TMLR

Dynamic Neural Graph Encoding of Inference Processes in Deep Weight Space

深度权重空间中推理过程的动态神经图编码

Di Wu, Huan Liu, Zhixiang Chi, Yuanhao Yu, Konstantinos N. Plataniotis, Yang Wang

机构 * University of Toronto（多伦多大学） ； National University of Singapore（新加坡国立大学） ； McMaster University（麦马斯特大学） ； Concordia University（康科迪亚大学） 纠错

AI总结 提出动态神经图编码器（DNG-Encoder），通过动态图表示神经网络参数并保留推理的时序特性，在INR分类任务上比现有方法提升约10%准确率。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. 28 pages, 5 figures

Journal ref Transactions on Machine Learning Research, 2026

CreativityPrism: A Cross-Domain Evaluation Framework for Large Language Model Creativity

CreativityPrism：大语言模型创造力的跨域评估框架

Zhaoyi Joey Hou, Bowei Alvin Zhang, Yining Lu, Bhiman Kumar Baghel, Anneliese Brei, Ximing Lu, Meng Jiang, Faeze Brahman, Snigdha Chaturvedi, Haw-Shiuan Chang, Daniel Khashabi, Xiang Lorraine Li

机构 * University of Pittsburgh（匹兹堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Notre Dame（诺特丹大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 提出CreativityPrism框架，整合发散思维、创意写作和逻辑推理三个领域的八项任务，从质量、新颖性和多样性三个维度评估LLM创造力，发现前沿模型在创意写作和逻辑推理上领先，但在发散思维上无显著优势，且各维度间相关性弱。

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

MetaTT: A Global Tensor-Train Adapter for Parameter-Efficient Fine-Tuning

MetaTT: 一种用于参数高效微调的全局张量列适配器

Javier Lopez-Piqueres, Pranav Deshpande, Archan Ray, Mattia J. Villani, Marco Pistoia, Niraj Kumar

机构 * Global Technology Applied Research（全球技术应用研究） 纠错

AI总结 提出MetaTT，一种基于张量列（TT）分解的适配器框架，通过共享单个TT因子化Transformer子模块，实现参数高效的多任务微调，并在单任务和多任务基准上达到竞争性性能。

Comments Accepted version to TMLR

Interpreting Global Perturbation Robustness of Image Models using Axiomatic Spectral Importance Decomposition

使用公理谱重要性分解解释图像模型的全局扰动鲁棒性

Róisín Luo, James McDermott, Colm O'Riordan

机构 * SFI Centre for Research Training in Artificial Intelligence（SFI人工智能研究培训中心） ； School of Computer Science, University of Galway（Galway大学计算机科学学院） 纠错

AI总结 提出一种模型无关的全局可解释性方法I-ASIDE，基于Shapley值公理量化鲁棒与非鲁棒特征的预测能力，揭示图像模型对数据损坏和对抗攻击等扰动的鲁棒性机制。

Comments Accepted by Transactions on Machine Learning Research (TMLR 2024)

Journal ref Transactions on Machine Learning Research (TMLR), 2024; Presented at The Thirteenth International Conference on Learning Representations (ICLR 2025), Singapore