NeurIPS

Connecting Jensen-Shannon and Kullback-Leibler Divergences: A New Bound for Representation Learning

连接Jensen-Shannon和Kullback-Leibler散度：表示学习中的新界限

Reuben Dorent, Polina Golland, William Wells

机构 * Inria（法国国家信息与自动化研究所） 纠错

AI总结 本文通过推导JSD与KLD之间的新下界，揭示了JSD基于信息最大化与互信息之间的关系，并展示了其在表示学习中的应用和有效性。

Comments Accepted at NeurIPS 2025. This revised version provides a proof of Lemma B.5, previously stated as a conjecture in the original submission. Code available at https://github.com/ReubenDo/JSDlowerbound/

Strategic Costs of Perceived Bias in Fair Selection

公平选拔中的感知偏见战略成本

L. Elisa Celis, Lingxiao Huang, Milind Sohoni, Nisheeth K. Vishnoi

机构 * Yale University（耶鲁大学） ； Nanjing University（南京大学） ； IIT Bombay（印度理工学院班加罗尔分校） 纠错

AI总结 本文通过博弈论模型分析不同社会经济群体在感知后选择价值差异下的努力分配，揭示这种差异如何影响代表性、社会福利和效用，提出成本敏感优化框架以减少不平等。

Comments The paper has been accepted by NeurIPS 2025

EfficientNav: Towards On-Device Object-Goal Navigation with Navigation Map Caching and Retrieval

EfficientNav: 面向设备端目标物体导航的导航地图缓存与检索

Zebin Yang, Sunjian Zheng, Tong Xie, Tianshi Xu, Bo Yu, Fan Wang, Jie Tang, Shaoshan Liu, Meng Li

机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Integrated Circuits, Peking University（北京大学集成电路学院） ； Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院） ； School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） ； Beijing Advanced Innovation Center for Integrated Circuits（北京集成电路先进制造创新中心） 纠错

AI总结 本文提出EfficientNav，通过语义感知记忆检索和离散记忆缓存技术，在设备端实现零样本目标物体导航，提升成功率并降低规划延迟。

Comments NeurIPS 2025

From Euler to AI: Unifying Formulas for Mathematical Constants

从欧拉到人工智能：数学常数的统一公式

Tomer Raz, Michael Shalyt, Elyasheev Leibtag, Rotem Kalisch, Shachar Weinbaum, Yaron Hadad, Ido Kaminer

机构 * Technion – Israel Institute of Technology（技术ion理工学院） 纠错

AI总结 本文提出自动化框架统一数学公式，通过LLM和符号算法处理455,500篇论文，验证385个π公式并证明其中94%的关系，揭示数学常数间的深层联系。

Comments Final version for NeurIPS2025. Published at https://neurips.cc/virtual/2025/loc/san-diego/poster/117099

SAM-R1: Leveraging SAM for Reward Feedback in Multimodal Segmentation via Reinforcement Learning

SAM-R1：通过强化学习利用SAM进行多模态分割的奖励反馈

Jiaqi Huang, Zunnan Xu, Jun Zhou, Ting Liu, Yicheng Xiao, Mingwen Ou, Bowen Ji, Xiu Li, Kehong Yuan

AI总结 本文提出SAM-R1框架，通过整合任务特定的细粒度奖励与定制优化目标，提升多模态模型在图像理解任务中的细粒度推理与分割对齐能力，仅用3k训练样本即在多个基准上取得优异表现。

Comments Accepted to NeurIPS 2025

MetaGS: A Meta-Learned Gaussian-Phong Model for Out-of-Distribution 3D Scene Relighting

MetaGS: 一种基于元学习的高斯-Phong模型用于分布外3D场景重照明

Yumeng He, Yunbo Wang, Xiaokang Yang

AI总结 MetaGS通过元学习训练3D高斯点散射模型，结合Blinn-Phong物理先验，提升分布外3D场景重照明的鲁棒性和准确性。

Comments Accepted by NeurIPS 2025 (Spotlight). Code: https://github.com/raynehe/MetaGS

Spectrum Matching: a Unified Perspective for Superior Diffusability in Latent Diffusion

频谱匹配：一种提升潜在扩散扩散性的统一视角

Mang Ning, Mingxiao Li, Le Zhang, Lanmiao Liu, Matthew B. Blaschko, Albert Ali Salah, Itir Onal Ertugrul

