TMLR

BNEM: A Boltzmann Sampler Based on Bootstrapped Noised Energy Matching

BNEM：基于Bootstrap噪声能量匹配的玻尔兹曼采样器

RuiKang OuYang, Bo Qiang, José Miguel Hernández-Lobato

机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） 纠错

AI总结 BNEM通过基于噪声能量匹配的Bootstrap技术，在分子动力学等应用中实现高效且鲁棒的采样性能。

Comments Camera-ready version for TMLR (03/2026)

Journal ref Transactions on Machine Learning Research (TMLR), 2026

A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning

一种简单而有效的文本到图像扩散微调强化学习方法

Shashank Gupta, Chaitanya Ahuja, Tsung-Yu Lin, Sreya Dutta Roy, Harrie Oosterhuis, Maarten de Rijke, Satya Narayan Shukla

机构 * University of Amsterdam（阿姆斯特丹大学） ； Meta ； Radboud University（拉德堡德大学） 纠错

AI总结 本文提出LOOP方法，结合REINFORCE的方差减少技术和PPO的鲁棒性，提升扩散模型在黑盒目标上的样本效率和性能。

Comments Published at Transactions on Machine Learning Research (TMLR), 2026

Generative Evolutionary Meta-Solver (GEMS): Scalable Surrogate-Free Multi-Agent Reinforcement Learning

生成进化元求解器（GEMS）：可扩展的无代理多智能体强化学习

Alakh Sharma, Gaurish Trivedi, Kartikey Singh Bhandari, Yash Sinha, Dhruv Kumar, Pratik Narang, Jagat Sesh Challa

机构 * Birla Institute of Technology and Science, Pilani（比拉理工学院） 纠错

AI总结 GEMS 提出了一种无代理的多智能体强化学习框架，通过生成器和潜在锚点替代传统种群方法，实现更快的训练速度和更低的内存消耗，同时保持博弈论保证。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (2026)

LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks

LoRA-Ensemble：高效不确定性建模用于自注意力网络

Dominik J. Mühlematter, Michelle Halbheer, Alexander Becker, Dominik Narnhofer, Helge Aasen, Konrad Schindler, Mehmet Ozgur Turkoglu

机构 * ETH Zurich（苏黎世联邦理工学院） ； Agroscope（农业生态观测机构） 纠错

AI总结 LoRA-Ensemble通过低秩适应方法实现自注意力网络的高效不确定性建模，优于现有隐式集合方法并达到显式集合的准确度水平。

Journal ref Transactions on Machine Learning Research, 2026

Characterizing Evolution in Expectation-Maximization Estimates for Overspecified Mixed Linear Regression

刻画期望最大化估计在过指定混合线性回归中的演化

Zhankun Luo, Abolfazl Hashemi

AI总结 本文研究了在过指定混合线性回归中期望最大化算法的收敛性，揭示了不同初始猜测下参数收敛的理论边界，并探讨了信噪比对结果的影响。

Comments This paper was accepted by Transactions on Machine Learning Research (TMLR). The code for numerical experiments is available at https://github.com/dassein/em_overspecified_mlr

SPARC: Concept-Aligned Sparse Autoencoders for Cross-Model and Cross-Modal Interpretability

SPARC：概念对齐的稀疏自编码器用于跨模型和跨模态可解释性

Ali Nasiri-Sarvi, Hassan Rivaz, Mahdi S. Hosseini

机构 * Department of Computer Science and Software Engineering (CSSE) Concordia University, Canada（计算机科学与软件工程系（CSSE）康科迪亚大学，加拿大） ； Department of Electrical and Computer Engineering (ECE) Concordia University, Canada（电气与计算机工程系（ECE）康科迪亚大学，加拿大） 纠错

AI总结 SPARC通过稀疏自编码器实现跨模型和跨模态的概念对齐，提升概念表示的一致性与可解释性

Comments Accepted at TMLR 2026

Rethinking the Mixture of Vision Encoders Paradigm for Enhanced Visual Understanding in Multimodal LLMs

重新思考多模态大语言模型中视觉编码器混合范式以提升视觉理解

Mozhgan Nasr Azadani, James Riddell, Sean Sedwards, Krzysztof Czarnecki

机构 * University of Waterloo（滑铁卢大学） 纠错

AI总结 LEO通过轻量级融合设计提升多模态大语言模型的视觉理解能力，并在自动驾驶领域展现良好泛化性能。

Comments Accepted by TMLR

Beyond Accuracy: What Matters in Designing Well-Behaved Image Classification Models?

