NeurIPS

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

Predictive-Generative Drift Decomposition for Speech Enhancement and Separation

用于语音增强和分离的预测-生成漂移分解

Julius Richter, Yoshiki Masuyama, Christoph Boeddeker, Takahiro Edo, Gordon Wichern, Jonathan Le Roux

机构 * MERL Cambridge, MA, USA（MERL剑桥马萨诸塞州美国） 纠错

AI总结 本文提出一种结合预测与生成模型的框架，通过分解漂移动态提升语音增强和分离性能，采用统一方法适用于多种任务和降质场景。

Comments Submitted to NeurIPS 2026

MEMSAD: Gradient-Coupled Anomaly Detection for Memory Poisoning in Retrieval-Augmented Agents

MEMSAD: 基于梯度耦合的内存污染异常检测用于检索增强型智能体

Ishrith Gowda

机构 * Department of Electrical Engineering and Computer Sciences（电气工程与计算机科学系） ； University of California, Berkeley（加州大学伯克利分校） ； Berkeley AI Research（伯克利人工智能研究） 纠错

AI总结 本文提出MEMSAD，通过梯度耦合定理实现内存污染攻击的检测，证明其在对抗策略下的正确分类保证，并通过实验验证复合防御在所有攻击下的高检测率和低误报率。

Comments 28 pages, 9 figures, 6 theorems. Submitted to NeurIPS 2026

EgoEMG: A Multimodal Egocentric Dataset with Bilateral EMG and Vision for Hand Pose Estimation

EgoEMG：一个用于手姿态估计的多模态自体视角数据集，包含双侧EMG和视觉信息

Ziheng Xi, Jiayi Yu, Yitao Wang, Yanbo Duan, Jianjiang Feng, Jie Zhou

机构 * Department of Automation, Tsinghua University（清华大学自动化系） 纠错

AI总结 EgoEMG数据集融合双侧EMG和视觉信息，用于手姿态估计，包含16通道EMG、IMU、RGB视频和RGB-D视频，涵盖41名参与者60种手势，提供EMG-to-pose、vision-to-pose和融合任务的基准测试。

Comments 34 pages, 13 figures, 15 tables. Submitted to NeurIPS 2026

Temporal Functional Circuits: From Spline Plots to Faithful Explanations in KAN Forecasting

时间功能电路：从样条图到KAN预测中的忠实解释

Naveen Mysore

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

AI总结 本文提出时间功能电路框架，通过门控残差KAN将KAN边功能从隐含可视化转化为忠实的时间解释，展示了在复杂信号中提升预测精度和可解释性。

Comments 9 pages, 4 figures, 6 tables, plus appendix. Under review at NeurIPS 2026

Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation

基于可证明预算保守的检索条件拓扑选择多智能体代码生成

Abhijit Talluri, Pujith Anne, Bhagavan Choudary Pendiyala, Raghavendra Chilukuri

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文提出RGAO架构，通过提取代码结构复杂度向量实现多智能体代码生成系统的拓扑选择，结合复杂度条件LLM路由与形式资源代数，实现可证明的预算保守性，降低误路由率并提升代码检索效率。

Comments 30 pages, 9 figures. NeurIPS 2026 Evaluations and Datasets Track Submission Under review

Beyond Static Snapshots: A Grounded Evaluation Framework for Language Models at the Agentic Frontier

超越静态快照：语言模型在代理前沿的 grounded 评估框架

Jazmia Henry

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出 grounded continuous evaluation 框架，通过 deterministic verifier 和 CPU 更新 LoRA adapters，解决 reward hacking 和硬件限制问题，并在多个架构和领域验证其有效性。

Comments Submitted for consideration to NeurIPS 2026

Isotropic Activation Functions Enable Deindividuated Neurons and Adaptive Topologies

