） 纠错

AI总结 提出autonugget包，通过Richardson外推组合多个正则化解，自动稳定求解病态线性系统，兼容JAX自动微分，提高精度。

Comments Published in TMLR

Reproducing FACTER: Fairness via Conformal Thresholding and Prompt Repair

复现FACTER：通过一致性阈值和提示修复实现公平性

Oscar Miró López-Feliu, Daimy van Loo, Xanthos Kekkos, Mikel Blom, Clara Rus

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本研究复现了FACTER框架，发现其在严格复现下推荐效用存在差异，并引入静态公平零样本基线，表明动态修复机制在约束重排序中收益有限。

Comments 29 pages. Accepted by Transactions on Machine Learning Research (TMLR), 2026. OpenReview: https://openreview.net/forum?id=4BPFVex4EM. Code: https://github.com/oscar-omlf/facter-repr

Reward Modeling for Reinforcement Learning-Based LLM Reasoning: Design, Challenges, and Evaluation

基于强化学习的LLM推理中的奖励建模：设计、挑战与评估

Pei-Chi Pan, Yingbin Liang, Sen Lin

机构 * University of Houston（得克萨斯大学） ； The Ohio State University（俄亥俄州立大学） 纠错

AI总结 本文探讨了奖励建模在提升LLM推理性能中的关键作用，提出了一种以推理为中心的分类视角，分析了奖励机制、奖励黑客问题及评估挑战，旨在构建更稳健、可验证的推理模型。

Comments Accepted at Transactions on Machine Learning Research (TMLR), 2026. https://openreview.net/forum?id=TDfrN1TbGH

Code Reasoning for Software Engineering Tasks: A Survey and A Call to Action

代码推理用于软件工程任务：调查与呼吁行动

Saurabh Pujar, Ira Ceka, Irene Manotas, Gail Kaiser, Baishakhi Ray, Shyam Ramji

机构 * IBM ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文调查代码推理技术，探讨其在软件工程任务中的影响，提出未来研究方向。

Comments Published in Transactions on Machine Learning Research (06/2026) 40 pages, 8 figures, 11 tables

On the Relationship Between CoCoA and ADMM for Distributed Empirical Risk Minimization

关于CoCoA与ADMM在分布式经验风险最小化中的关系

Runxiong Wu, Andi Wang

机构 * Department of Industrial & Systems Engineering, University of Wisconsin–Madison（工业与系统工程系，威斯康星大学麦迪逊分校） 纠错

AI总结 本文从统一原始-对偶视角揭示CoCoA与ADMM两类分布式ERM算法的内在联系，证明岭正则化下CoCoA等价于特定近端ADMM方案，并给出ADMM型方法的统一收敛分析和早停准则。

Comments 21 pages, 4 figures, 1 table

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

Freeze, Prompt, and Adapt: A Framework for Source-free Unsupervised GNN Prompting

冻结、提示与适应：一种无源无监督GNN提示框架

Peyman Baghershahi, Sourav Medya

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 本文提出UGPP新场景，无需标签和源数据，通过一致性正则化和伪标签训练提示函数，解决GNN无监督提示问题，实验证明优于有监督方法。

Comments Accepted to TMLR 2026

GCN-DevLSTM: Path Development for Skeleton-Based Action Recognition

GCN-DevLSTM：基于骨架的动作识别中的路径开发

Lei Jiang, Weixin Yang, Xin Zhang, Hao Ni

机构 * University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； South China University of Technology（华南理工大学） 纠错

AI总结 本文提出GCN-DevLSTM网络，通过引入G-Dev层提升时间建模能力，有效提取骨架动作序列中的局部时间动态信息，在NTU-60、NTU-120和Chalearn2013数据集上取得竞争优势。

Journal ref Transactions on Machine Learning Research, 2026