TMLR

Decoding Safety Feedback from Diverse Raters: A Data-driven Lens on Responsiveness to Severity

解码来自多样评分者的安全反馈：一种数据驱动的响应性视角

Pushkar Mishra, Charvi Rastogi, Stephen R. Pfohl, Alicia Parrish, Tian Huey Teh, Roma Patel, Mark Diaz, Ding Wang, Michela Paganini, Vinodkumar Prabhakaran, Lora Aroyo, Verena Rieser

AI总结 本文提出了一种数据驱动的方法，用于分析多元环境下安全反馈的响应性，通过量化评分者对严重性差异的表达，提升多文化背景下AI系统的对齐质量。

Journal ref Transactions on Machine Learning Research, 2835-8856, 2026

When Are Two Scores Better Than One? Investigating Ensembles of Diffusion Models

当两个分数比一个更好吗？调查扩散模型的集成

Raphaël Razafindralambo, Rémy Sun, Frédéric Precioso, Damien Garreau, Pierre-Alexandre Mattei

机构 * Université Côte d’Azur（索邦大学（海岸）） ； Inria（法国国家科学研究中心） ； CNRS（法国国家科学研究中心） ； I3S（信息科学与系统研究所） ； Maasai（马赛机构） ； Julius-Maximilians-Universität Würzburg（维尔茨堡约瑟夫-玛克西米利安大学） ； Institute for Computer Science（计算机科学研究所） ； CAIDAS（计算机辅助设计与应用研究所） ； LJAD（图像与视觉研究所） 纠错

AI总结 本文研究了扩散模型集成对生成建模的影响，发现虽然集成能提升模型性能，但对感知质量指标效果有限，并通过实验和理论分析探讨了其局限性。

Comments Accepted at Transactions on Machine Learning Research (reviewed on OpenReview: https://openreview.net/forum?id=4iRx9b0Csu). Code: https://github.com/rarazafin/score_diffusion_ensemble

Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning

基于轨迹级元学习的上下文感知学得网格模拟

Philipp Dahlinger, Niklas Freymuth, Tai Hoang, Tobias Würth, Michael Volpp, Luise Kärger, Gerhard Neumann

AI总结 本文提出了一种基于轨迹级元学习的网格模拟方法，利用运动原语实现快速且准确的模拟，提升模拟精度并降低运行成本。

Comments 35 pages. Submitted to Transactions on Machine Learning Research (TMLR)

Cost-Free Personalization via Information-Geometric Projection in Bayesian Federated Learning

通过信息几何投影实现无成本个性化：在贝叶斯联邦学习中的应用

Nour Jamoussi, Giuseppe Serra, Photios A. Stavrou, Marios Kountouris

机构 * EURECOM ； University of Granada（格拉纳达大学） 纠错

AI总结 本文提出了一种基于信息几何投影的无成本个性化方法，用于贝叶斯联邦学习，通过在统计流形上计算barycenter实现全局与局部性能的平衡。

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

Finally Outshining the Random Baseline: A Simple and Effective Solution for Active Learning in 3D Biomedical Imaging

最终超越随机基线：一种在3D生物医学影像中主动学习的有效解决方案

Carsten T. Lüth, Jeremias Traub, Kim-Celine Kahl, Till J. Bungert, Lukas Klein, Lars Krämer, Paul F. Jäger, Klaus Maier-Hein, Fabian Isensee

AI总结 本文提出ClaSP PE方法，通过解决类别不平衡和冗余问题，有效提升3D生物医学影像主动学习的性能和效率。

Comments Accepted at TMLR

Vejde: A Framework for Inductive Deep Reinforcement Learning Based on Factor Graph Color Refinement

Vejde：基于因子图着色细化的归纳式深度强化学习框架

Jakob Nyberg, Pontus Johnson

机构 * Division of Network and Systems Engineering（网络与系统工程系） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 Vejde通过结合数据抽象、图神经网络和强化学习，实现对复杂状态决策问题的归纳式策略生成，展示了其在多个任务域中的泛化能力。

