NeurIPS

Contribution of task-irrelevant stimuli to drift of neural representations

任务无关刺激对神经表示漂移的贡献

Farhad Pashakhanloo

AI总结 本文研究了任务无关刺激如何通过学习噪声导致神经表示的长期漂移，探讨了不同架构和学习规则下的漂移机制及任务相关性。

Comments NeurIPS 2025 (camera ready)

Journal ref Advances in Neural Information Processing Systems (NeurIPS) 39 (2025)

IKKA: Inversion Classification via Critical Anomalies for Robust Visual Servoing

IKKA：通过临界异常进行倒置分类以实现鲁棒的视觉伺服

Darya Pavlenko

AI总结 IKKA通过拓扑学原理设计异常权重框架，提升在分布偏移下的视觉伺服鲁棒性，通过局部极值、边界横贯性和多尺度持续性结合，减少误差并提升吞吐量。

Comments 9 pages, 2 figures, 3 tables. Submitted to NeurIPS 2026

Bayesian Ego-graph Inference for Networked Multi-Agent Reinforcement Learning

基于贝叶斯的 ego 图推断用于网络化多智能体强化学习

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute（澳大利亚人工智能研究所） ； University of Technology Sydney（悉尼科技大学） 纠错

AI总结 本文提出 BayesG 框架，通过贝叶斯变分推断学习稀疏交互结构，提升网络化多智能体强化学习在大规模交通控制任务中的性能。

Comments Accepted at NeurIPS 2025. Correction to ELBO Derivation (Equations 33 and Final Objective). https://openreview.net/forum?id=3qeTs05bRL

PaceLLM: Brain-Inspired Large Language Models for Long-Context Understanding

PaceLLM：用于长上下文理解的脑启发式大语言模型

Kangcong Li, Peng Ye, Chongjun Tu, Lin Zhang, Chunfeng Song, Jiamin Wu, Tao Yang, Qihao Zheng, Tao Chen

机构 * School of Information Science and Technology, Fudan University（复旦大学信息科学与技术学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 PaceLLM通过引入持久活动机制和皮层专家聚类，解决大语言模型在长上下文中的信息衰减和语义碎片化问题，提升多文档问答和无限基准任务性能，扩展上下文长度至200K tokens。

Comments Accepted by NeurIPS 2025

Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment

链式放大：通过尺度自回归和偏好对齐实现极端超分辨率

Bryan Sangwoo Kim, Jeongsol Kim, Jong Chul Ye

机构 * KAIST AI（韩国科学技术院人工智能系） 纠错

AI总结 本文提出Chain-of-Zoom框架，通过自回归链和多尺度提示实现极端超分辨率，利用GRPO优化文本提示对齐人类偏好，实验显示标准4x扩散模型在CoZ下可实现256倍以上高质量放大。

Comments NeurIPS 2025 (Spotlight)

On Divergence Measures for Training GFlowNets

关于用于训练GFlowNets的分歧度度量

Tiago da Silva, Eliezer de Souza da Silva, Diego Mesquita

AI总结 本文研究了用于训练GFlowNets的分歧度度量，设计了统计高效的梯度估计器，并验证了最小化这些分歧度能有效提升收敛速度。

Comments Accepted at NeurIPS 2024, https://openreview.net/forum?id=N5H4z0Pzvn