TMLR

Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey

基于约束的因果发现的条件独立性检验：综述

Pavel Averin, Theodoros Moysiadis, Ioannis Katakis

AI总结 该综述针对生物医学领域常见的高维混合类型场景，梳理六大类条件独立性检验方法，分析其优缺点，关联测试级与图级错误，对比主流库应用并总结开放挑战。

Comments 33 pages. Published in Transactions on Machine Learning Research (07/2026). https://openreview.net/forum?id=3jzafJK8Tz

Journal ref Transactions on Machine Learning Research (07/2026)

Fairness in Link Prediction Beyond Demographic Parity: A Reproducibility Study

超越人口 parity 的链接预测公平性：一项可复现性研究

Valentijn Oldenburg, Floris de Kam, Stef de Wildt, Jarno Nilson Balk

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本研究复现并验证了 Mattos 等人关于人口 parity（Δ_DP）无法检测链接预测曝光偏差的观点，提出 NDKL 可检测此类偏差，复现 MORAL 的有效性并评估其鲁棒性，证实 MORAL 能减少隐藏偏差且效用损失极小。

Comments Published in Transactions on Machine Learning Research (05/2026)

Journal ref Transactions on Machine Learning Research, 2026

XFeat Revisited: Reproducibility and Evaluation of a Lightweight Image Matcher

XFeat 再探讨：轻量级图像匹配器的可复现性与评估

Lazar Đoković, Aimee Lin

AI总结 本研究复现并评估轻量级图像匹配器XFeat，发现其在部分基准数据集上表现接近或优于原始检查点，同时揭示其架构设计的局限性及跨模态匹配的性能边界。

Comments 21 pages, 6 figures. Published in Transactions on Machine Learning Research (TMLR); Reproducibility Certification

Journal ref Transactions on Machine Learning Research, August 2026

EFFEKT: Efficient Federated Knowledge Transfer to Foundation Models

EFFEKT：面向基础模型的高效联邦知识迁移

Matteo Caligiuri, Francesco Barbato, Pietro Zanuttigh, Francesco Restuccia

机构 * Northeastern University（东北大学） ； University of Padua（帕多瓦大学） 纠错

AI总结 EFFEKT是一种联邦学习框架，通过双向跨蒸馏策略，结合轻量级客户端代理模型与服务器端基础模型，实现高效的领域特定LoRA适配器训练，在低功耗边缘设备上性能优于基线。

Comments 12 main content pages, 8 appendix pages; 3 main figures, 9 appendix figures; 8 main tables, 9 appendix tables; 1 main algorithm, 4 appendix algorithms; accepted at TMLR

Open Technical Problems in Open-Weight AI Model Risk Management

开放权重AI模型风险管理中的开放技术问题

Stephen Casper, Kyle O'Brien, Shayne Longpre, Elizabeth Seger, Kevin Klyman, Rishi Bommasani, Aniruddha Nrusimha, Ilia Shumailov, Sören Mindermann, Steven Basart, Frank Rudzicz, Kellin Pelrine, Avijit Ghosh, Andrew Strait, Robert Kirk, Dan Hendrycks, Peter Henderson, Zico Kolter, Geoffrey Irving, Yarin Gal, Yoshua Bengio, Dylan Hadfield-Menell

AI总结 本文指出开放权重AI模型风险管理存在16项涉及多环节的技术挑战，强调相关研究需兼顾开放性，以实现其益处并减轻危害。

Comments Published in Transactions on Machine Learning Research (03/2026) Reviewed on OpenReview: https: // openreview. net/ forum? id= 8QyGLnFkzc

Adapting Vision Foundation Models with Cascaded Semantics

利用级联语义适配视觉基础模型

Xi Xiao, Xingjian Li, Cheng Han, Tianyang Wang, Lin Zhao, Yunbei Zhang, Guosheng Hu, Runmin Jiang, Xi Li, Xiao Wang, Min Xu

机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Missouri–Kansas City（密苏里大学堪萨斯城分校） ； Northeastern University（东北大学） ； Tulane University（杜兰大学） ； University of Bristol（布里斯托大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