Journal ref Transactions on Machine Learning Research, January 2026

A Survey of Self-Evolving Agents: What, When, How, and Where to Evolve on the Path to Artificial Super Intelligence

自我进化代理的综述：何时、何地、如何进化以实现人工超级智能

Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu, Xinzhe Juan, Hongzhang Liu, Shilong Liu, Jiahao Qiu, Xuan Qi, Yiran Wu, Hongru Wang, Han Xiao, Yuhang Zhou, Shaokun Zhang, Jiayi Zhang, Jinyu Xiang, Yixiong Fang, Qiwen Zhao, Dongrui Liu, Qihan Ren, Cheng Qian, Zhenhailong Wang, Minda Hu, Huazheng Wang, Qingyun Wu, Heng Ji, Mengdi Wang

机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。

Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)

LeanProgress: Guiding Search for Neural Theorem Proving via Proof Progress Prediction

LeanProgress: 通过证明进度预测引导神经定理证明的搜索

Robert Joseph George, Suozhi Huang, Peiyang Song, Anima Anandkumar

机构 * Computing + Mathematical Sciences Department（计算与数学科学系） ； California Institute of Technology（加利福尼亚理工学院） ； Computer Science Department（计算机科学系） ； Princeton University（普林斯顿大学） 纠错

AI总结 LeanProgress通过预测证明进度提升神经定理证明效率，实现Mathlib4证明效率提升3.8%

Comments Published in TMLR (Transactions on Machine Learning Research)

A Distributed Generative AI Approach for Heterogeneous Multi-Domain Environments under Data Sharing constraints

在数据共享约束下用于异构多域环境的分布式生成AI方法

Youssef Tawfilis, Hossam Amer, Minar El-Aasser, Tallal Elshabrawy

AI总结 本研究提出了一种在数据共享约束下用于异构多域环境的分布式生成AI方法，结合KLD加权聚类联邦学习和异构U型分割学习，提升多域生成模型的训练效率和性能。

Comments Accepted and published in Transactions on Machine Learning Research (TMLR), 2026

Convergence of linear programming hierarchies for Gibbs states of spin systems

线性规划层次在自旋系统吉布斯态下的收敛性

Hamza Fawzi, Omar Fawzi

机构 * DAMTP, University of Cambridge, United Kingdom（剑桥大学 DAMTP 实验室，英国） ； Univ Lyon, Inria, ENS Lyon, UCBL, LIP, France（里昂大学，法国国家信息与自动化技术研究院，里昂高等师范学校， UCBL，LIP，法国） 纠错

AI总结 本文研究了两种线性规划层次在自旋系统吉布斯态下的收敛性，证明了在空间混合和马尔可夫链快速混合条件下，能够高效近似局部期望值并提供严格上下界。

Comments 11 pages

Journal ref Transactions on Machine Learning Research (11/2025)

ThinkEval: Practical Evaluation of Knowledge Leakage in LLM Editing using Thought-based Knowledge Graphs

ThinkEval: 基于思维的知识图谱对 LLM 编辑中知识泄漏的实用评估

Manit Baser, Dinil Mon Divakaran, Mohan Gurusamy

机构 * Electrical and Computer Engineering National University of Singapore（新加坡国立大学电子与计算机工程系） ； A*STAR Institute for Infocomm Research (A*STAR I 2 R), Singapore（新加坡A*STAR信息与通信研究机构） 纠错

AI总结 ThinkEval通过构建专门知识图谱评估LLM编辑中的间接知识泄漏，揭示了现有编辑技术在平衡知识抑制与保留方面的不足。

Comments Accepted to TMLR

Journal ref Transactions on Machine Learning Research (01/2026)

DeepSeek-R1 Thoughtology: Let's think about LLM Reasoning

DeepSeek-R1 思维学：让我们思考LLM推理

Sara Vera Marjanović, Arkil Patel, Vaibhav Adlakha, Milad Aghajohari, Parishad BehnamGhader, Mehar Bhatia, Aditi Khandelwal, Austin Kraft, Benno Krojer, Xing Han Lù, Nicholas Meade, Dongchan Shin, Amirhossein Kazemnejad, Gaurav Kamath, Marius Mosbach, Karolina Stańczak, Siva Reddy

