Transactions on Machine Learning Research. Modelo de revista de revisión continua sin deadline. Distinto incentivo para autores y revisores: ¿se traduce en patrones de rechazo distintos?
TMLR no tiene calendario fijo: los datos cubren todos los envíos visibles a fecha de cómputo, predominando 2023-2024. Tampoco usa puntuaciones numéricas (las recomendaciones son categóricas: Accept as is / minor revision / Reject), por eso esta página no muestra histograma de puntuaciones.
6661
Envíos visibles
Total expuesto en OpenReview
71,8 %
Tasa de aceptación
3001
Críticas analizadas
Sobre 300 envíos rechazados
10
Patrones detectados
Distribución de puntuaciones
Puntuaciones que dieron los revisores en sus revisiones.
Decisiones del comité
Cómo se reparten las decisiones finales sobre los envíos visibles.
Accept as is42,8 %
Accept with minor revision29 %
Reject28,2 %
Mapa de debilidades
Cada barra es un patrón recurrente que aparece en las revisiones de papers rechazados. La anchura representa cuánto pesa ese patrón sobre el total de críticas analizadas.
Resultados experimentales y datasets27,9 %752
Justificación matemática insuficiente15,3 %412
Formulación del problema dudosa11,2 %303
Vaguedad y redacción imprecisa10,8 %291
Limitaciones del método propuesto8,3 %223
Falta de comparación con métodos recientes7 %189
Estructura de secciones desequilibrada6,5 %176
Discusión de trabajo previo limitada4,9 %132
Algoritmo poco preparado para el lector4,8 %129
Figuras y ejes3,4 %93
Patrones, uno a uno
Ordenados por peso. Para cada patrón mostramos qué representa, cómo lo formulan los revisores y un aprendizaje práctico que puedes aplicar antes de enviar tu próximo paper.
#01
Resultados experimentales y datasets
25,1 %del total752 items
El cluster más grande recoge problemas con la sección experimental: faltan datasets, las comparaciones son débiles, los resultados no convencen al revisor del impacto. TMLR pesa explícitamente la rigurosidad empírica como criterio principal de aceptación.
The empirical evaluation is limited to a single dataset; conclusions about generalisation are not warranted.
Tables show point estimates only. Without confidence intervals, the gains over the baselines could be noise.
Several recent baselines that solve a similar problem are absent from the comparison.
Aprendizaje práctico. TMLR no premia ideas elegantes mal validadas. Si tu paper depende de un avance teórico, valídalo en al menos dos benchmarks reconocidos antes de enviar.
#02
Justificación matemática insuficiente
13,7 %del total412 items
Pruebas que dan saltos lógicos, supuestos sin enunciar, ecuaciones que mezclan dos conceptos distintos. Los revisores de TMLR son particularmente exigentes con la solidez formal.
equationeqtheoremproofdoesfunctiondefinedlemma
Cómo lo dicen los revisores
**The geometry-aware distance is not well-justified**. Although it seems novel, a new variant of Cramer distance in Section 10.1 is engineered with a sloppy and heuristic explanation.
The proof of Lemma 2 uses a different definition of the loss than Section 3; the reader has to reconcile them.
The bound in Theorem 1 hides a Lipschitz constant that is never bounded.
Aprendizaje práctico. Si tu paper es teórico, dedica un apéndice completo a las pruebas detalladas. En el cuerpo, mantén el sketch pero refiérete explícitamente a cada paso del apéndice.
#03
Formulación del problema dudosa
10,1 %del total303 items
El revisor cuestiona el setting del paper: las hipótesis del entrenamiento no se sostienen, el método solo funciona en regímenes irreales, la pregunta de investigación es ligeramente artificial.
The central issue lies in a misformulated problem setting. The central setting — improving video understanding via token compression on a training-free, image-only VLM — has limited practical impact.
The training-time assumptions don't hold once the model is deployed; the gap is not discussed.
The setting requires access to ground-truth at inference time, which defeats the purpose of the method.
Aprendizaje práctico. Antes de redactar, somete tu setting a un test honesto: ¿hay alguien fuera de tu sub-área que pagaría por el avance que prometes? Si la respuesta es no, ajusta la motivación.
#04
Vaguedad y redacción imprecisa
9,7 %del total291 items
Frases ambiguas que impiden evaluar la corrección del paper. El revisor no puede decir si algo es correcto porque no consigue saber qué afirma exactamente el autor.
This (and many other instances of) vagueness prevents me from evaluating the correctness of the paper.
