期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
缩小生成-验证差距的弱验证器
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Together AI
AI总结 Weaver通过结合多个弱验证器，有效缩小生成-验证差距，提升验证性能至接近理想验证器水平。
Comments Annual Conference on Neural Information Processing Systems (NeurIPS) 2025
助力音乐协同创作智能体“良好聆听”：用于理解与生成的分层自监督世界模型
机构 * Belmont University（贝尔蒙特大学）
AI总结 本研究提出分层自监督世界模型，通过Swin V2编码器与条件流匹配模型构建协同音乐创作智能体，提升了和弦与调式检测准确率，可快速生成音乐建议并支持交互演示。
Comments 20 pages, 14 figures. A 6-page version was submitted to the NeurIPS 2026 Creative AI Track. Supplemental website with listening examples: https://drscotthawley.github.io/midi-rae-jepa-son/. Live demo: https://drscotthawley-midi-rae-jepa-son.hf.space/
SafeCommit：验证基于记忆的智能体何时可以安全行动
机构 * Florida International University（佛罗里达国际大学）
AI总结 针对长程智能体过早承诺的问题，提出SafeCommit风险控制层，通过构建合理潜在世界、共形动作证书等实现安全行动决策，还展示了安全-效用权衡。
Comments 14 pages, 6 tables, and 1 figure, target NeurIPS
循环残差量化：面向大语言模型的渐进式多精度表示
机构 * Intel（英特尔）
AI总结 本文提出循环残差量化（RRQ）框架，可从单个检查点生成LLM的多种精度表示，构建速度比MatGPTQ快3.3倍，在6、8比特精度下表现有竞争力，代码将公开。
Comments NeurIPS 2026 submission; 14 tables, 1 algorithm, and no figures
GeRaF: 从射频信号进行神经几何重建
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院）
AI总结 提出GeRaF方法，利用神经隐式学习从射频信号重建近距3D几何，通过滤波渲染、物理射频体渲染和无透镜采样策略解决低分辨率、噪声和镜面反射问题。
Comments Accepted at NeurIPS 2025 (Spotlight)
Journal ref Advances in Neural Information Processing Systems 38 (2026): 94200-94230
解读GFlowNets用于药物发现：为药物化学提取可操作见解
机构 * Montai Therapeutics（蒙泰治疗公司）
AI总结 本文提出了一种可解释性框架，用于解读SynFlowNet在药物发现中的化学逻辑，通过揭示分子生成的机理和可操作性见解，支持透明可控的分子设计。
Comments 25 pages, 17 figures in V2. v1 was Accepted for presentation at NeurIPS 2025 WiML Workshop and Molecular Machine Learning Conference (MoML) 2025
Motif-Mamba：融合网络基序改进Mamba的长程序列建模模型
机构 * Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences（中国科学院脑科学与智能技术卓越创新中心）
AI总结 该研究提出融合网络基序的结构化状态空间模型Motif-Mamba，改进Mamba的对角状态转移限制，在长序列建模任务上性能优于原Mamba，为长程序列建模提供有效结构先验。
Comments 9 pages of main text, 8 pages of appendix, 6 figures. Submitted to NeurIPS 2026
检索增强可解释学习：迈向医疗保健领域特定任务的零样本模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； GenBio AI（基因生物人工智能公司） ； Intel（英特尔公司）
AI总结 研究针对医疗保健领域特定任务零样本模型问题推出检索增强可解释学习（RAIL）框架，通过检索相关任务并传递结构生成新预测器，概率公式提供不确定性支持可靠性感知部署，在临床程序预测任务中性能可靠，还提升模型透明度。
Comments A preliminary, non-archival version of this work, titled RAG-IM, was presented at NeurIPS 2024 workshops and the ML4H 2024 Findings track. The work was subsequently renamed Retrieval-Augmented Interpretable Learning (RAIL)
机构 * Carnegie Mellon University（卡内基梅隆大学）
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
基于张量补全的最优晶格结构设计的代理建模
机构 * University of California, Riverside（加州大学河滨分校） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
AI总结 本研究针对材料设计中训练数据非均匀采样的问题，提出用张量补全作为代理模型，其在偏置采样场景下的$R^2$比经典ML方法高约5%，且均匀采样时性能相当，可加速最优晶格结构设计。
Comments NeurIPS 2025 AI4Mat Workshop
T-TAMER：可证明地管控机器学习服务中的权衡
机构 * Department of Computer Science & Engineering University of Washington（华盛顿大学计算机科学与工程系） ； Department of Computer Science University of Chicago（芝加哥大学计算机科学系）
