NeurIPS

Online Posterior Sampling with a Diffusion Prior

在线后验采样与扩散先验

Branislav Kveton, Boris Oreshkin, Youngsuk Park, Aniket Deshmukh, Rui Song

机构 * Adobe Research（Adobe研究院） ； Amazon（亚马逊公司） ； AWS AI Labs（AWS人工智能实验室） 纠错

AI总结 本文提出了一种基于扩散模型先验的近似后验采样算法，用于基于上下文的老虎机问题，以提高复杂分布建模能力。

Comments Advances in Neural Information Processing Systems 37

GTSinger: A Global Multi-Technique Singing Corpus with Realistic Music Scores for All Singing Tasks

GTSinger: 一个包含真实音乐谱的全球多技术歌唱语料库，适用于所有歌唱任务

Yu Zhang, Changhao Pan, Wenxiang Guo, Ruiqi Li, Zhiyuan Zhu, Jialei Wang, Wenhao Xu, Jingyu Lu, Zhiqing Hong, Chuxin Wang, LiChao Zhang, Jinzheng He, Ziyue Jiang, Yuxin Chen, Chen Yang, Jiecheng Zhou, Xinyu Cheng, Zhou Zhao

机构 * Zhejiang University（浙江大学） 纠错

AI总结 GTSinger是一个包含真实音乐谱的全球多技术歌唱语料库，旨在通过高质量数据和多任务支持提升歌唱任务的可控性和多样性。

Comments Accepted by NeurIPS 2024 (Spotlight)

Journal ref Advances in Neural Information Processing Systems 37 (NeurIPS 2024)

Optimal Design for Human Preference Elicitation

人类偏好获取的最优设计

Subhojyoti Mukherjee, Anusha Lalitha, Kousha Kalantari, Aniket Deshmukh, Ge Liu, Yifei Ma, Branislav Kveton

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； AWS AI Labs（AWS人工智能实验室） ； UIUC（伊利诺伊大学香槟分校） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出了一种基于最优设计的人类偏好获取方法，通过高效算法和实验验证，提升了偏好模型学习的效率和实用性。

Comments Advances in Neural Information Processing Systems 37

Membership and Dataset Inference Attacks on Large Audio Generative Models

成员和数据集推断攻击在大型音频生成模型上

Jakub Proboszcz, Paweł Kochanski, Karol Korszun, Donato Crisostomi, Giorgio Strano, Emanuele Rodolà, Kamil Deja, Jan Dubinski

机构 * Warsaw University of Technology（华沙技术大学） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； IDEAS Research Institute（IDEAS研究所） ； NASK National Research Institute（NASK国家研究所） 纠错

AI总结 本研究通过数据集推断攻击探讨了大型音频生成模型中验证艺术家作品是否被训练所用的可行性，发现DI在音频领域具有实际应用价值。

Comments NeurIPS 2025 AI for Music Workshop NeurIPS 2025 Workshop on Creativity & Generative AI

On Learning Verifiers and Implications to Chain-of-Thought Reasoning

关于学习验证器及其对思维链推理的影响

Maria-Florina Balcan, Avrim Blum, Zhiyuan Li, Dravyansh Sharma

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Northwestern University（西北大学） 纠错

AI总结 本文提出了一种形式化的PAC学习框架，用于学习可靠的验证器以评估自然语言思维链推理的正确性，并提供了样本复杂性上界和下界结果。

Comments 26 pages, NeurIPS 2025

Accelerated projected gradient algorithms for sparsity constrained optimization problems

稀疏约束优化问题的加速投影梯度算法

Jan Harold Alcantara, Ching-pei Lee

AI总结 本文提出两种加速投影梯度算法，用于解决稀疏约束优化问题，通过子空间识别和同空间外推实现超线性收敛和加速优化。

Comments Updated theorem 3.2 to remove a wrong claim

Journal ref NeurIPS 2022

scPilot: Large Language Model Reasoning Toward Automated Single-Cell Analysis and Discovery

scPilot：面向自动化单细胞分析与发现的大型语言模型推理

Yiming Gao, Zhen Wang, Jefferson Chen, Mark Antkowiak, Mengzhou Hu, JungHo Kong, Dexter Pratt, Jieyuan Liu, Enze Ma, Zhiting Hu, Eric P. Xing