The phrase `the model handles this` appears in three different sections, each with a different referent for `this`.
The contribution claims are stated in active voice but the experiments are reported impersonally; it is hard to attribute results.
Aprendizaje práctico. Si una frase tiene dos interpretaciones, una de ellas será la que use el revisor en tu contra. Reescribe con sujeto, verbo y objeto explícitos. Sin `it`, sin `this`, sin `the model`.
#05
Limitaciones del método propuesto
7,4 %del total223 items
El método funciona pero solo en condiciones restrictivas: requiere modelos pre-entrenados específicos, datos previamente alineados, supuestos fuertes sobre la distribución. La aplicabilidad es estrecha.
The proposed method still relies on pretrained CMs. It somehow restricts the applicability.
Performance only holds when the input distribution matches the training one; out-of-distribution behaviour is not characterised.
The method assumes access to a calibration set whose size is not discussed.
Aprendizaje práctico. Un cuadro `requisitos previos` en la introducción es más honesto que esconder las limitaciones. TMLR penaliza menos la honestidad que la sobre-promesa.
#06
Falta de comparación con métodos recientes
6,3 %del total189 items
Los revisores de TMLR conocen el área y detectan rápidamente los métodos recientes que faltan en la comparación. Especialmente trabajos publicados durante el ciclo de revisión.
The methodologies in Sections 4 and 5 are not deeply discussed. Methods are listed without comparison.
Several methods published in 2024 in the same sub-area are absent.
The comparison is restricted to pre-2022 baselines; the recent ones likely change the conclusions.
Aprendizaje práctico. Antes de enviar, revisa Twitter/Bluesky/arXiv de los últimos 6 meses por papers en tu nicho. Si los hay y no los citas, el reviewer los citará por ti — y mal.
#07
Estructura de secciones desequilibrada
5,9 %del total176 items
Secciones excesivamente largas (introducción de cinco páginas, párrafos de medio folio) que diluyen el argumento. TMLR permite páginas adicionales pero los revisores valoran la concisión.
I find some parts slightly too long, e.g. the 5 and 6 paragraphs of the intro, Section 5 etc.
The methodology spreads across three sections that could be one.
Paragraph 4 of Section 3 repeats material from Paragraph 2.
Aprendizaje práctico. Cada párrafo de la introducción debería responder a una pregunta única (`qué problema`, `por qué importa`, `qué hacemos`, `qué medimos`, `qué encontramos`). Si dos párrafos responden lo mismo, fusiona.
#08
Discusión de trabajo previo limitada
4,4 %del total132 items
Mismo patrón que en otros venues, pero los revisores de TMLR son específicamente exigentes en la categorización: piden agrupar el trabajo previo por enfoque, no por orden cronológico.
Limited discussion of related work: While related work is mentioned, more details on the similarities and differences to previous work and other categorical approaches would help.
The related-work section enumerates papers; we'd benefit from a table comparing them on shared axes.
Prior work in the same area is grouped chronologically; group it by methodology instead.
Aprendizaje práctico. Una taxonomía de dos ejes (`tipo de aproximación` × `tipo de problema`) en related work, idealmente con tabla, es lo que cierra esta queja.
#09
Algoritmo poco preparado para el lector
4,3 %del total129 items
El algoritmo se presenta sin todas las definiciones que necesita (variables que aparecen sin haberse introducido, índices que se reusan). Pequeño problema con gran impacto en lecturas en serio.
Can you introduce C, J and E before the algorithm 1?
The algorithm uses subscripts t and i interchangeably.
Step 4 references a function f_θ that has only been described informally in the previous section.
Aprendizaje práctico. Tu algoritmo debería poder leerse sin volver al cuerpo. Si tienes que mirar arriba para entender una variable, mueve la definición justo antes del bloque algoritmo.
#10
Figuras y ejes
3,1 %del total93 items
Cluster pequeño pero consistente: figuras superpuestas, ejes sin escala apropiada, captions ausentes. La queja es directa y casi siempre tiene solución mecánica.
figurefigurestextdoesaxispageoverlaplabels
Cómo lo dicen los revisores
Figure 2 and 3 overlap a lot, why not just combine them into a single figure?
The y-axis of Fig. 4 uses a linear scale; a log scale would make the differences readable.
Caption of Fig. 5 is two words; please add what the reader is looking at.
Aprendizaje práctico. Antes de la versión final: cada figura debería estar a un escalón de zoom de su forma final, con sus ejes etiquetados, su leyenda y un caption que tenga sujeto y verbo.