AI总结 该研究针对机器学习服务中的权衡问题，提出通用框架T-Tamer，证明回溯是获得最优权衡的关键，通过实验验证基于回溯的策略能实现高效的准确率-延迟权衡，为相关模型设计提供理论基础。
Comments Correspondence should be addressed to yyangh at cs dot washington dot edu or haifengxu@uchicago.edu. This manuscript extends our earlier workshop version, which was accepted at the NeurIPS SPIGM 2025 Workshop, and has been accepted to ICLR 2026
OpenDebateEvidence：一个大规模论证挖掘与摘要数据集
AI总结 该研究推出源自美国竞技辩论界的大规模OpenDebateEvidence数据集，经实验验证微调大语言模型可实现论证性抽象摘要，旨在推进计算论证并公开数据集供研究使用。
Comments Published to the 38th Conference on Neural Information Processing Systems (NeurIPS 2024) Track on Datasets and Benchmarks
超越黑箱建议：基于Q值预测的马尔可夫决策过程学习增强算法
AI总结 针对带不可信机器学习建议的单轨迹时变MDP，该研究提出利用Q值建议动态选择最优方案的学习增强算法，证明其一致性与鲁棒性权衡结果优于仅用黑箱建议的方法。
Comments 33 pages, NeurIPS 2023
潜在因素：学习深度状态空间模型
AI总结 本文提出了一种约束优化框架和扩展卡尔曼变分自编码器，用于改进深度状态空间模型的动态建模和预测准确性。
Comments Published at NeurIPS 2021
Journal ref Advances in Neural Information Processing Systems 34 (2021): 10234-10245
MetaKoopman：用于分布偏移下结构化动力学建模的Koopman算子贝叶斯元学习框架
机构 * TRATON（特拉顿集团） ； KTH Royal Institute of Technology（瑞典皇家理工学院）
AI总结 MetaKoopman作为贝叶斯元学习框架，通过学习Koopman算子先验实现分布偏移下非线性动力学的精准建模与预测，在卡车挂车系统的野外及模拟任务中表现优于现有方法，可用于鲁棒运动规划。
Journal ref Advances in Neural Information Processing Systems 38 (2025), 29551-29584
RAGuard：一种针对检索增强生成系统数据中毒的分层防御框架
AI总结 该研究针对RAG系统的语料库中毒攻击，提出分层防御框架RAGuard，含对抗微调检索器与ZKIP两层，可将攻击成功率降至0，且保持检索性能，相关资源已开源。
Comments Accepted to NeurIPS ResponsibleFM 2025, AAAI FrontierIR 2026
HealthSLM-Bench：面向移动与可穿戴医疗监护的小型语言模型基准测试
机构 * School of Computing and Information Systems, University of Melbourne, Australia（墨尔本大学计算机与信息系统学院） ； School of Computer Science, University of Auckland, New Zealand（奥克兰大学计算机科学学院）
AI总结 本研究构建HealthSLM-Bench基准，评估小型语言模型（SLMs）在医疗预测任务的表现，发现SLMs性能接近大型语言模型且效率、隐私性更优，为隐私保护型医疗监护提供新方向。
Comments 9 pages, 6 tables, 6 figures. Accepted at NeurIPS 2025 Workshop on GenAI4Health
Glyce：用于中文字符表示的字形向量
AI总结 Glyce通过引入历史中文字体和定制CNN结构，提升中文NLP任务中的字形信息利用，实现多项任务的性能突破。
Comments Accepted by NeurIPS 2019
语言模型的物理：第4.1部分，架构设计与Canon层的魔力
AI总结 本研究提出Canon层，通过轻量级架构组件提升语言模型的推理深度和广度，验证了其在不同架构中的有效性，并展示了其在学术预训练中的潜力。
Comments V1.1 appeared in NeurIPS 2025 main conference; V2 adds GDN experiments, tightens others for a stronger, fairer comparison, and reorganizes sections; V3 adds Result 2.1 and Section 5.2 on how Canon layers improve hierarchical feature learning, from our Jan 2026 talk
自注意力动力学中聚类的出现
AI总结 研究揭示了自注意力机制中聚类现象的数学基础，证明了在特定条件下自注意力矩阵收敛为低秩布尔矩阵，并验证了Transformer处理序列时领导者出现的实证现象。
Journal ref Advances in Neural Information Processing Systems 36 (2023), 57026-57037
Re-FORC：用于高效思维链推理的自适应奖励预测
机构 * AWS Agentic AI（AWS智能代理部门） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究提出Re-FORC自适应奖励预测方法，通过在推理模型上训练轻量级适配器，实现早期停止无前景推理链、优化模型和思维长度选择以及自适应测试时缩放，有效提升推理效率和准确率。
Comments Accepted at ICML 2026; previously accepted as a non-archival paper at the Efficient Reasoning Workshop at NeurIPS 2025