机构 * UC San Diego（UC圣地亚哥大学） ； MBZUAI ； CMU（卡内基梅隆大学） ； Texas A&M（德克萨斯A&M大学） 纠错

AI总结 scPilot通过组学原生推理提升单细胞分析的准确性与可解释性，实现自动化细胞类型注释和轨迹重建。

Comments Accepted at NeurIPS 2025 Main Conference

Explaining AI Without Code: A User Study on Explainable AI

无需代码解释AI：可解释AI的用户研究

Natalia Abarca, Andrés Carvallo, Claudia López Moncada, Felipe Bravo-Marquez

机构 * Department of Computer Science, University of Chile（智利大学计算机科学系） ； CENIA – National Center for Artificial Intelligence（人工智能国家研究中心） ； Universidad Técnica Federico Santa María（弗朗西斯科·桑塔玛利亚技术大学） ； IMFD - Millennium Institute for Foundational Research on Data（数据基础研究千年研究所） 纠错

AI总结 本文提出DashAI平台中的可解释AI模块，通过整合PDP、PFI和KernelSHAP技术，提升无代码ML中解释的可访问性和详细性。

Comments LatinX in AI Workshop @ NeurIPS-25

AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise

AutoDiscovery: 通过贝叶斯惊喜实现开放性科学发现

Dhruv Agarwal, Bodhisattwa Prasad Majumder, Reece Adamson, Megha Chakravorty, Satvika Reddy Gavireddy, Aditya Parashar, Harshit Surana, Bhavana Dalvi Mishra, Andrew McCallum, Ashish Sabharwal, Peter Clark

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Allen Institute for AI（人工智能研究院） ； Capital One 纠错

AI总结 AutoDiscovery通过贝叶斯惊喜驱动科学探索，实现开放性科学发现，显著提升发现数量和质量。

Comments Accepted to NeurIPS 2025: https://neurips.cc/virtual/2025/loc/san-diego/poster/116398

Poly-Guard: Massive Multi-Domain Safety Policy-Grounded Guardrail Dataset

Poly-Guard: 大规模多领域安全政策导向的防护数据集

Mintong Kang, Zhaorun Chen, Chejian Xu, Jiawei Zhang, Chengquan Guo, Minzhou Pan, Ivan Revilla, Yu Sun, Bo Li

AI总结 Poly-Guard是一个大规模多领域安全政策导向的防护数据集，旨在提升防护系统的安全性和领域适应性。

Comments NeurIPS 2025 Dataset & Benchmark

Shallow Diffuse: Robust and Invisible Watermarking through Low-Dimensional Subspaces in Diffusion Models

浅层扩散：通过扩散模型中低维子空间实现的鲁棒且不可见的水印技术

Wenda Li, Huijie Zhang, Qing Qu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出Shallow Diffuse，一种通过扩散模型中低维子空间实现鲁棒且不可见水印的技术，提升了水印的检测性和数据生成的一致性。

Comments NeurIPS 2025 Spotlight

Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation

基于Jensen-Shannon散度的响应归因研究：一种驱动上下文归因的机理研究

Ruizhe Li, Chen Chen, Yuchen Hu, Yanjun Gao, Xi Wang, Emine Yilmaz

机构 * University of Aberdeen（阿伯丁大学） ； Nanyang Technological University（南洋理工大学） ； University College London（伦敦大学学院） ； University of Colorado Anschutz Medical Campus（科罗拉多大学安舒兹医学校区） ； University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出基于Jensen-Shannon散度的ARC-JSD方法，实现高效准确的上下文归因，提升RAG模型的性能和效率。

Comments Accepted at ICLR 2026; Best Paper Award at COLM 2025 XLLM-Reason-Plan Workshop; Accepted at NeurIPS 2025 Mechanistic Interpretability Workshop

The Complexity of Bayesian Network Learning: Revisiting the Superstructure

贝叶斯网络学习的复杂性：重新审视超结构

Robert Ganian, Viktoriia Korchemna

机构 * Algorithms and Complexity Group, TU Wien（算法与复杂性组，维也纳技术大学） 纠错

AI总结 本文研究了贝叶斯网络学习的复杂性，证明通过反馈边集大小参数化可实现固定参数可处理性，并展示了其在不同输入表示下的应用及扩展至聚树学习的可能。

Comments A preliminary version of this article appeared in the proceedings of NeurIPS 2021

Causal-Informed Hybrid Online Adaptive Optimization for Ad Load Personalization in Large-Scale Social Networks

因果信息引导的混合在线自适应优化用于大规模社交网络广告负载个性化

Aakash Mishra, Qi Xu, Zhigang Hua, Keyu Nie, Vishwanath Sangale, Vishal Vaingankar, Jizhe Zhang, Ren Mao