AI总结 该研究针对现有视觉提示调优（VPT）未利用先验知识的问题，提出向VPT注入两类语义先验的级联方案，在34个图像分类数据集上仅调优0.74%的ViT参数即实现优异下游适配效果。

Comments Accepted by Transactions on Machine Learning Research (TMLR), 2026. Project page: https://xixiaouab.github.io/Cascaded-Semantics/

NeuMoSync: End-to-End Neuromodulatory Control for Plasticity and Adaptability in Continual Learning

NeuMoSync：面向持续学习中可塑性与适应性的端到端神经调节控制

Seyed Roozbeh Razavi Rohani, Khashayar Khajavi, Wesley Chung, Mandana Samiei, Mo Chen

机构 * Simon Fraser University（西蒙菲莎大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

AI总结 该研究提出新型架构 NeuMoSync，借鉴大脑神经调节机制，为深度神经网络添加神经元特异性调节模块，在多种持续学习基准上提升了模型的可塑性与前后向适应能力。

Comments Published in Transactions on Machine Learning Research (TMLR)

Random features for Grassmannian kernel approximation with bounded rank-one projections

用于带约束秩一投影的Grassmann核近似的随机特征

Rémi Delogne, Laurent Jacques

机构 * UCLouvain（天主教鲁汶大学） ； INMA ； ICTEAM 纠错

AI总结 该研究提出带约束秩一投影的随机特征，用于近似Grassmann核，可降低计算内存开销，在合成数据和ETH-80分类任务上表现良好，为经典Grassmann核提供可扩展替代方案。

Comments 33 pages, 6 figures, J2C certification

Journal ref Transactions on Machine Learning Research, July 2026

Data-Dependent Regret and Polyak Corrections for Constrained Online Convex Optimization

约束在线凸优化中与数据相关的遗憾值和波利亚克校正

Wentao Zhang

AI总结 研究约束在线凸优化问题，通过保留标准论证中省略的量进行更严格分析，提出AdaOGD - PFS自适应步长方法，在保持每轮可行性时实现\(O(\sqrt{G_T})\)遗憾值，实验使遗憾值界提升38% - 43%。

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

Rethinking CD: A Reproducibility Study and Extension on the Ineffectiveness of Contrastive Decoding at Mitigating Object Hallucinations in MLLMs

重新思考对比解码：关于多模态大语言模型中对比解码在减轻对象幻觉方面无效性的可重复性研究与扩展

Arnav Bendre, Guneesh Gupta, Kavish Grover, Chayan Aggarwal, Shreyansh Modi

机构 * Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校） 纠错

AI总结 研究多模态大语言模型中对比解码减轻对象幻觉的有效性，通过重现和扩展相关研究，进行多实验验证其在不同数据集上效果，发现其带来的改善常是虚假的，挑战了当前策略有效性，推动更可靠方法开发。

Comments 32 pages, 9 Figures, submitted to TMLR

Constrained Reinforcement Learning Using Successor Representations

使用后继表示的约束强化学习

Michael Girstl, Alexander Mattick, Christopher Mutschler

机构 * Technical University of Darmstadt (TU Darmstadt)（达姆施塔特工业大学） ； Hessian Center for Artificial Intelligence (hessian.AI)（黑森州人工智能中心） ； Fraunhofer Institute for Integrated Circuits IIS, Fraunhofer IIS（弗劳恩霍夫集成电路研究所IIS） ； University of Technology Nuremberg (UTN)（纽伦堡工业大学） 纠错

AI总结 研究针对现实世界强化学习中策略难适应成本函数变化的问题，提出SafeDSR方法，通过引入可学习权重矩阵扩展深度后继表示到约束强化学习，能快速重训策略，在二维导航环境展示竞争力与灵活性。

Comments published in Transactions for Machine Learning Research 2026

Journal ref Michael Girstl, Alexander Mattick, & Christopher Mutschler (2026). Constrained Reinforcement Learning Using Successor Representations. Transactions on Machine Learning Research