上下文加权离散流匹配
机构 * University of Amsterdam（阿姆斯特丹大学） ； Meta FAIR
AI总结 研究离散生成建模，提出对连续时间马尔可夫链的简单修改，通过上下文加权采样器和缩放交叉熵损失函数，纳入局部上下文信息，提高生成质量与训练效率，在质量上与强基线匹配且能任意顺序生成。
Comments Under review at NeurIPS 2026
神经网络训练可处理性的新复杂性理论前沿
机构 * Vienna University of Technology（维也纳工业大学）
AI总结 研究神经网络训练最优性的计算复杂性，针对线性和ReLU激活函数网络，给出新算法上界，确定ReLU网络隐藏神经元出度为1时多项式时间可处理，找到线性激活函数网络满足新条件时首个多项式时间可解类。
Comments Appeared in the proceedings of NeurIPS 2023
精确的最小最大最优局部差分隐私采样
机构 * School of Electrical Engineering, KAIST（韩国科学技术院电气工程学院） ； Department of Computing and Software, McMaster University（麦斯特大学计算机与软件系）
AI总结 本文提出了一种在局部差分隐私下精确最优的采样机制，通过f-散度度量效用，实现了有限和连续数据空间的最优隐私-效用权衡。
Comments 32 pages and 7 figures. Accepted by NeurIPS 2024
Rem3Di：从原子基础模型学习平滑、手性3D分子描述符
AI总结 Rem3Di是一种表征学习框架，利用原子基础模型潜在特征生成可转移分子描述符，用于性质预测和虚拟筛选。它能捕捉分子手性，在药物性质基准测试中表现出色，还能区分过渡金属配合物，为化学机器学习提供新途径。
Comments An earlier version of this work appeared at the NeurIPS 2025 Workshop on Symmetry and Geometry in Neural Representations (NeurReps). Workshop version: https://openreview.net/forum?id=jOmZsvXoK5
迈向医学数据的视觉-语言基础模型：越南语PET/CT报告生成的多模态数据集和基准
机构 * AI4LIFE, Hanoi University of Science and Technology, Vietnam（AI4LIFE，河内科学技术大学，越南） ； Nagoya University, Japan（名古屋大学，日本） ； AIST, Japan（日本国家先进工业技术研究院） ； VinUniversity, Vietnam（文园大学，越南） ； NVIDIA, USA（NVIDIA，美国） ； Griffith University, Australia（格里菲斯大学，澳大利亚） ； Hanoi Medical University, Vietnam（河内医学院，越南） ； Military Central Hospital, Vietnam（越南108中央军医院）
AI总结 本文提出了一种面向越南语医学数据的多模态数据集和基准，旨在解决医学影像领域中PET/CT数据不足和低资源语言代表性不足的问题。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Track on Datasets and Benchmarks
学习交朋友：引导大语言模型智能体形成新兴社会关系
机构 * EPFL Lausanne, Switzerland（洛桑联邦理工学院） ； University of Technology Sydney（悉尼技术大学）
AI总结 研究LLM智能体能否再现人类在线行为社会动态及相关机制。提出多智能体LLM模拟框架，设计行为奖励函数，经实验发现引导后的智能体形成稳定互动与社会关系，为研究LLM群体集体动态建立测试平台。
Comments NeurIPS 2025 Workshop: Scaling Environments for Agents (SEA)
基于序列注意力的病理分析采样
机构 * Indian Institute of Science（印度科学院）
AI总结 SASHA通过基于序列注意力的深度强化学习方法，实现对高分辨率病理图像的高效分析，以较低的计算成本达到与现有方法相当的诊断性能。
Comments Accepted at NeurIPS 2025. This version matches the camera-ready copy
STSBench：用于灵长类动物视觉皮层背侧流神经元活动建模的大规模数据集
机构 * Neuroscience Interdepartmental Program, Stanford University（斯坦福大学神经科学跨学科项目） ； Department of Neurobiology, Stanford University（斯坦福大学神经生物学系） ； Howard Hughes Medical Institute, Stanford University（斯坦福大学霍华德·霍夫曼医学研究所）
AI总结 针对灵长类动物视觉系统背侧流建模缺乏大规模数据集的问题，提出STSBench数据集，它包含超2000个神经元记录，比现有数据集增加近50倍，可用于背侧流神经元反应编码模型基准测试及视觉输入重建。
Comments 21 pages, 10 figures, Advances in Neural Information Processing Systems 38 (NeurIPS 2025) Datasets and Benchmarks Track
Journal ref Advances in Neural Information Processing Systems 38 (2025)
告诉我为什么（不过是一场拥堵）：城市驾驶数据的探索性因果分析
机构 * Rutgers University（罗格斯大学）
AI总结 研究城市驾驶数据因果问题，提出teLLMe系统，结合多种方法从结构化事件表出发，通过模式感知大语言模型映射问题，返回‘因果卡片’总结相关内容，能揭示合理关系，用于假设生成和专家推理。
Comments Accepted at the NeurIPS 2025 Workshop on UrbanAI. 6 pages
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