AI总结 DeepSeek-R1通过多步骤推理链实现复杂问题解决，研究揭示其推理性能的'甜点'及潜在安全漏洞。

Comments 135 pages, Published to TMLR

SSFL: Discovering Sparse Unified Subnetworks at Initialization for Efficient Federated Learning

SSFL：在初始化时发现稀疏统一子网络以实现高效的联邦学习

Riyasat Ohib, Bishal Thapaliya, Gintare Karolina Dziugaite, Jingyu Liu, Vince Calhoun, Sergey Plis

机构 * Georgia Institute of Technology（佐治亚理工学院） ； TReNDS Center（TReNDS中心） ； Google DeepMind, Mila - Quebec AI Institute（谷歌DeepMind、魁北克AI研究所） ； Georgia State University（佐治亚州立大学） ； Emory University（埃默里大学） ； Center for Translational Research in Neuroimaging & Data Science (TReNDS)（神经影像与数据科学转化研究中心（TReNDS）） 纠错

AI总结 SSFL通过在初始化时发现稀疏统一子网络，实现高效联邦学习，减少通信成本并提升准确性与稀疏性权衡。

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

Journal ref Transactions on Machine Learning Research, 2026

VICON: Vision In-Context Operator Networks for Multi-Physics Fluid Dynamics Prediction

VICON：基于多物理场流体动力学预测的上下文操作网络

Yadi Cao, Yuxuan Liu, Liu Yang, Rose Yu, Hayden Schaeffer, Stanley Osher

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 VICON通过整合视觉Transformer架构，高效处理2D数据并提升多物理场流体动力学预测的准确性与鲁棒性。

Comments update after TMLR accept

On the Hardness of Computing Counterfactual and Semifactual Explanations in XAI

在XAI中计算反事实和半事实解释的难度

André Artelt, Martin Olsen, Kevin Tierney

机构 * Faculty of Technology（技术学院） ； Bielefeld University（比勒菲尔德大学） ； Department of Business Development and Technology（商业发展与技术系） ； Aarhus University（哥本哈根大学） ； Department of Business Decisions and Analytics（商业决策与分析系） ； University of Vienna（维也纳大学） 纠错

AI总结 本文研究了在XAI中生成反事实和半事实解释的计算难度，发现其在许多情况下具有计算复杂性，并提出了近似性结果以支持这一结论。

Comments Accepted in Transactions on Machine Learning Research (TMLR), 2025 -- https://openreview.net/pdf?id=aELzBw0q1O

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

FeatInv: Spatially resolved mapping from feature space to input space using conditional diffusion models

FeatInv: 通过条件扩散模型实现从特征空间到输入空间的空间解析映射

Nils Neukirch, Johanna Vielhaben, Nils Strodthoff

机构 * Division AI4Health（AI4Health部门） ； Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西特齐克大学） ； Explainable Artificial Intelligence Group（可解释人工智能小组） ； Fraunhofer Heinrich-Hertz-Institute（弗劳恩霍夫海因里希-赫兹研究所） 纠错

AI总结 FeatInv通过条件扩散模型实现从特征空间到输入空间的空间解析映射，提升深度学习模型的可解释性与理解能力。

Comments Version published by Transactions on Machine Learning Research in 2025 (TMLR ISSN 2835-8856) at https://openreview.net/forum?id=UtE1YnPNgZ. 32 pages, 27 figures. This work builds on an earlier manuscript (arXiv:2505.21032) and crucially extends it. Code is available at https://github.com/AI4HealthUOL/FeatInv

Journal ref Version published by Transactions on Machine Learning Research in 2025 (TMLR ISSN 2835-8856) https://openreview.net/forum?id=UtE1YnPNgZ

DiffSampling: Enhancing Diversity and Accuracy in Neural Text Generation

DiffSampling：提升神经文本生成的多样性和准确性

Giorgio Franceschelli, Mirco Musolesi

机构 * Alma Mater Studiorum Università di Bologna（博洛尼亚大学） ； University College London（伦敦大学学院） 纠错

AI总结 DiffSampling通过分析令牌概率分布，提升神经文本生成的多样性和准确性，实验表明其在质量上与现有方法相当。

Comments Published in Transactions on Machine Learning Research (2025), see https://tmlr.infinite-conf.org/paper_pages/kXjHbMvdIi.html

The AI Hippocampus: How Far are We From Human Memory?

