TMLR

Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach

用于原则评估的语义嵌入结构化：一种原型引导的对比学习方法

Che Shen, Junwei Su, Lingpeng Kong, Chuan Wu

机构 * The University of Hong Kong（香港大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文针对通用文本嵌入在任务区分上的不足，提出PGCL方法，通过多流结合的正则化模块生成任务适配表示，在三个代理任务数据集上均优于原始冻结嵌入，明确了方法适用边界并修订了理论分析。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR). 27 pages

From Centerlines to Hemodynamics: Anisotropic RBF Decoders for Coronary Arteries

从中心线到血流动力学：冠状动脉的各向异性RBF解码器

Reza Akbarian Bafghi, Sukirt Thakur, Maziar Raissi

AI总结 提出一种基于Transformer编码器和各向异性径向基函数解码器的非侵入性冠状动脉血流动力学预测框架，在降低计算成本的同时实现比现有神经算子基线更低的压力和壁面剪切应力误差。

Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026

EdgeCrafter: Compact ViTs for Edge Dense Prediction via Task-Specialized Distillation

EdgeCrafter: 通过任务专用蒸馏实现边缘密集预测的紧凑ViTs

Longfei Liu, Yongjie Hou, Yang Li, Qirui Wang, Youyang Sha, Yongjun Yu, Yinzhi Wang, Peizhe Ru, Xuanlong Yu, Xi Shen

机构 * Intellindust AI Lab（Intellindust AI实验室） 纠错

AI总结 本文提出EdgeCrafter，一种用于边缘密集预测的紧凑ViT框架，通过任务专用蒸馏和边缘感知设计，在COCO数据集上实现高效准确的检测、实例分割和姿态估计。

Comments Accepted by TMLR 2026. The Objects365 pre-training results have also been updated. Code is available at: this https URL (https://intellindust-ai-lab.github.io/projects/EdgeCrafter)

FuseLIP: Multimodal Embeddings via Early Fusion of Discrete Tokens

FuseLIP：通过离散令牌的早期融合实现多模态嵌入

Christian Schlarmann, Francesco Croce, Nicolas Flammarion, Matthias Hein

机构 * Tübingen AI Center University of Tübingen（图宾根人工智能中心大学） ； EPFL（瑞士联邦理工学院） 纠错

AI总结 本研究提出FuseLIP架构，通过文本与图像令牌的统一词汇表实现早期融合，收集新数据集并设计挑战性任务，在多模态及单模态嵌入任务中优于后期融合方法。

Comments TMLR 2026. Code and models available at this https URL (https://github.com/chs20/fuselip)