各向同性激活函数使去个体化神经元和自适应拓扑成为可能

George Bird

机构 * Department of Computer Science（计算机科学系） 纠错

AI总结 本文提出了一种通过各向同性激活函数实现密集神经网络拓扑自适应的方法，通过重新参数化对称性和仿射映射的奇异值分解，使层对角化，从而简化了单个连接的影响评估，并允许神经元的去除和新生。

Comments 33 pages, 5 figures, UPDATED CHANGES: Improved the main body text (same content), slight modification to title and abstract, and updated formatting for clarity and to comply with submission to NeurIPS review. Updated version reflects those changes made

Same Words, Different Judgments: How Preferences Vary Across Modalities

相同词语，不同判断：偏好如何在不同模态间变化

Aaron Broukhim, Nadir Weibel, Eshin Jolly

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； University of California San Diego（加州大学圣地亚哥分校） ； Department of Psychology（心理学系） 纠错

AI总结 研究探讨了文本与语音模态在偏好标注中的差异，发现需9名评阅者才能达到较高一致性，且语音评阅者在决策阈值、长度偏差和用户导向标准上存在显著差异，合成评分可有效预测评阅者一致性，强调音频偏好数据评估需模态特定设计。

Comments Submitted to NeurIPS 2026 for review

Sharp Gaussian approximations for Decentralized Federated Learning

精确的分布式联邦学习中Gaussian近似

Soham Bonnerjee, Sayar Karmakar, Wei Biao Wu

机构 * University of Chicago（芝加哥大学） ； University of Florida（佛罗里达大学） 纠错

AI总结 本文提出两种广义Gaussian近似结果，用于局部SGD，以提供更稳健的统计保证，并通过模拟验证理论结果。

Comments Accepted as Spotlight, NeurIPS'25, Main Conference Track

How Reasoning Evolves from Post-Training Data: An Empirical Study Using Chess

推理如何从训练数据中演变：使用国际象棋的实证研究

Lucas Dionisopoulos, Nicklas Majamaki, Prithviraj Ammanabrolu

机构 * Department of Computer Science and Engineering, University of California San Diego, San Diego, United States（计算机科学与工程系，加州大学圣地亚哥分校，圣地亚哥，美国） 纠错

AI总结 研究语言模型推理从监督微调到强化学习的演变，发现直接预测最佳走法的微调能提升性能，但强化学习阶段导致不一致推理，而多步轨迹训练则能获得更稳定的推理。

Comments Accepted at ICML 2026. An earlier version appeared at the NeurIPS 2025 Foundations of Reasoning in Language Models (FoRLM) Workshop (Oral)

GraphLand: Evaluating Graph Machine Learning Models on Diverse Industrial Data

GraphLand：在多样工业数据上评估图机器学习模型

Gleb Bazhenov, Oleg Platonov, Liudmila Prokhorenkova

机构 * HSE University（莫斯科国立高等经济学院） ； Yandex Research（Yandex研究院） 纠错

AI总结 GraphLand引入14个多样工业数据集，评估图学习模型在不同规模和结构下的性能，探讨时间分布变化对模型的影响，并发现GBDT在工业应用中表现优异。

Comments Accepted at NeurIPS 2025 (Datasets & Benchmarks Track)

Cross-fluctuation phase transitions reveal sampling dynamics in diffusion models

交叉波动相变揭示扩散模型中的采样动力学

Sai Niranjan Ramachandran, Manish Krishan Lal, Suvrit Sra

机构 * School of Computation, Information and Technology, Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

AI总结 研究通过交叉波动分析扩散模型中分布采样动力学的相变过程，揭示采样过程中分布结构的演变及提升生成效率的方法。

Comments Accepted at NeurIPS 2025. 10 pages, camera-ready version. appendices included

Characterizing control between interacting subsystems with deep Jacobian estimation

通过深度雅可比估计表征相互作用子系统的控制特性

Adam J. Eisen, Mitchell Ostrow, Sarthak Chandra, Leo Kozachkov, Earl K. Miller, Ila R. Fiete