PoTRE: Test-Time Reasoning inspired by Cognitive Heterogeneity

PoTRE：受认知异质性启发的测试时推理

Anmol Kankariya, Sercan Ö. Arık

AI总结 研究针对大语言模型复杂推理难题，提出PoTRE异构框架，将推理解耦为四个智能体，经任务自适应聚合层协调，在三个前沿基准测试中评估，在HLE上达最优准确率，以相似或更少令牌提升推理性能。

Comments Accepted at Transactions on Machine Learning Research (TMLR 2026)

Journal ref Transactions on Machine Learning Research, 2026

MADA-RL: Multi-Agent Debate-Aware Reinforcement Learning for Parameter-Efficient Reasoning in Compact Models

MADA-RL：用于紧凑模型中参数高效推理的多智能体辩论感知强化学习

Martino M. L. Pulici, Cuong Xuan Chu, Evgeny Kharlamov, Zifeng Ding, Volker Tresp, Yunpu Ma

AI总结 研究针对紧凑模型训练成本高问题，提出MADA-RL框架，将其分为生成器和评论家角色，用辩论感知信号训练，通过LoRA微调少量参数。核心是反事实评论家优势，提高了模型准确率，在数学推理基准测试中有显著效果。

Comments 20 pages, 3 figures, 9 tables, 2 algorithms, under review at TMLR

RobustMAD: Evaluating Real-World Robustness of Multimodal Small Language Models for Deployable Anomaly Detection Assistants

RobustMAD：评估用于可部署异常检测助手的多模态小语言模型的现实世界鲁棒性

Anushiya Arunan, Xin Li, Yan Qin, U-Xuan Tan, Nhu Khue Vuong, Xiaoli Li, Chau Yuen

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） ； Nanyang Technological University（南洋理工大学） ； Chongqing University（重庆大学） 纠错

AI总结 研究针对多模态小语言模型现场部署的鲁棒性评估问题，开发RobustMAD基准测试，通过多种开放式查询评估模型，发现最佳模型虽有潜力但仍存差距及三种失败模式，为下一代多模态工业检测助手设计提供指导。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026 at https://openreview.net/forum?id=skrA9UYNIZ

Random Logit Scaling: Defending Deep Neural Networks Against Black-Box Score-Based Adversarial Example Attacks

随机对数缩放：防御深度神经网络对抗基于黑盒分数的对抗样本攻击

Hamid Dashtbani, Mehdi Dousti Gandomani, AmirMahdi Sadeghzadeh

机构 * Sharif University of Technology（伊朗谢里夫理工大学） 纠错

AI总结 研究针对基于黑盒分数的对抗样本攻击的防御与攻击方法，提出随机对数缩放（RLS）防御可降低攻击成功率，还引入新型自适应攻击，证明一种非随机化黑盒防御易受攻击。

Comments Accepted at Transactions on Machine Learning Research (TMLR)

ReDiTT: Retrieval Augmented Conditional Diffusion Transformers for Asynchronous Time Series

ReDiTT：用于异步时间序列的检索增强条件扩散变压器

Saiyue Lyu, Zhitian Zhang, Ruizhi Deng, Thibaut Durand

机构 * University of British Columbia（英属哥伦比亚大学） ； RBC Borealis（加拿大皇家银行北极星） 纠错

AI总结 该研究针对异步时间序列预测问题，提出ReDiTT模型，通过在潜在空间运行并从记忆库检索相似潜在序列作为参考条件，利用交叉注意力机制，实现稳定的长期预测并提高样本多样性，在多个数据集上取得最优性能。

Comments Accepted at TMLR 2026

Self-Consistent Flow: Unifying Velocity and Endpoint Prediction for Rectified Flow Models

自洽流：统一整流流模型的速度和端点预测

Xu Han, Jiajing Hu, Li-Ping Liu

机构 * Tufts University（塔夫茨大学） 纠错

AI总结 研究基于整流流的生成模型中不同参数化预测目标的问题，提出自洽流方法，通过轻量级一致性损失联合训练网络预测速度和端点，提升模型性能，在图像生成任务中显著优于标准整流流基线。