超越准确率：设计良好行为图像分类模型所关注的问题

Robin Hesse, Doğukan Bağcı, Bernt Schiele, Simone Schaub-Meyer, Stefan Roth

AI总结 本文研究了图像分类模型在鲁棒性、校准和公平性等质量维度上的表现，提出QUBA指标以评估和推荐模型。

Comments Published in TMLR (01/2026) | OpenReview: https://openreview.net/forum?id=E7HDtLCoT6 | Project page: https://visinf.github.io/beyond-accuracy/

AuToMATo: An Out-Of-The-Box Persistence-Based Clustering Algorithm

AuToMATo：一种基于持久性的聚类算法

Marius Huber, Sara Kalisnik, Patrick Schnider

机构 * Department of Computational Linguistics University of Zürich（苏黎世大学计算语言学系） ； Department of Mathematics Pennsylvania State University（宾夕法尼亚州立大学数学系） ； Department of Mathematics and Computer Science University of Basel（巴塞尔大学数学与计算机科学系） ； Department of Computer Science ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 AuToMATo是一种基于持久性的聚类算法，通过默认参数设置实现即开式操作，结合自助法分离密度峰，并在多个基准测试中表现优异。

Comments Code: https://doi.org/10.5281/zenodo.17279740

Journal ref TMLR (October 2025)

Robust Weight Imprinting: Insights from Neural Collapse and Proxy-Based Aggregation

鲁棒性权重印刻：来自神经坍缩和基于代理的聚合的见解

Justus Westerhoff, Golzar Atefi, Mario Koddenbrock, Alexei Figueroa, Alexander Löser, Erik Rodner, Felix A. Gers

机构 * DATEXIS, Berliner Hochschule für Technik (BHT), Germany（DATEXIS，柏林技术学院（BHT）） ； KI-Werkstatt, University of Applied Sciences Berlin, Merantix Momentum, Germany（KI工作室，柏林应用技术大学，Merantix Momentum） ； Hochschule für Technik und Wirtschaft Berlin (HTW)（柏林技术与经济高等学院（HTW）） 纠错

AI总结 本文提出IMPRINT框架，通过神经坍缩现象和代理聚合改进迁移学习，实现4%的性能提升。

Journal ref Transactions on Machine Learning Research (2025)

SURFACEBENCH: A Geometry-Aware Benchmark for Symbolic Surface Discovery

SURFACEBENCH：一种面向几何的符号表面发现基准

Sanchit Kabra, Shobhnik Kriplani, Parshin Shojaee, Chandan K. Reddy

机构 * Department of Computer Science, Virginia Tech（弗吉尼亚理工大学计算机科学系） 纠错

AI总结 SURFACEBENCH是一个面向几何的符号表面发现基准，通过多变量耦合、坐标变换和几何结构推断，评估不同方法在符号发现中的性能。

Comments TMLR

Optimistic Online Learning in Symmetric Cone Games

对称锥博弈中的乐观在线学习

Anas Barakat, Wayne Lin, John Lazarsfeld, Antonios Varvitsiotis

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； National University of Singapore（新加坡国立大学） ； Centre for Quantum Technologies（量子技术中心） ； Archimedes/Athena Research Center（Archimedes/Athena研究中心） 纠错

AI总结 本文提出了一种在对称锥博弈中计算近似纳什均衡的乐观在线学习算法，该算法具有通用性和高效的迭代复杂度。

Comments Published in Transactions on Machine Learning Research 2026

Wikipedia in the Era of LLMs: Evolution and Risks

维基百科在大语言模型时代的演变与风险

Siming Huang, Yuliang Xu, Mingmeng Geng, Yao Wan, Dongping Chen

AI总结 本文研究了大语言模型对维基百科的影响，分析了其在文章内容、页面浏览和NLP任务中的作用，指出潜在风险并提出监控框架。

Comments Accepted by TMLR: https://openreview.net/forum?id=ahVmnYkVLt

Return Augmented Decision Transformer for Off-Dynamics Reinforcement Learning

用于离线非动力学强化学习的返回增强决策变压器

Ruhan Wang, Yu Yang, Zhishuai Liu, Dongruo Zhou, Pan Xu

机构 * Indiana University（印第安纳大学） ； Duke University（杜克大学） 纠错

AI总结 本文提出REAG方法，通过增强源领域回报分布以解决非动力学强化学习中的动力学转移问题，提升DT框架在目标领域中的性能。

Comments 26 pages, 11 tables, 8 figures. Published in Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026

Topological Inductive Bias fosters Multiple Instance Learning in Data-Scarce Scenarios

拓扑归纳偏置促进数据稀缺场景下的多实例学习

Salome Kazeminia, Carsten Marr, Bastian Rieck

机构 * Helmholtz Munich Technical University of Munich（海德堡-慕尼黑应用技术大学） ； Ludwig-Maximilian-University Hospital University of Munich（路德维希-马克西米利安大学医院慕尼黑大学） ； DKTK, German Cancer Consortium（德国癌症联合会） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Helmholtz Munich University of Fribourg（海德堡-慕尼黑应用技术大学弗里堡大学） 纠错