机构 * Brain and Cognitive Sciences MIT（麻省理工学院脑科学与认知科学系） ； IBM Thomas J. Watson Research Center（IBM沃森研究中心） ； International Centre for Theoretical Sciences（国际理论科学研究院） ； Brown University（布朗大学） 纠错

AI总结 本文提出一种基于深度学习的非线性控制理论框架，通过动态雅可比估计表征子系统交互，展示了在高维混沌系统中优于传统方法的性能，并通过多区域RNN模型验证了控制方向的动态变化及行为操控能力。

Comments 10 pages, 6 figures

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

Color Conditional Generation with Sliced Wasserstein Guidance

基于切片Wasserstein指导的颜色条件生成

Alexander Lobashev, Maria Larchenko, Dmitry Guskov

机构 * Glam AI ； Magicly AI ； McGill University（麦吉尔大学） 纠错

AI总结 本文提出SW-Guidance方法，通过修改扩散模型采样过程，利用可微的切片1-Wasserstein距离提升颜色一致性，生成与参考图像颜色匹配且语义连贯的图像。

Comments NeurIPS 2025, spotlight

Journal ref https://neurips.cc/virtual/2025/loc/san-diego/poster/115823

Reading Recognition in the Wild

野外阅读识别

Charig Yang, Samiul Alam, Shakhrul Iman Siam, Michael J. Proulx, Lambert Mathias, Kiran Somasundaram, Luis Pesqueira, James Fort, Sheroze Sheriffdeen, Omkar Parkhi, Carl Ren, Mi Zhang, Yuning Chai, Richard Newcombe, Hyo Jin Kim

机构 * Meta Reality Labs Research（Meta现实实验室） ； VGG, University of Oxford（VGG，牛津大学） ； The Ohio State University（俄亥俄州立大学） 纠错

AI总结 本文提出阅读识别任务，通过多模态数据和Transformer模型实现对阅读行为的识别，扩展了阅读研究的规模和现实场景。

Comments NeurIPS 2025. Project Page: https://www.projectaria.com/datasets/reading-in-the-wild/

Obliviator Reveals the Cost of Nonlinear Guardedness in Concept Erasure

消解器揭示了概念消除中非线性防护的成本

Ramin Akbari, Milad Afshari, Vishnu Naresh Boddeti

机构 * Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出Obliviator方法，通过迭代优化消除非线性依赖，揭示消除过程中属性保护与效用保持之间的动态关系，其消解-效用权衡曲线优于基线方法。

Comments Accepted to NeurIPS 2025 [Poster]. Code available at: https://github.com/ramin-akbari/Obliviator

Journal ref The Thirty-Ninth Annual Conference on Neural Information Processing Systems 2025

The Structured Output Benchmark: A Multi-Source Benchmark for Evaluating Structured Output Quality in Large Language Models

结构化输出基准：一个多源基准，用于评估大型语言模型中的结构化输出质量

Abhinav Kumar Singh, Harsha Vardhan Khurdula, Yoeven D Khemlani, Vineet Agarwal

机构 * JigsawStack, Inc.（JigsawStack公司） ； New Delhi, India（印度新德里） ； San Francisco, CA, USA（美国旧金山） ； Durgapur, WB, India（印度德里邦杜格apur） 纠错

AI总结 本文提出SOB基准，用于评估大型语言模型在多源数据中的结构化输出质量，通过文本、图像和音频三种模态的测试数据，发现模型在结构合规性上表现良好，但价值准确性在不同数据源中差异显著。

Comments 19 pages, 4 figures, 11 tables, submitted to NeurIPS 2026

Online combinatorial optimization with stochastic decision sets and adversarial losses

