TMLR

Centroid-Referenced Mahalanobis Matching (CRM): A Scalable, Representation-Based Framework for Causal Inference in Large Observational Studies

质心参考马氏匹配（CRM）：面向大规模观察性研究因果推断的可扩展、基于表示的框架

Keming Hu, Yingpei He

AI总结 针对大规模观察性研究因果推断的匹配方法存在成本高、重叠有限时改变目标总体的问题，本文提出CRM框架，其计算成本低、保留处理单元比例高、平衡表现优且速度快，贡献在于可扩展性与显式支撑诊断。

Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026. Code: this https URL (https://github.com/KemingHu-D/crm-matching)

Lévy Attention: Single-Pass Predictive Uncertainty for Continuous-Time Attention

Lévy注意力：用于连续时间注意力的单次预测不确定性

Sotirios P. Chatzis, Loukas Papadoulas

机构 * Cyprus University of Technology（塞浦路斯理工大学） ； Ethical AI Novelties 纠错

AI总结 本文提出Lévy注意力算子，可在单次前向传播中以闭式形式输出连续时间序列预测的不确定性，在t-PatchGNN等任务上表现优于蒙特卡洛dropout，且计算高效。

Comments 23 pages, 2 figures. Under review at TMLR

The Embodiment Gap in Robot Foundation Models

机器人基础模型中的具身差距

Yukiyasu Domae, Keisuke Shirai, Hanbit Oh, Ryoichi Nakajo, Tomohiro Motoda, Koshi Makihara, Masaki Murooka, Takuma Yagi, Yoshiaki Bando, Ryo Hanai

机构 * National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究院（AIST）） 纠错

AI总结 本综述定义机器人基础模型的具身差距，通过双轴图分类方法，从三个研究方向考察近期工作，提出报告框架以助力跨具身学习的评估与未来研究。

Comments 32 pages, 4 figures. Published in Transactions on Machine Learning Research (TMLR), August 2026

Self-Improvement of Large Language Models: A Technical Overview and Future Outlook

大语言模型的自我提升：技术概述与未来展望

Haoyan Yang, Mario Xerri, Solha Park, Huajian Zhang, Yiyang Feng, Sai Akhil Kogilathota, Jiawei Zhou

机构 * Zesearch NLP Lab, Stony Brook University（石溪大学 Zesearch NLP 实验室） 纠错

AI总结 本文探讨大语言模型的自我提升技术，提出闭环生命周期框架，分析各组件方法并讨论未来研究方向。

Comments Accepted by TMLR and awarded the Survey Certification; 128 pages, 12 figures, and 14 tables. Github Repo: this https URL (https://github.com/Zesearch/self-improvement-llm)

WorldPack: Dynamic Frame Compression for Long-context Video World Modeling

WorldPack：用于长上下文视频世界建模的动态帧压缩

Yuta Oshima, Yusuke Iwasawa, Masahiro Suzuki, Yutaka Matsuo, Hiroki Furuta

机构 * The University of Tokyo（东京大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 研究针对长上下文视频世界建模中时空一致生成的挑战，提出WorldPack视频世界模型，通过轨迹打包和几何选择机制，基于3D空间相关性动态分配压缩率，扩展有效上下文，在相关数据集上优于基线，提升空间推理任务表现。

Comments Published in TMLR (09/2026)