Comments Published in Transactions on Machine Learning Research

Journal ref Transactions on Machine Learning Research, 2026

Reliability Scaling Laws for Quantized Large Language Models

量化大语言模型的可靠性缩放定律

Sirine Ayadi, Sándor Daróczi, Stephan Günnemann, Bertrand Charpentier

机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Pruna AI（Pruna人工智能公司） 纠错

AI总结 研究量化大语言模型的可靠性缩放定律，通过对其不确定性、校准和鲁棒性进行全面评估，刻画可靠性与模型比特总数的关系，发现4比特量化模型有可靠性峰值，且量化增强了模型对自然输入扰动的鲁棒性。

Comments Transactions on Machine Learning Research (TMLR), 2026

Dynamic Agent Skills: A Lifecycle Survey and Taxonomy of Evolving Skill Libraries

动态智能体技能：不断演进的技能库的生命周期调查与分类法

Yubo Li

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究大型语言模型智能体中技能库随时间的变化，通过分类法、生命周期架构和技能记录模式等工具组织文献，合成证据分级模式，指出相关问题并提出报告标准及开放问题。

Comments Accepted by TMLR (2026.07), OpenReview Link: https://openreview.net/forum?id=cjU3YbcRr8

Journal ref Transactions on Machine Learning Research, 2026

Beyond Bayesian Nash: Learning Minimax-Regret Equilibria for Adversarial Team Games under Asymmetric Information

超越贝叶斯纳什均衡：非对称信息下对抗团队博弈的极小极大遗憾均衡学习

Naman Aggarwal, Jonathan P. How

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Aerospace Control Laboratory（航空控制实验室） ； Laboratory of Information and Decision Systems（信息与决策系统实验室） 纠错

AI总结 研究非对称信息下对抗团队博弈，提出概率鲁棒极小极大遗憾均衡（PR-MRE），结合极小极大遗憾推理的无分布鲁棒性与概率信息，通过鲁棒双线性规划及新型元求解器 PRMRE-PSRO 实现策略学习，实验证明其在隐藏类型上性能更优，行为更稳健。

Comments 29 pages, 11 figures, 6 tables. Submitted to Transactions on Machine Learning Research (TMLR)

SPL: Orchestrating Workflows with Declarative Deterministic-Probabilistic Composition

SPL：使用声明式确定性-概率性组合编排工作流

Wen G. Gong

机构 * Independent Researcher（独立研究者） 纠错

AI总结 研究提出SPL语言统一确定性与概率性计算模式，通过共享语法等实现跨平台运行。经实验验证，求解器分支有较高机器验证正确性，对比仅用大语言模型的分支，呈现后端难度梯度，主要失败模式为求解器错误。

Comments 24 pages, 2 figures, under review at TMLR

TNODEV: Toolbox for Neural ODE Verification

TNODEV: 神经ODE验证工具箱

Abdelrahman Sayed Sayed, Pierre-Jean Meyer, Mohamed Ghazel

机构 * Univ Gustave Eiffel, COSYS-ESTAS（古斯塔夫·埃菲尔大学，COSYS-ESTAS实验室） 纠错

AI总结 提出TNODEV，首个集成伪造检查、区间可达性、验证循环和并行调度的神经ODE形式验证器，支持安全集包含和分类鲁棒性验证。

Comments 30 pages, 7 figures, Under review in TMLR

Dynamic Neural Graph Encoding of Inference Processes in Deep Weight Space

深度权重空间中推理过程的动态神经图编码

Di Wu, Huan Liu, Zhixiang Chi, Yuanhao Yu, Konstantinos N. Plataniotis, Yang Wang

机构 * University of Toronto（多伦多大学） ； National University of Singapore（新加坡国立大学） ； McMaster University（麦马斯特大学） ； Concordia University（康科迪亚大学） 纠错

AI总结 提出动态神经图编码器（DNG-Encoder），通过动态图表示神经网络参数并保留推理的时序特性，在INR分类任务上比现有方法提升约10%准确率。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. 28 pages, 5 figures

Journal ref Transactions on Machine Learning Research, 2026

Why Do Accumulated Transformations Extrapolate?

