NeurIPS

Position: Mechanistic Interpretability Must Disclose Identification Assumptions for Causal Claims

位置：机制可解释性必须披露因果主张的识别假设

Zezheng Lin, Fengming Liu

AI总结 本文指出机制可解释性研究需明确披露因果主张的识别假设，通过审核10篇论文发现缺乏专门的识别假设部分，且常用验证指标未明确说明其假设基础。

Comments 10 pages, 2 figures. Submitted to NeurIPS 2026 (Position Track)

STEPS: A Temporal Smooth Error Propagation Solver on the Manifolds for Test-Time Adaptation in Time Series Forecasting

STEPS：一种用于时间序列预测中测试时间适应的时空平滑误差传播求解器

Jiaqi Liu, Yifan Ouyang, Zhifei Song, Sim Kuan Goh, Ashwaq Qasem

机构 * School of Artificial Intelligence and Robotics, Xiamen University Malaysia（厦门大学马来西亚分校人工智能与机器人学院） ； S.M.A.R.T. NEXUS Centre of Excellence, Xiamen University Malaysia（厦门大学马来西亚分校S.M.A.R.T. NEXUS卓越研究中心） 纠错

AI总结 STEPS通过将测试时间适应转化为时间流形上的Dirichlet边界值问题，结合局部求解器、全局求解器和时空流形融合，提升稀疏或噪声前缀下的预测精度，平均相对MSE降低26.82%。

Comments 9 pages main text, appendix included. 7 figures. Submitted to NeurIPS 2026

Fortifying Time Series: DTW-Certified Robust Anomaly Detection

强化时间序列：DTW认证的鲁棒异常检测

Shijie Liu, Tansu Alpcan, Christopher Leckie, Sarah Erfani

机构 * Department of Electrical and Electronic Engineering（电气与电子工程系） ； University of Melbourne（墨尔本大学） ； School of Computing and Information Systems（计算与信息系统学院） 纠错

AI总结 本文提出DTW认证的鲁棒异常检测方法，通过将ℓp范数转换为DTW距离，提升时间序列异常检测的鲁棒性，实验显示在DTW对抗攻击下F1分数提升18.7%。

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Flat Channels to Infinity in Neural Loss Landscapes

神经损失景观中的无限平坦通道

Flavio Martinelli, Alexander Van Meegen, Berfin Şimşek, Wulfram Gerstner, Johanni Brea

机构 * EPFL（苏黎世联邦理工学院） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 研究揭示神经网络损失景观中存在无限平坦通道结构，其中损失缓慢下降而输出权重趋于无穷大，通过梯度动力学和几何分析揭示其特性及计算能力。

Comments Accepted to NeurIPS'25 (fixed resolution of equations in figs.1,2,3)

TTF: Temporal Token Fusion for Efficient Video-Language Model

TTF: 时空融合用于高效的视频-语言模型

Simin Huo, Ning LI

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出TTF方法，通过利用视频中的时间冗余性，减少视频语言模型的推理成本，保留高精度的同时显著降低视觉token数量。

Comments 14 pages; manuscript submitted to NeurIPS 2026

The Translation Tax Is Not a Scalar: A Counterfactual Audit of English-Source Cue Inheritance in Chinese Multilingual Benchmarks

翻译税并非标量：对中国多语言基准测试中英语源提示继承的反事实审计

Zezheng Lin, Fengming Liu, Handi Li

机构 * OpenAI ； NeurIPS 2025 workshop（NeurIPS 2025 工作坊） 纠错

AI总结 本文通过反事实审计揭示翻译税并非单一标量，指出翻译基准测试中存在估计器和项目依赖的有效性风险，并提供相关证据和检查清单。

Comments 13 pages, 3 figures. Submitted to NeurIPS 2026

Less Random, More Private: What is the Optimal Subsampling Scheme for DP-SGD?