AI总结 本文提出CTR CBO框架，结合对偶方法与贝叶斯优化，利用因果机器学习模型提升广告负载个性化效果。

Comments 5 pages, 3 figures, NeurIPS COML Workshop

On Transferring Transferability: Towards a Theory for Size Generalization

关于转移的转移：迈向大小泛化理论

Eitan Levin, Yuxin Ma, Mateo Díaz, Soledad Villar

机构 * Department of Computing and Mathematical Sciences, Caltech（加州理工学院计算与数学科学系） ； Department of Applied Mathematics and Statistics and the Mathematical Institute for Data Science, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系及数据科学数学研究所） 纠错

AI总结 本文提出了一种通用框架，用于研究不同维度间的转移性，并通过理论分析和实验验证了大小泛化的能力。

Comments 75 pages, 10 figures, closest to version to be published in NeurIPS

QUT-DV25: A Dataset for Dynamic Analysis of Next-Gen Software Supply Chain Attacks

QUT-DV25：一个用于下一代软件供应链攻击动态分析的数据集

Sk Tanzir Mehedi, Raja Jurdak, Chadni Islam, Gowri Ramachandran

AI总结 QUT-DV25数据集通过动态分析方法，识别出此前被标记为无害的恶意PyPI包，为下一代软件供应链攻击检测提供了新的研究基础。

Comments 9 pages, 2 figures, 6 tables. https://neurips.cc/virtual/2025/loc/san-diego/poster/121753

Journal ref Advances in Neural Information Processing Systems 39 (NeurIPS 2025)

ChartMuseum: Testing Visual Reasoning Capabilities of Large Vision-Language Models

ChartMuseum: 测试大型视觉-语言模型的视觉推理能力

Liyan Tang, Grace Kim, Xinyu Zhao, Thom Lake, Wenxuan Ding, Fangcong Yin, Prasann Singhal, Manya Wadhwa, Zeyu Leo Liu, Zayne Sprague, Ramya Namuduri, Bodun Hu, Juan Diego Rodriguez, Puyuan Peng, Greg Durrett

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 ChartMuseum通过评估复杂视觉和文本推理能力，揭示了大型视觉-语言模型在视觉推理上的不足。

Comments NeurIPS 2025 Datasets & Benchmarks

ItDPDM: Information-Theoretic Discrete Poisson Diffusion Model

ItDPDM：信息论视角下的离散泊松扩散模型

Sagnik Bhattacharya, Abhiram Gorle, Ahsan Bilal, Connor Ding, Amit Kumar Singh Yadav, Tsachy Weissman

机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Computer Science, Oklahoma University（俄克拉荷马大学计算机科学系） ； School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA（普渡大学电气与计算机工程学院） 纠错

AI总结 本文提出ItDPDM模型，结合信息论视角和离散泊松重建损失，实现对离散数据的精确似然估计与生成建模。

Comments Published in NeurIPS 2025

Among Us: A Sandbox for Measuring and Detecting Agentic Deception

Among Us: 一种用于衡量和检测代理欺骗的沙盒

Satvik Golechha, Adrià Garriga-Alonso

机构 * MATS ； FAR AI 纠错

AI总结 Among Us通过开放的沙盒游戏评估LLM的欺骗能力，发现强化学习训练的模型更擅长生成欺骗而非检测，且基于激活的逻辑回归和SAEs在检测中表现优异。

Comments 21 pages, preprint

Journal ref NeurIPS 2025 (Spotlight)

A Deep Multi-Modal Method for Patient Wound Healing Assessment

一种用于患者伤口愈合评估的深度多模态方法

Subba Reddy Oota, Vijay Rowtula, Shahid Mohammed, Jeffrey Galitz, Minghsun Liu, Manish Gupta

机构 * Woundtech Innovative Healthcare Solutions（Woundtech创新医疗解决方案） ； Microsoft AI Research（微软人工智能研究院） 纠错

AI总结 本文提出了一种深度多模态方法，通过整合伤口变量和图像数据，预测患者住院风险，以提高伤口诊断效率和早期发现愈合问题。

Comments 4 pages, 2 figures

Journal ref Medical Imaging Meets NeurIPS Workshop, 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada

The effect of whitening on explanation performance

白化对解释性能的影响

Benedict Clark, Stoyan Karastoyanov, Rick Wilming, Stefan Haufe

机构 * Physikalisch-Technische Bundesanstalt（物理技术联邦机构） ； Technische Universität Berlin（技术大学柏林） ； Charité – Universitätsmedizin（夏里特大学医学中心） 纠错

AI总结 本文研究数据白化对解释性能的影响，发现特定白化技术可提升解释效果，但效果因方法和模型架构而异。

Comments Presented at the NeurIPS 2024 workshop on Interpretable AI: Past, Present and Future

MEGConformer: Conformer-Based MEG Decoder for Robust Speech and Phoneme Classification