人工智能海马体：我们离人类记忆还有多远？

Zixia Jia, Jiaqi Li, Yipeng Kang, Yuxuan Wang, Tong Wu, Quansen Wang, Xiaobo Wang, Shuyi Zhang, Junzhe Shen, Qing Li, Siyuan Qi, Yitao Liang, Di He, Zilong Zheng, Song-Chun Zhu

AI总结 本文综述了大语言模型和多模态大语言模型中记忆机制的分类与研究进展，探讨了隐性、显性和代理记忆框架，以及多模态场景下的记忆整合与挑战。

Journal ref Transactions on Machine Learning Research (11/2025)

Video Prediction Transformers without Recurrence or Convolution

没有递归或卷积的视频预测变压器

Yujin Tang, Lu Qi, Xiangtai Li, Chao Ma, Ming-Hsuan Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of California, Merced（加州大学默塞德分校） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出PredFormer，一种基于门控变压器的视频预测框架，通过全面分析3D注意力并进行广泛实验，展示了其在四个标准基准上的最佳性能。

Comments Accepted by Transactions on Machine Learning Research 2026; Project Page: https://yyyujintang.github.io/predformer-project/

BenchOverflow: Measuring Overflow in Large Language Models via Plain-Text Prompts

BenchOverflow: 通过纯文本提示测量大语言模型中的溢出现象

Erin Feiglin, Nir Hutnik, Raz Lapid

机构 * Deepkeep（深保持） 纠错

AI总结 BenchOverflow通过纯文本提示策略评估大语言模型的溢出现象，揭示长度控制对可靠性、成本和可持续性的影响，提供标准化比较框架以优化部署和防御措施。

Comments Accepted at TMLR 2026

InfGraND: An Influence-Guided GNN-to-MLP Knowledge Distillation

InfGraND: 一种基于影响引导的图神经网络到MLP知识蒸馏

Amir Eskandari, Aman Anand, Elyas Rashno, Farhana Zulkernine

AI总结 InfGraND通过识别图中结构重要节点，提升MLP在图结构学习中的性能，优于传统知识蒸馏方法。

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

YRC-Bench: A Benchmark for Learning to Coordinate with Experts

YRC-Bench：一种学习与专家协调的基准

Mohamad H. Danesh, Nguyen X. Khanh, Tu Trinh, Benjamin Plaut

AI总结 YRC-Bench通过提供开放源代码基准，支持在无监督环境下学习与专家协调的方法研究。

Comments Accepted at TMLR

Uncovering the Computational Roles of Nonlinearity in Sequence Modeling Using Almost-Linear RNNs

揭示近线性RNN中非线性在序列建模中的计算作用

Manuel Brenner, Georgia Koppe

机构 * Interdisciplinary Center for Scientific Computing, Heidelberg University（海德堡大学交叉科学计算中心） ； Ernst Strüngmann Institute of the Max Planck Society, Frankfurt（马克斯·普朗克学会恩斯特·斯特鲁姆曼研究所，法兰克福） ； Dept. of Psychiatry, Goethe University Frankfurt（弗赖堡大学精神病科部门） ； Hector Institute for AI in Psychiatry and Dept. of Psychiatry and Psychotherapy, Central Institute for Mental Health Mannheim（心理健康中央研究所曼海姆精神病学与心理学部及人工智能在精神病学中的海克特研究所） ； Hertie Institute for AI in Brain Health, Tübingen（图宾根大学健康大脑人工智能研究所） 纠错

AI总结 通过近线性RNN揭示非线性在序列建模中的计算作用，证明稀疏非线性可提升可解释性和效率。

Comments Published in Transactions on Machine Learning Research (TMLR), https://openreview.net/forum?id=qI2Vt9P9rl