更随机，更隐私：DP-SGD中最优的子采样方案是什么？

Andy Dong, Ayfer Özgür

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了DP-SGD中子采样方案的最优选择，证明了平衡迭代子采样（BIS）在隐私放大方面优于泊松子采样，并在噪声谱两端最优。

Comments 17 pages, 1 table. Submitted to NeurIPS 2026

Accelerating the Simulation of Ordinary Differential Equations Through Physics-Preserving Neural Networks

通过物理守恒神经网络加速常微分方程的模拟

Andrew Tagg, Andrew Frandsen, Andrew Ning

AI总结 本文提出一种基于伪可逆神经网络的方法，将系统状态映射到高维潜在空间，通过推导原始系统方程和链式法则得到潜在动态方程，从而减少计算成本，提升ODE模拟效率。

Comments 9 pages, 12 figures, submitted to NeurIPS 2026

Semantic State Abstraction Interfaces for LLM-Augmented Portfolio Decisions: Multi-Axis News Decomposition and RL Diagnostics

语义状态抽象接口用于LLM增强的组合决策：多轴新闻分解与强化学习诊断

Likhita Yerra, Remi Uttejitha Allam

机构 * AIVANCITY School of AI & Data（AIVANCITY人工智能与数据学院） 纠错

AI总结 本文提出语义状态抽象接口(SSAI)，通过多轴新闻分解和强化学习诊断，提升稀疏文本决策系统的可解释性与性能。

Comments 18 pages, 3 figures. NeurIPS 2024 manuscript style (preprint)

Metric Unreliability in Multimodal Machine Unlearning: A Systematic Analysis and Principled Unified Score

多模态机器去学习中的度量不可靠性：系统分析与原则统一分数

Abdullah Ahmad Khan, Hamid Laga, Ferdous Sohel

机构 * Murdoch University（墨尔本大学） 纠错

AI总结 本文系统分析了多模态去学习中度量可靠性问题，提出统一质量评分（UQS）以解决不同度量标准间的冲突，通过实验验证了UQS在稳定排序方面的有效性。

Comments 9 Pages , 6 figures, Neurips 2026

Bayesian Conformal Prediction as a Decision Risk Problem

贝叶斯符合预测作为决策风险问题

Fanyi Wu, Veronika Lohmanova, Samuel Kaski, Michele Caprio

机构 * Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； UKRI AI Centre for Doctoral Training in Decision Making for Complex Systems（UKRI人工智能博士培训中心（复杂系统决策）） ； Department of Computer Science, Aalto University（艾洛大学计算机科学系） ； ELLIS Institute, Finland（芬兰ELLIS研究所） 纠错

AI总结 本文提出贝叶斯符合预测（BCP），通过结合贝叶斯后验预测分布与PAC式符合风险控制，生成具有有限样本覆盖保证的预测集。BCP将符合预测转化为决策风险优化问题，扩展标准固定分位数阈值集为优化最高后验密度（HPD）预测集，提高效率并保持覆盖性。

Comments 22 pages, 8 figures. A previous version was accepted at the EIML Workshop at NeurIPS 2025

Mechanistic Interpretability with Sparse Autoencoder Neural Operators

基于稀疏自编码器的神经算子机制可解释性

Bahareh Tolooshams, Ailsa Shen, Anima Anandkumar

机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所（Amii）） ； California Institute of Technology (Caltech)（加州理工学院（Caltech）） 纠错

AI总结 本文提出稀疏自编码器神经算子（SAE-NOs），通过函数空间而非欧几里得空间进行操作，利用联合稀疏性实现对概念的函数化表示，提升对输入域内概念表达的建模能力。

Comments Tolooshams and Shen has equal contribution. Preprint. Earlier version was presented as Oral and Extended Abstract at the Workshop on Unifying Representations in Neural Models (UniReps 2025) at NeurIPS

Testing Noise Assumptions of Learning Algorithms

检验学习算法的噪声假设

Surbhi Goel, Adam R. Klivans, Konstantinos Stavropoulos, Arsen Vasilyan

机构 * University of Pennsylvania（宾夕法尼亚大学） ； UT Austin（得克萨斯大学） 纠错

AI总结 本文提出一种高效测试训练集是否符合给定噪声模型假设的方法，首次解决了该问题，并展示了在高斯边际分布下半空间学习的可测试学习算法。

Comments 45 pages, Best Paper Award at Reliable ML workshop at NeurIPS 2025, Accepted to COLT 2026