TMLR

Structured Representation Learning with Locally Linear Embeddings and Adaptive Feature Fusion

基于局部线性嵌入与自适应特征融合的结构化表示学习

Somjit Nath, Jackson J Cone, Derek Nowrouzezahrai, Samira Ebrahimi Kahou

机构 * Mila – Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

AI总结 受神经科学启发，提出一种强化学习框架，利用局部线性嵌入捕捉状态局部结构，并通过注意力机制自适应融合动态与奖励特征，提升学习效率。

Comments Published in Transactions on Machine Learning Research (04/2026)

When the Tool Decides: LLM Agents Defer Blindly to Graph Neural Network Tools, and Stronger Backbones Defer More

当工具决定时：LLM代理盲目服从图神经网络工具，更强的骨干网络服从更多

Zhongyuan Wang, Pratyusha Vemuri

机构 * raptorX.ai 纠错

AI总结 研究LLM代理在使用GNN工具时是否真正判断而非盲目服从，发现代理在97.6-99.2%的情况下完全采纳GNN输出，且更强的骨干网络服从更多，选择性调用设计受限。

Comments 9 pages, 2 figures. Under review at TMLR

Structured Noise Adaptation for Sequential Bayesian Filtering with Embedded Latent Transfer Operators

基于嵌入潜传递算子的序贯贝叶斯滤波的结构化噪声自适应

Naichang Ke, Pongpisit Thanasutives, Yoshinobu Kawahara

机构 * The University of Osaka（大阪大学） ； RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所革新智能综合研究中心（AIP）） 纠错

AI总结 针对ELTO卡尔曼滤波器噪声模型无法适应非平稳过程的问题，提出结构化噪声参数化方法，结合最优时不变噪声学习与动态参数自适应，提升时变噪声环境下的状态估计性能。

Comments Accepted by TMLR

Theoretical Foundations of Continual Learning via Drift-Plus-Penalty

基于漂移加惩罚的持续学习的理论基础

Nazreen Shah, Govinda Arya, Bharath B. N., Ranjitha Prasad

机构 * IIIT Delhi（德里印度理工学院） ； IIT Dharwad（达尔瓦德印度理工学院） 纠错

AI总结 提出COLD框架，利用漂移加惩罚原理调节稳定性-可塑性权衡，通过虚拟队列控制遗忘，理论保证收敛性，实验优于现有方法。

Comments Accepted to Transactions on Machine Learning Research (TMLR)