AI总结 本文研究了变分自编码器在潜在扩散中的扩散性，提出频谱匹配假设，通过频谱匹配提升潜在扩散性，并在多个数据集上验证了其有效性。

Comments We use NIPS template for readability reason

Diffusion-Classifier Synergy: Reward-Aligned Learning via Mutual Boosting Loop for FSCIL

扩散-分类器协同：通过互boost循环实现奖励对齐学习以实现少样本类增量学习

Ruitao Wu, Yifan Zhao, Guangyao Chen, Jia Li

AI总结 本文提出Diffusion-Classifier Synergy框架，通过扩散模型与分类器的互boost循环，利用奖励对齐策略提升少样本类增量学习的性能，增强知识保留与新类学习能力。

Comments Accepted by NeurIPS 2025

Quantifying task-relevant representational similarity using decision variable correlation

利用决策变量相关性量化任务相关的表征相似性

Yu Eric Qian, Wilson S. Geisler, Xue-Xin Wei

AI总结 本文提出利用决策变量相关性（DVC）量化两种观察者（模型或大脑）在任务相关决策策略上的相似性，发现模型与猴子的相似性较低，且网络性能越高DVC越低。

Comments Camera-ready version; accepted at NeurIPS 2025

Inference-time Alignment in Continuous Space

连续空间中的推理对齐

Yige Yuan, Teng Xiao, Li Yunfan, Bingbing Xu, Shuchang Tao, Yunqi Qiu, Huawei Shen, Xueqi Cheng

AI总结 本文提出SEA算法，通过连续潜在空间中的梯度采样对齐大语言模型，提升在弱基策略或小候选集下的效果，实验显示在AdvBench和MATH上分别提升77.51%和16.36%。

Comments Accepted at NeurIPS 2025

INST-IT: Boosting Instance Understanding via Explicit Visual Prompt Instruction Tuning

INST-IT：通过显式视觉提示指令微调提升实例理解

Wujian Peng, Lingchen Meng, Yitong Chen, Yiweng Xie, Yang Liu, Tao Gui, Hang Xu, Xipeng Qiu, Zuxuan Wu, Yu-Gang Jiang

AI总结 本文提出INST-IT方法，通过显式视觉提示指令微调提升大模型的实例理解能力，构建了评估基准和数据集，并在多个基准上验证了方法的有效性。

Comments Accepted by NeurIPS 2025

Faster Stochastic Algorithms for Minimax Optimization under Polyak--Łojasiewicz Conditions

更快的随机算法用于在Polyak-Łojasiewicz条件下最小最大优化

Lesi Chen, Boyuan Yao, Luo Luo

AI总结 本文提出SPIDER-GDA算法，用于解决有限和形式的最小最大优化问题，在满足PL条件时，其SFO复杂度优于现有方法，且在退化情况下进一步加速。

Comments NeurIPS 2022; this version removes Assumption 5.1, fix a mistake in Thm. 4.1, and polish the writing

Exploring Low-Dimensional Subspaces in Diffusion Models for Controllable Image Editing

在扩散模型中探索低维子空间以实现可控图像编辑

Siyi Chen, Huijie Zhang, Minzhe Guo, Yifu Lu, Peng Wang, Qing Qu

AI总结 本文通过分析扩散模型中后验均值预测器的局部线性和Jacobian奇异向量的低维特性，提出无需训练的LOCO Edit方法，实现精准局部图像编辑，并扩展至文本监督下的图像编辑。

Comments NeurIPS 2024

Large language models show fragile cognitive reasoning about human emotions

大型语言模型在人类情感认知推理中的脆弱性

Sree Bhattacharyya, Evgenii Kuriabov, Lucas Craig, Tharun Dilliraj, Reginald B. Adams,, Jia Li, James Z. Wang

AI总结 本文探讨大型语言模型是否能通过认知维度而非标签进行情感推理，提出CoRE基准测试，发现模型在情感认知结构上有系统性关系，但与人类判断存在偏差且在不同上下文中不稳定。

Comments Under Review, a version was presented at WiML Workshop @ NeurIPS 2025

Adaptive $Q$-Aid for Conditional Supervised Learning in Offline Reinforcement Learning