MEGConformer：基于Conformer的MEG解码器用于鲁棒的语音和音素分类

Xabier de Zuazo, Ibon Saratxaga, Eva Navas

机构 * HiTZ Center, University of the Basque Country – UPV/EHU（比斯开国家大学HiTZ中心） 纠错

AI总结 MEGConformer通过Conformer模型实现MEG信号的语音检测与音素分类，采用轻量卷积层和动态加载策略，提升鲁棒性并取得 leaderboard 高分。

Comments 8 pages, 7 figures, 4 tables, v1 presentend in LibriBrain Workshop, NeurIPS 2025; v2 submitted to Odyssey 2026

POCO: Scalable Neural Forecasting through Population Conditioning

POCO：通过群体条件实现可扩展的神经预测

Yu Duan, Hamza Tahir Chaudhry, Misha B. Ahrens, Christopher D Harvey, Matthew G Perich, Karl Deisseroth, Kanaka Rajan

机构 * EECS, MIT（MIT电子工程与计算机科学系） ； SEAS, Harvard University（哈佛大学科学与工程系） ； Janelia Research Campus（贾尔尼亚研究校园） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 POCO通过结合轻量级预测器和群体编码器，实现跨会话神经预测，提升预测精度并揭示生物结构。

Journal ref Advances in Neural Information Processing Systems (2025)

Faithful Group Shapley Value

忠实的群体Shapley值

Kiljae Lee, Ziqi Liu, Weijing Tang, Yuan Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出FGSV，一种能防御壳公司攻击的群体Shapley值方法，并开发了高效的近似算法。

Comments Accepted to NeurIPS 2025

Layer-wise Update Aggregation with Recycling for Communication-Efficient Federated Learning

分层更新聚合与回收的通信高效联邦学习

Jisoo Kim, Sungmin Kang, Sunwoo Lee

机构 * Inha University（延世大学） ； University of Southern California（南加州大学） 纠错

AI总结 FedLUAR通过分层更新聚合与回收技术，在保持模型准确性的同时显著降低联邦学习的通信成本。

Comments NeurIPS 2025

Find your Needle: Small Object Image Retrieval via Multi-Object Attention Optimization

找到你的针：通过多对象注意优化实现小物体图像检索

Michael Green, Matan Levy, Issar Tzachor, Dvir Samuel, Nir Darshan, Rami Ben-Ari

AI总结 本文提出多对象注意优化框架，通过多对象预训练和注意机制特征提取，提升小物体图像检索的性能。

Comments Accepted to NeurIPS 2025

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

Generative diffusion for perceptron problems: statistical physics analysis and efficient algorithms

生成扩散用于感知机问题：统计物理分析与高效算法

Elizaveta Demyanenko, Davide Straziota, Carlo Baldassi, Carlo Lucibello

机构 * Department of Computing Sciences, BIDSA Bocconi University（计算科学系，BIDSA 伯克利大学） 纠错

AI总结 本文提出基于统计物理的生成扩散算法，用于高效采样非凸感知机问题的解空间，通过分析发现负边距情况下可高效采样，而二进制权重则需通过特定势能函数和退火过程实现高效采样。

Comments v3 minor revision after NeurIPS's rebuttal

Journal ref NeurIPS 2025

DiffBreak: Is Diffusion-Based Purification Robust?

DiffBreak: 差分法净化是否具有鲁棒性？

Andre Kassis, Urs Hengartner, Yaoliang Yu

机构 * Cheriton School of Computer Science, University of Waterloo（查尔顿计算机科学学院，滑铁卢大学） 纠错

AI总结 DiffBreak研究指出基于差分的净化存在鲁棒性缺陷，提出改进方法并挑战其有效性。

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

Measuring and Controlling Solution Degeneracy across Task-Trained Recurrent Neural Networks

测量和控制任务训练的递归神经网络中的解退化

Ann Huang, Satpreet H. Singh, Flavio Martinelli, Kanaka Rajan

机构 * Harvard University（哈佛大学） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本研究开发了统一框架，量化和控制任务训练RNN中的解退化，揭示任务复杂性和网络规模对解退化的影响。

Journal ref Advances in Neural Information Processing Systems (2025)

Mechanism Design for LLM Fine-tuning with Multiple Reward Models

基于多重奖励模型的LLM微调机制设计

Haoran Sun, Yurong Chen, Siwei Wang, Xu Chu, Wei Chen, Xiaotie Deng

AI总结 本文提出基于多重奖励模型的LLM微调机制设计，通过机制设计解决智能体策略性误报问题，实现社会福利最大化并确保支付规则的激励兼容性。

Comments NeurIPS 2025