NeurIPS - arXivDaily 期刊&会议

2511.09833 2026-03-23 cs.LG

ACT as Human: Multimodal Large Language Model Data Annotation with Critical Thinking

ACT作为人类：多模态大语言模型数据标注中的批判性思维

Lequan Lin, Dai Shi, Andi Han, Feng Chen, Qiuzheng Chen, Jiawen Li, Zhaoyang Li, Jiyuan Li, Zhenbang Sun, Junbin Gao

机构 * University of Sydney（悉尼大学）； University of Cambridge（剑桥大学）； Riken AIP（理化学研究所AIP分所）； University of Adelaide（阿德莱德大学）； ByteDance Australia（字节跳动澳大利亚）

AI总结本文提出ACT标注框架，利用大语言模型作为评判者提高标注效率，通过批判性思维识别潜在错误，减少人工成本，提升标注质量。

Comments NeurIPS 2025

2506.08898 2026-03-23 cs.AI

Preference-Driven Multi-Objective Combinatorial Optimization with Conditional Computation

基于偏好驱动的多目标组合优化与条件计算

Mingfeng Fan, Jianan Zhou, Yifeng Zhang, Yaoxin Wu, Jinbiao Chen, Guillaume Adrien Sartoretti

机构 * National University of Singapore（新加坡国立大学）； Nanyang Technological University（南洋理工大学）； Eindhoven University of Technology（埃因霍温理工大学）； Sun Yat-sen University（中山大学）

AI总结本文提出POCCO框架，通过条件计算块动态选择子问题模型结构，并利用偏好信号优化，提升多目标组合优化性能。

Comments 22 pages, 6 figures, 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

2405.01425 2026-03-23 cs.DS cs.LG math.ST stat.ML stat.TH

In-and-Out: Algorithmic Diffusion for Sampling Convex Bodies

入出：用于采样凸体的算法扩散

Yunbum Kook, Santosh S. Vempala, Matthew S. Zhang

机构 * School of Computer Science, Georgia Institute of Technology（佐治亚理工学院计算机科学系）； Department of Computer Science, University of Toronto（多伦多大学计算机科学系）； Vector Institute（向量研究所）

AI总结本文提出一种新的随机游走算法，用于均匀采样高维凸体，实现了最先进的运行时间复杂度，并在输出保证上优于现有方法，特别是在Rényi散度方面。

Comments To appear in Random Structures & Algorithms; conference version appeared in NeurIPS 2024 (spotlight)

2510.21599 2026-03-23 cs.LG cs.CC cs.FL quant-ph

SHAP Meets Tensor Networks: Provably Tractable Explanations with Parallelism

SHAP 遇见张量网络：并行计算下的可证明可处理解释

Reda Marzouk, Shahaf Bassan, Guy Katz

机构 * LIRMM, UMR 5506, University of Montpellier, CNRS（蒙彼利埃大学LIRMM研究所，法国国家科研中心）； The Hebrew University of Jeursalem（耶路撒冷希伯来大学）

AI总结本文研究了张量网络中SHAP解释的计算问题，提出了一种通用框架，证明了在张量网络结构下，通过并行计算可实现多项式对数时间复杂度的SHAP计算，从而改进了多种机器学习模型的复杂度分析。

Comments To appear in NeurIPS 2025