自适应Q-辅助用于离线强化学习中的条件监督学习

Jeonghye Kim, Suyoung Lee, Woojun Kim, Youngchul Sung

AI总结 本文提出QCS方法，结合RCSL的稳定性与Q函数的缝合能力，通过自适应整合Q-辅助到损失函数中，提升离线强化学习性能。

Comments Accepted to NeurIPS 2024 (reduced file-size version). The project page is available at https://beanie00.com/publications/qcs

Scaling Laws and Pathologies of Single-Layer PINNs: Network Width and PDE Nonlinearity

单层PINN的缩放规律与病态：网络宽度与PDE非线性性

Faris Chaudhry

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

AI总结 研究单层PINN在非线性PDE中的缩放规律与病态，发现网络宽度与非线性性对解精度的影响，提出通过实验测量复杂缩放效应的方法。

Comments Accepted at the Machine Learning and Physical Sciences Workshop (NeurIPS 2025)

Asymptotic and Finite-Time Guarantees for Langevin-Based Temperature Annealing in InfoNCE

退火在InfoNCE中的渐近性和有限时间保证

Faris Chaudhry

AI总结 本文通过Langevin动力学模型分析了InfoNCE损失中温度参数的动力学，证明了慢速温度调度可保证收敛到全局最优表示，而快速调度可能导致陷入次优极小值。

Comments Accepted at the Optimization for Machine Learning Workshop (NeurIPS 2025)

Evidence from fMRI Supports a Two-Phase Abstraction Process in Language Models

fMRI证据支持语言模型中的两阶段抽象过程

Emily Cheng, Richard J. Antonello

机构 * Universitat Pompeu Fabra Barcelona（巴塞罗那庞培乌法布拉大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 研究通过fMRI数据表明，语言模型中存在两阶段抽象过程，中间层在预测自然语言刺激脑响应方面表现更优，且抽象过程随训练进行自然形成，与表示的内在维度性有关。

Comments Equal contribution from both authors. Submitted to NeurIPS NeuroAI workshop 2024

Journal ref Best abstract at NeurIPS UniReps 2024

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner

量化治疗效应的偶然不确定性：一种新的正交学习者

Valentyn Melnychuk, Stefan Feuerriegel, Mihaela van der Schaar

AI总结 本文提出了一种新的正交学习者（AU-learner），用于量化治疗效应的偶然不确定性，通过部分可识别性方法获得CDTE的精确界限，并展示了其在Neyman正交性和准Oracle效率方面的优势。

Journal ref Proceedings of the 38th Conference on Neural Information Processing Systems (NeurIPS 2024), Vancouver, Canada, 2024

GaLoRA: Parameter-Efficient Graph-Aware LLMs for Node Classification

GaLoRA：参数高效图感知大语言模型用于节点分类

Mayur Choudhary, Saptarshi Sengupta, Katerina Potika

AI总结 GaLoRA通过整合结构信息提升LLMs在文本属性图节点分类中的性能，仅用0.24%的参数量即可达到与最新模型相当的效果。

Comments 10 pages, 2 figures, 11 tables, 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop

MITRA: An AI Assistant for Knowledge Retrieval in Physics Collaborations

MITRA：一种用于物理学协作中知识检索的AI助手

Abhishikth Mallampalli, Sridhara Dasu

AI总结 MITRA是一种基于RAG的AI助手，通过本地化框架实现物理学协作中的高效知识检索与生成。

Comments Accepted at NeurIPS 2025 Machine Learning for the Physical Sciences workshop and Lepton Photon conference 2025 (Computing AI/ML track)

What We Don't C: Manifold Disentanglement for Structured Discovery

我们未捕捉到的：结构发现的流解耦

Brian Rogers, Micah Bowles, Chris J. Lintott, Steve Croft, Oliver N. F. King, James Kostas Ray

AI总结 What We Don't C通过移除条件指导中的信息来解耦潜在子空间，从而提升对潜在表示的分析与再利用能力。

Comments v2: Preprint of extended version. 21 pages. v1: Short version accepted to the Machine Learning and the Physical Sciences workshop at NeurIPS 2025 (Number 315: https://ml4physicalsciences.github.io/2025/)

