NeurIPS

MergeTok: Unified Continuous and Discrete Visual Tokenization via Token Merging

MergeTok: 通过令牌合并实现统一连续和离散视觉令牌化

Luyuan Zhang, Siyuan Li, Zedong Wang, Qingsong Xie, Cheng Tan, Anna Wang, Yanhao Zhang, Chen Chen, Haonan Lu, Haoqian Wang

机构 * Tsinghua University（清华大学） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； OPPO ； Shanghai AI Lab（上海人工智能实验室） 纠错

AI总结 提出MergeTok统一令牌化器，通过令牌合并技术联合优化连续VAE和离散VQ令牌化器，实现高保真重建与语义可控离散表示的兼顾。

Comments 11 pages (main text), 7 figures. Preprint. Under review at NeurIPS 2026

Can Subgraph Explanations Be Weaponized to Steal Graph Neural Networks?

子图解释能否被武器化以窃取图神经网络？

Ojas Nimase, Jiate Li, Yue Zhao, Yushun Dong

机构 * University of Southern California（南加州大学） ； Florida State University（佛罗里达州立大学） 纠错

AI总结 本文提出首个针对图分类的黑盒模型提取攻击，利用模型解释输出引导蒙特卡洛边敏感性估计，并利用解释子图缩小边界搜索空间，实验表明该方法优于现有基线。

Comments 28 pages, 8 figures, 10 tables. Under review at NeurIPS 2026

Elastic ViTs from Pretrained Models without Retraining

无需重新训练的预训练模型弹性ViTs

Walter Simoncini, Michael Dorkenwald, Tijmen Blankevoort, Cees G. M. Snoek, Yuki M. Asano

机构 * University of Technology Nuremberg（图恩大学） ； University of Amsterdam（阿姆斯特丹大学） ； NVIDIA（英伟达） 纠错

AI总结 提出SnapViT方法，通过结合梯度信息与进化算法近似跨网络结构相关性，实现无需重训练的结构化剪枝，支持连续计算预算下的弹性推理。

Comments Accepted at NeurIPS 2025

Stochastic Gradients under Nuisances

干扰下的随机梯度

Facheng Yu, Ronak Mehta, Alex Luedtke, Zaid Harchaoui

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文研究目标函数依赖于未知干扰参数的学习问题中随机梯度算法的非渐近收敛性，证明在Neyman正交性等条件下经典算法仍可收敛，并提出近似正交化更新变体以在非正交情形下达到类似收敛率。

Comments Published at NeurIPS 2025