AI总结 本研究提出拓扑引导MIL方法，通过引入拓扑归纳偏置提升数据稀缺场景下多实例学习的性能和泛化能力。

Journal ref Transactions on Machine Learning Research, 2026

TP-Blend: Textual-Prompt Attention Pairing for Precise Object-Style Blending in Diffusion Models

TP-Blend：基于文本提示注意力配对的精确物体-风格混合扩散模型

Xin Jin, Yichuan Zhong, Yapeng Tian

机构 * GenPi Inc.（GenPi公司） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

AI总结 TP-Blend通过双提示注意力配对实现精确物体-风格混合，提升扩散模型的编辑质量和效率。

Journal ref Transactions on Machine Learning Research, 2025

Gaming and Cooperation in Federated Learning: What Can Happen and How to Monitor It

在联邦学习中的游戏与合作：可能发生什么以及如何监控它

Dongseok Kim, Hyoungsun Choi, Mohamed Jismy Aashik Rasool, Gisung Oh

机构 * Department of Computer Engineering（计算机工程系） ； Gachon University（加诚大学） 纠错

AI总结 本文提出了一种分析框架，用于研究联邦学习中战略行为与合作的平衡，通过量化可操纵性、游戏价格和合作价格，提供减少指标游戏并维持稳定合作的设计原则。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. Camera-ready version. OpenReview: https://openreview.net/forum?id=Ck3q5YdWIv

Journal ref Transactions on Machine Learning Research, 2026

StethoLM: Audio Language Model for Cardiopulmonary Analysis Across Clinical Tasks

StethoLM：用于跨临床任务的心肺分析的音频语言模型

Yishan Wang, Tsai-Ning Wang, Mathias Funk, Aaqib Saeed

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 StethoLM是首个用于心肺听诊的音频语言模型，能执行多种临床任务，通过多阶段训练提升性能和鲁棒性，为临床听诊提供新的AI解决方案。

Comments To be published in TMLR

Diversity Boosts AI-Generated Text Detection

多样性增强AI生成文本检测

Advik Raj Basani, Pin-Yu Chen

机构 * Birla Institute of Technology and Science, Goa（比拉理工学院和科学研究院，果阿） ； IBM Research（IBM研究院） 纠错

AI总结 DivEye通过捕捉文本中不可预测性的波动，提出了一种新的AI生成文本检测框架，实现了高达33.2%的检测性能提升，并提供可解释的检测原因分析。

Comments Accepted to Transactions on Machine Learning Research (TMLR '26). Project page and demos: https://diveye.vercel.app/

Causal Decoding for Hallucination-Resistant Multimodal Large Language Models

因果解码用于抗幻觉的多模态大语言模型

Shiwei Tan, Hengyi Wang, Weiyi Qin, Qi Xu, Zhigang Hua, Hao Wang

机构 * Rutgers University（新泽西罗格斯大学） ； Meta Ranking AI（Meta 排名人工智能） 纠错

AI总结 本文提出因果解码框架，通过针对性干预减少多模态大语言模型中的物体幻觉，提升响应的准确性和忠实度。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026

Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation

通过高效空间-频率退化适应实现任意图像修复

Bin Ren, Eduard Zamfir, Zongwei Wu, Yawei Li, Yidi Li, Danda Pani Paudel, Radu Timofte, Ming-Hsuan Yang, Luc Van Gool, Nicu Sebe

机构 * University of Trento（特伦托大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Würzburg（乌尔姆大学） ； ETH Zürich（苏黎世联邦理工学院） ； Taiyuan University of Technology（太原理工大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 AnyIR通过联合嵌入机制实现高效且全面的图像修复，减少模型参数和FLOPs达84%和80%，在四个基准测试中取得SOTA性能。

Comments Efficient All-in-One Image Restoration, Accepted by TMLR in 2026

Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation via Incentivized Exploration

具有激励的合成控制：通过激励探索实现准确的反事实估计

Daniel Ngo, Keegan Harris, Anish Agarwal, Vasilis Syrgkanis, Zhiwei Steven Wu

机构 * J.P. Morgan Chase AI Research（J.P. Morgan Chase人工智能研究） ； University of California, Berkeley（加州大学伯克利分校） ； Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种激励合成控制方法，通过激励探索实现准确的反事实估计，无需先验重叠假设，并扩展至合成干预场景。

Comments Accepted to TMLR

Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials

通过机器学习互作用势增强分子图的几何结构

Cong Fu, Yuchao Lin, Zachary Krueger, Haiyang Yu, Maho Nakata, Jianwen Xie, Emine Kucukbenli, Xiaofeng Qian, Shuiwang Ji