Opinion Maximization in Social Networks by Modifying Internal Opinions

通过修改内部意见实现社交网络中的意见最大化

Gengyu Wang, Runze Zhang, Zhongzhi Zhang

AI总结 本文提出通过修改关键节点内部意见来最大化社交网络整体意见，采用高效采样算法和确定性异步算法，实现高效率和精度的优化方案。

Comments Accepted by NeurIPS 2025

Journal ref NeurIPS 2025, Poster ID: 117421

Global Minimizers of Sigmoid Contrastive Loss

对Sigmoid对比损失的全局极小值

Kiril Bangachev, Guy Bresler, Iliyas Noman, Yury Polyanskiy

机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） 纠错

AI总结 本文理论分析了Sigmoid对比损失中同步可训练逆温度和偏置的优势，并提出改进训练动态的重参数化方法。

Comments Author names listed in alphabetical order. NeurIPS 2025. New version includes some results on the geometry of CLIP in addition to geometry of SigLIP

Efficient Reasoning at Fixed Test-Time Cost via Length-Aware Attention Priors and Gain-Aware Training

通过长度感知注意力先验和增益感知训练实现固定测试时间成本下的高效推理

Rian Atri

AI总结 本文提出长度感知注意力先验和增益感知训练方法，通过减少验证交叉熵并保持测试时间成本不变，在长跨度噪声logit区域实现高效推理。

Comments 19 pages, 6 tables, 1 figure. NeurIPS 2025 Workshop on Efficient Reasoning

GraphKeeper: Graph Domain-Incremental Learning via Knowledge Disentanglement and Preservation

GraphKeeper: 通过知识解耦与保留实现图领域增量学习

Zihao Guo, Qingyun Sun, Ziwei Zhang, Haonan Yuan, Huiping Zhuang, Xingcheng Fu, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering, Beihang University（信息与通信工程学院，北京航空航天大学） ； Shien-Ming Wu School of Intelligent Engineering, South China University of Technology（智能工程学院，华南理工大学） ； Key Lab of Education Blockchain and Intelligent Technology, Guangxi Normal University（教育区块链与智能技术重点实验室，广西师范大学） 纠错

AI总结 GraphKeeper通过知识解耦与保留解决图领域增量学习中的灾难性遗忘问题，实现跨多领域稳定学习。

Comments Accepted by the Main Track of NeurIPS-2025

Kuramoto Orientation Diffusion Models

Kuramoto方向扩散模型

Yue Song, T. Anderson Keller, Sevan Brodjian, Takeru Miyato, Yisong Yue, Pietro Perona, Max Welling

AI总结 Kuramoto方向扩散模型利用生物系统中的相位同步机制，通过周期域构建生成模型，实现对方向性图像的结构化生成。

Comments NeurIPS 2025

SATURN: SAT-based Reinforcement Learning to Unleash LLMs Reasoning

SATURN: 基于求解的强化学习以释放大语言模型的推理能力

Huanyu Liu, Ge Li, Jia Li, Hao Zhu, Kechi Zhang, Yihong Dong

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

AI总结 Saturn通过基于SAT问题的强化学习框架，提升大语言模型的推理能力，实现可扩展的任务构建、规则验证和难度控制，取得显著效果。

Comments Camera-ready version for Neural Information Processing Systems (NeurIPS) 2025, Spotlight Paper

SCALAR: Learning and Composing Skills through LLM Guided Symbolic Planning and Deep RL Grounding

SCALAR：通过LLM引导的符号规划和深度RL接地学习与组合技能

Renos Zabounidis, Yue Wu, Simon Stepputtis, Woojun Kim, Yuanzhi Li, Tom Mitchell, Katia Sycara

AI总结 SCALAR通过结合LLM引导的符号规划与深度RL，实现技能学习与组合，显著提升任务完成效率和鲁棒性。

Comments Best Paper Award Honorable Mention at NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning

OCN: Effectively Utilizing Higher-Order Common Neighbors for Better Link Prediction

OCN：有效利用高阶共同邻居以实现更好的链接预测

Juntong Wang, Xiyuan Wang, Muhan Zhang

机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院，北京大学） 纠错

AI总结 OCN通过正交化和归一化技术有效利用高阶共同邻居，显著提升链接预测性能。

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

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