在线组合优化与随机决策集及对抗性损失

Gergely Neu, Michal Valko

机构 * SequeL team, INRIA Lille – Nord Europe（INRIA里尔–北欧分部序列团队） 纠错

AI总结 本文研究了处理随机可用性决策集的在线组合优化算法，提出基于扰动领导者预测方法的新算法，并在不同反馈设置下分析其性能，改进了睡眠带宽问题的性能保证。

Comments Published at Neural Information Processing Systems (NeurIPS) 2014

Immediate Derivatives Suffice for Online Recurrent Adaptation

即时导数足以支持在线递归适应

Aur Shalev Merin

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文证明在线递归学习无需传播雅可比张量，通过即时导数实现与全RTRL相似的性能，展示了在不同优化器和网络结构下的有效性。

Comments 25 pages, 4 figures, 19 tables. Submitted to NeurIPS 2026

InternScenes: A Large-scale Simulatable Indoor Scene Dataset with Realistic Layouts

InternScenes: 一个大规模可模拟室内场景数据集，具有逼真布局

Weipeng Zhong, Peizhou Cao, Yichen Jin, Li Luo, Wenzhe Cai, Jingli Lin, Hanqing Wang, Zhaoyang Lyu, Tai Wang, Bo Dai, Xudong Xu, Jiangmiao Pang

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北航） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出InternScenes数据集，包含4万多个多样化场景，涵盖15种常见场景类型和288个物体类别，通过整合现实扫描、程序生成和设计师创作的场景，保留大量小物品以实现逼真布局，用于场景布局生成和点-目标导航任务。

Comments Accepted by NeurIPS 2025; Project page: https://marjordcpz.github.io/InternScenes.github.io

ReSim: Reliable World Simulation for Autonomous Driving

ReSim：面向自动驾驶的可靠世界模拟

Jiazhi Yang, Kashyap Chitta, Shenyuan Gao, Long Chen, Yuqian Shao, Xiaosong Jia, Hongyang Li, Andreas Geiger, Xiangyu Yue, Li Chen

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； OpenDriveLab at Shanghai AI Lab（上海人工智能实验室OpenDrive实验室） ； NVIDIA Research（NVIDIA研究） ； Xiaomi EV（小米电动车） ； Shanghai Jiao Tong University（上海交通大学） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； HKUST（香港科技大学） 纠错

AI总结 本文提出ReSim模型，通过整合真实数据与模拟数据提升自动驾驶场景模拟的可靠性与可控性，提升规划和策略选择性能。

Comments NeurIPS 2025 Spotlight. Project page: https://opendrivelab.com/ReSim

Efficient learning by implicit exploration in bandit problems with side observations

在带有侧观察的老虎机问题中通过隐式探索实现高效学习

Tomas Kocak, Gergely Neu, Michal Valko, Remi Munos

机构 * SequeL team, INRIA Lille – Nord Europe（SequeL团队，INRIA里尔–北欧地区） 纠错

AI总结 本文提出了一种在部分可观测模型下实现近最优后悔保证的算法，通过隐式探索策略在不预先知晓观察系统的情况下提升效率，同时定义了新的部分信息设置以解决在线组合优化问题。

Comments Published at Neural Information Processing Systems (NeurIPS) 2014

Extreme bandits

极端老虎机

Alexandra Carpentier, Michal Valko

机构 * Statistical Laboratory, CMS University of Cambridge（统计实验室，计算机科学与应用数学系，剑桥大学） ； SequeL team INRIA Lille - Nord Europe（SequeL团队，法国国家信息与自动化研究所里尔-北欧洲研究中心） 纠错

AI总结 本文研究在有限反馈下如何高效分配资源检测极端值，提出ExtremeHunter算法并进行实验证明其有效性。

Comments Published at Neural Information Processing Systems (NeurIPS) 2014

Reinforcement Learning with Backtracking Feedback

具有回溯反馈的强化学习

Bilgehan Sel, Vaishakh Keshava, Phillip Wallis, Lukas Rutishauser, Ming Jin, Dingcheng Li

机构 * Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 本文提出RLBF框架，通过强化学习阶段使模型动态纠正生成错误，结合改进的SFT数据生成策略，提升LLM在对抗攻击和内在错误中的安全性。

Comments NeurIPS 2025