为什么累积变换能够外推？

Mahesh Godavarti

机构 * A Carrot, Inc.（A Carrot公司） 纠错

AI总结 本文研究累积正交变换（如Householder反射或SO(2)旋转）在注意力机制中产生长度外推能力的原理，证明其通过有限步后去相干性抑制远距离token，并指出其最终会退化，而旋转值可扩展有效范围。

Comments 33 pages, submitted to TMLR

Don't Go Breaking My LLM: The Impact of Pruning Attention Layers on Explanation Faithfulness and Confidence Calibration

不要破坏我的LLM：剪枝注意力层对解释忠实性和置信度校准的影响

Pietro Tropeano, Maria Maistro, Tuukka Ruotsalo, Christina Lioma

机构 * University of Copenhagen（哥本哈根大学） ； LUT University（拉赫蒂理工大学） 纠错

AI总结 研究剪枝LLM注意力层对解释忠实性和置信度校准的影响，发现尽管准确率保持，但忠实性和校准度常下降，表明模型置信度、可解释性与准确性之间存在错位。

Comments Accepted at TMLR

VT-DUDA: Visual Token Conditioning for Diffusion-guided Unsupervised Domain Adaptation

VT-DUDA: 扩散引导的无监督域适应的视觉令牌条件化

Xuan Qi, Daniele Berardini, Dario Serez, Vito Paolo Pastore, Vittorio Murino

机构 * Istituto Italiano di Tecnologia（意大利技术研究院） ； University of Genoa（热那亚大学） ； University of Verona（维罗纳大学） 纠错

AI总结 提出VT-DUDA框架，通过将源图像映射为视觉令牌并与文本嵌入拼接作为条件，增强扩散模型生成目标风格图像时的实例级引导，提升无监督域适应性能。

Journal ref Transactions on Machine Learning Research, 2026

Expressivity Saturation: Reduced Affine Region Usage Under Increasing Task Complexity

表达性饱和：任务复杂度增加下仿射区域使用减少

Xuan Qi, Yi Wei, Fanqi Yu, Manuel Lecha

机构 * Istituto Italiano di Tecnologia（意大利技术研究院） ； University of Genoa（热那亚大学） ； Nanjing University（南京大学） 纠错

AI总结 本文研究了分段仿射神经网络中理论区域容量与训练后实际区域使用之间的差距，发现随着任务复杂度增加，训练后网络使用的仿射区域显著减少，称为表达性饱和，并分析了其对决策边界的影响。

Journal ref Transactions on Machine Learning Research, 2026

Expected Free Energy-based Planning as Variational Inference

基于期望自由能的规划作为变分推理

Wouter W. L. Nuijten, Thijs van de Laar, Bert de Vries

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Lazy Dynamics B.V. 纠错

AI总结 将基于期望自由能的规划重新表述为变分自由能最小化，通过引入认知先验实现信息寻求行为，并在三个复杂递增的环境中验证了方法的有效性和可扩展性。

Journal ref Transactions on Machine Learning Research, 2026

Investigating Linguistic Steering: An Analysis of Adjectival Effects Across Large Language Model Architectures

探究语言引导：跨大语言模型架构的形容词效应分析

Lars Malmqvist

机构 * Research and Implementation（研究与实现） 纠错

AI总结 本研究利用Shapley值量化形容词对模型性能的引导效应，发现少量形容词具有不成比例的强大影响，但效果非普适；跨模型分析揭示“家族效应”，且形容词的引导方向高度依赖于句法角色和位置。

Comments Accepted for TMLR, https://openreview.net/forum?id=xN7NYpQeBm

Domain Generalizable Adaptation of 3D Vision-Language Models via Regularized Fine-Tuning

通过正则化微调实现可域泛化的3D视觉-语言模型适应

Sneha Paul, Zachary Patterson, Nizar Bouguila

机构 * Concordia University（康考迪亚大学） 纠错

AI总结 提出ReFine3D框架，通过选择性层调优、多视图一致性、同义词提示及点渲染视觉监督等正则化策略，提升3D大语言模型在域泛化中的性能。

Comments Accepted at Transactions on Machine Learning Research (TMLR)