机构 * Department of Computer Science & Engineering（计算机科学与工程系） ； Texas A&M University（德克萨斯大学） ； RIKEN Cluster for Pioneering Research, RIKEN（RIKEN先锋研究集群） ； Lambda, Inc.（Lambda公司） ； NVIDIA ； Department of Materials Science & Engineering（材料科学与工程系） 纠错

AI总结 本文提出通过机器学习互作用势模型获取分子几何结构，以提高分子性质预测的准确性。

Comments Accepted by TMLR

A Survey on Federated Fine-tuning of Large Language Models

大型语言模型联邦微调综述

Yebo Wu, Chunlin Tian, Jingguang Li, He Sun, Kahou Tam, Zhanting Zhou, Haicheng Liao, Jing Xiong, Zhijiang Guo, Li Li, Chengzhong Xu

机构 * State Key Laboratory of IOTSC, University of Macau（物联网科学与技术国家重点实验室，澳门大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The University of Hong Kong（香港大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

AI总结 本文综述了大型语言模型联邦微调的技术、挑战与应用，旨在为隐私保护AI的发展提供指导。

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

Decentralized Projection-free Online Upper-Linearizable Optimization with Applications to DR-Submodular Optimization

去中心化投影自由在线上界可线性化优化及其在DR-子模优化中的应用

Yiyang Lu, Mohammad Pedramfar, Vaneet Aggarwal

机构 * Purdue University（普渡大学） ； Mila - Quebec AI Institute/McGill University（魁北克AI研究所/麦吉尔大学） 纠错

AI总结 本文提出了一种去中心化投影自由优化框架，用于解决DR-子模优化问题，并在不同反馈模型下实现了高效的算法性能。

Journal ref Transactions on Machine Learning Research, 2025

[Re] Benchmarking LLM Capabilities in Negotiation through Scoreable Games

通过可评分游戏评估大语言模型在谈判中的能力基准测试

Jorge Carrasco Pollo, Ioannis Kapetangeorgis, Joshua Rosenthal, John Hua Yao

机构 * Informatics Institute University of Amsterdam（信息学院阿姆斯特丹大学） 纠错

AI总结 本文通过可评分游戏评估大语言模型在谈判中的能力，发现基准复杂但模型比较存在歧义，强调上下文在评估中的重要性。

Comments Accepted for publication at Transactions on Machine Learning Research (TMLR) and MLRC Journal Track, 2025. Code available at: https://github.com/joshrosie/FACT29

Journal ref Transactions on Machine Learning Research (TMLR), June 2025

PRISM: Diversifying Dataset Distillation by Decoupling Architectural Priors

PRISM: 通过解耦架构先验来多样化数据集蒸馏

Brian B. Moser, Shalini Sarode, Federico Raue, Stanislav Frolov, Krzysztof Adamkiewicz, Arundhati Shanbhag, Joachim Folz, Tobias C. Nauen, Andreas Dengel

机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； RPTU Kaiserslautern-Landau（科隆大学（RPTU）） 纠错

AI总结 PRISM通过解耦架构先验提升数据集蒸馏的多样性与性能

Journal ref Transactions on Machine Learning Research, 2026

Bayesian Network Structure Discovery Using Large Language Models

利用大语言模型进行贝叶斯网络结构发现

Yinghuan Zhang, Yufei Zhang, Parisa Kordjamshidi, Zijun Cui

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出了一种利用大语言模型进行贝叶斯网络结构发现的统一框架，支持数据自由和数据感知设置，在无数据场景下通过PromptBN生成完整DAG，在有数据时通过ReActBN进一步优化结构。

Comments Accepted to TMLR

Bootstrapping Task Spaces for Self-Improvement

通过任务空间的提升实现自我改进

Minqi Jiang, Andrei Lupu, Yoram Bachrach

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； University of Oxford（牛津大学） 纠错

AI总结 ExIt通过自适应课程强化学习方法，使大语言模型在推理时实现多步骤自我改进，提升任务性能。

Comments TMLR, February 2026

CodePDE: An Inference Framework for LLM-driven PDE Solver Generation

CodePDE：基于LLM的PDE求解器生成推理框架

Shanda Li, Tanya Marwah, Junhong Shen, Weiwei Sun, Andrej Risteski, Yiming Yang, Ameet Talwalkar

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Flatiron Institute（Flatiron研究院） ； Polymathic AI（多学科人工智能） ； Datadog 纠错

AI总结 CodePDE通过大语言模型生成PDE求解器，展示了LLM在复杂数学问题中的强大能力及潜在应用价值。

Comments TMLR. Code available at https://github.com/LithiumDA/CodePDE