TMLR

Lipschitz Continuity in Deep Learning: A Systematic Review of Theoretical Foundations, Estimation Methods, Regularization Approaches, and Certifiable Robustness

深度学习中的利普希茨连续性：理论基础、估计方法、正则化方法及可验证鲁棒性的系统综述

Róisín Luo, James McDermott, Colm O'Riordan

机构 * Research Ireland – Centre for Research Training in AI (CRT-AI)（爱尔兰研究机构——人工智能研究培训中心（CRT-AI）） ； J.E. Cairnes School of Business & Economics（J.E. Cairnes 商学院） ； School of Computer Science（计算机科学学院） ； University of Galway, Ireland（爱尔兰Galway大学） 纠错

AI总结 本文系统综述深度学习中利普希茨连续性，涵盖理论基础、估计方法、正则化方法及可验证鲁棒性，为研究者和从业者深入理解其在深度学习中的意义提供全面参考。

Comments Published in Transactions on Machine Learning Research (TMLR)

Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation

基于肿瘤锚定的深度特征随机森林用于肺癌分割中的分布外检测

Aneesh Rangnekar, Harini Veeraraghavan

机构 * Memorial Sloan Kettering Cancer Center（纪念斯隆凯特林癌症中心） 纠错

AI总结 本文提出RF-Deep框架，利用深度特征提升CT扫描的分布外检测性能，通过少量标注数据改进分割管道的安全性。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026. Code available at: https://github.com/aneesh3108/RF-Deep

Learning Encoding-Decoding Direction Pairs to Unveil Concepts of Influence in Deep Vision Networks

学习编码-解码方向对以揭示深度视觉网络中的影响概念

Alexandros Doumanoglou, Kurt Driessens, Dimitrios Zarpalas

机构 * Department of Advanced Computing Sciences (DACS), University of Maastricht (UM)（先进计算科学系（DACS）、马斯特里赫特大学（UM）） ； Information Technologies Institute (ITI), Centre for Research and Technology Hellas (CERTH)（信息科技研究所（ITI）、希腊研究中心与技术中心（CERTH）） 纠错

AI总结 本文提出了一种无监督方法，通过学习编码-解码方向对揭示深度视觉网络中的影响概念，提升模型的可解释性和可控性。

Comments 80 Pages. The paper's abstract was shortened to fit the character limit. Accepted at TMLR. This differs from the accepted version in clarity: revised text in introduction & background and moved related work to the end of the main paper