Investigating a Model-Agnostic and Imputation-Free Approach for Irregularly-Sampled Multivariate Time-Series Modeling

探究一种模型无关且无需插值的不规则采样多变量时间序列建模方法

Abhilash Neog, Arka Daw, Sepideh Fatemi Khorasgani, Medha Sawhney, Aanish Pradhan, Mary E. Lofton, Bennett J. McAfee, Adrienne Breef-Pilz, Heather L. Wander, Dexter W Howard, Cayelan C. Carey, Paul Hanson, Anuj Karpatne

机构 * Virginia Tech（弗吉尼亚理工大学） ； Oak Ridge National Lab（橡树岭国家实验室） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种无需插值的模型无关方法MissTSM，用于不规则采样多变量时间序列建模，在高缺失率和无周期结构条件下表现优异。

Comments Accepted at TMLR

Journal ref Transactions on Machine Learning Research (2026)

On a Gradient Approach to Chebyshev Center Problems with Applications to Function Learning

关于通过梯度方法解决Chebyshev中心问题及其在函数学习中的应用

Abhinav Raghuvanshi, Mayank Baranwal, Debasish Chatterjee

机构 * Indian Institute of Technology, Bombay（印度理工学院，孟买） 纠错

AI总结 gradOL通过梯度方法解决Chebyshev中心问题，提供理论支持和高效算法，显著提升函数学习和优化性能。

Comments Accepted to TMLR

Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling

受动力学启发的结构幻想用于蛋白质-蛋白质相互作用建模

Fang Wu, Stan Z. Li

机构 * Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学） ； School of Engineering（工程学院） ； Westlake University（西湖大学） 纠错

AI总结 本文提出Refine-PPI框架，通过结构细化模块和概率密度云网络，解决突变蛋白质结构获取困难和动态几何不确定性建模问题。

Journal ref Transactions on Machine Learning Research 2025

LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators

LOGLO-FNO：高效学习傅里叶神经算子中的局部和全局特征

Marimuthu Kalimuthu, David Holzmüller, Mathias Niepert

AI总结 LOGLO-FNO通过引入局部卷积和高频传播模块，提升傅里叶神经算子在处理高频和局部特征方面的性能，减少参数量并提高稳定性。

Comments Published with J2C Certification in Transactions on Machine Learning Research (TMLR)

There are no Champions in Supervised Long-Term Time Series Forecasting

监督长期时间序列预测中没有冠军

Lorenzo Brigato, Rafael Morand, Knut Strømmen, Maria Panagiotou, Markus Schmidt, Stavroula Mougiakakou

AI总结 本文通过评估监督长期时间序列预测模型，发现实验设置和评估指标的变化会影响模型性能的判断，强调需改进基准测试实践以提升结果的可靠性。

Comments Accepted at TMLR

ReVision: Refining Video Diffusion with Explicit 3D Motion Modeling

ReVision: 通过显式3D运动建模改进视频扩散

Qihao Liu, Ju He, Qihang Yu, Liang-Chieh Chen, Alan Yuille

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 ReVision通过整合参数化的3D运动模型，提升视频生成中复杂动作和交互的真实性和可控性。

Comments TMLR camera-ready version. Project Page: https://revision-video.github.io/

CADmium: Fine-Tuning Code Language Models for Text-Driven Sequential CAD Design

CADmium：通过代码语言模型进行文本驱动的顺序CAD设计微调

Prashant Govindarajan, Davide Baldelli, Jay Pathak, Quentin Fournier, Sarath Chandar

机构 * Chandar Research Lab（昌德拉研究实验室） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； Polytechnique Montréal（蒙特利尔理工学院） ； Ansys（安世仿真） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

AI总结 CADmium通过微调代码语言模型，利用大规模标注数据集实现文本驱动的CAD设计自动化，提升设计效率。

Comments Published in Transactions on Machine Learning Research (TMLR) 01/2026

Journal ref Transactions on Machine Learning Research (TMLR) 01/2026; https://openreview.net/forum?id=lExqWvQht8