NeurIPS

Learning Without Augmenting: Unsupervised Time Series Representation Learning via Frame Projections

无需增强学习：通过帧投影实现无监督时间序列表示学习

Berken Utku Demirel, Christian Holz

AI总结 本文提出一种通过帧投影生成视图的无监督时间序列表示学习方法，无需数据增强即可提升性能，适用于多个时间序列任务。

Comments Published at the Conference on Neural Information Processing Systems (NeurIPS) 2025

CodeAssistBench (CAB): Dataset & Benchmarking for Multi-turn Chat-Based Code Assistance

CodeAssistBench (CAB): 用于多轮聊天式代码协助的数据库与基准测试

Myeongsoo Kim, Shweta Garg, Baishakhi Ray, Varun Kumar, Anoop Deoras

机构 * AWS AI Labs（AWS人工智能实验室） 纠错

AI总结 CodeAssistBench首次提出多轮、项目导向的编程协助基准测试，揭示当前LLM在真实项目情境中的性能差距。

Comments Accepted to NeurIPS 2025 Datasets and Benchmarks Track

Learning normalized image densities via dual score matching

通过双分数匹配学习归一化图像密度

Florentin Guth, Zahra Kadkhodaie, Eero P Simoncelli

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Flatiron Institute, Simons Foundation（Flatiron研究所，Simons基金会） ； New York University（纽约大学） 纠错

AI总结 本文提出通过双分数匹配学习归一化图像密度模型，实现能量的一致性和归一化，并在ImageNet64上取得与当前最佳相当的性能。

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

Autoencoding Random Forests

自编码随机森林

Binh Duc Vu, Jan Kapar, Marvin Wright, David S. Watson

机构 * King’s College London（伦敦国王学院） ； Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱比锡预防研究与流行病学研究所） ； University of Bremen（不来梅大学） 纠错

AI总结 本文提出基于随机森林的自编码方法，通过低维嵌入和解码技术实现数据压缩与重构，适用于多种数据类型，提升可视化和聚类效果。

Comments 10 pages main text, 27 pages total. 9 figures, 4 tables. To be published in proceedings of the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

GraLoRA: Granular Low-Rank Adaptation for Parameter-Efficient Fine-Tuning

GraLoRA: 颗粒化低秩适应用于参数高效微调

Yeonjoon Jung, Daehyun Ahn, Hyungjun Kim, Taesu Kim, Eunhyeok Park

机构 * SqueezeBits ； POSTECH 纠错

AI总结 GraLoRA通过颗粒化低秩适应提升参数高效微调效果，实现比LoRA更高的准确性和鲁棒性。

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

Deep Learning for Continuous-Time Stochastic Control with Jumps

具有跳跃的连续时间随机控制的深度学习

Patrick Cheridito, Jean-Loup Dupret, Donatien Hainaut

机构 * ETH Zurich（苏黎世联邦理工学院） ； LIDAM-ISBA UCLouvain（列日大学LIDAM-ISBA） 纠错

AI总结 本文提出了一种基于深度学习的连续时间随机控制方法，通过训练两个神经网络来解决具有跳跃的随机控制问题，并展示了其在复杂高维任务中的有效性。

Comments NeurIPS 2025

Why Knowledge Distillation Works in Generative Models: A Minimal Working Explanation

为何知识蒸馏在生成模型中有效：一个最小可行解释

Sungmin Cha, Kyunghyun Cho

机构 * New York University（纽约大学） ； Genentech（基因泰克） 纠错

AI总结 本文通过模拟和实验揭示了知识蒸馏在生成模型中通过精度与召回权衡提升生成质量的机制。

Comments NeurIPS 2025 camera ready version

RTV-Bench: Benchmarking MLLM Continuous Perception, Understanding and Reasoning through Real-Time Video

RTV-Bench: 通过实时视频对多模态大语言模型的连续感知、理解和推理进行基准测试

Shuhang Xun, Sicheng Tao, Jungang Li, Yibo Shi, Zhixin Lin, Zhanhui Zhu, Yibo Yan, Hanqian Li, Linghao Zhang, Shikang Wang, Yixin Liu, Hanbo Zhang, Ying Ma, Xuming Hu

机构 * HIT（哈尔滨工业大学） ； HKUST (GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； XJTU（西安交通大学） ； SDU（山东大学） ； CityU（城市大学） ； HUST（华中科技大学） 纠错

AI总结 RTV-Bench通过实时视频对多模态大语言模型的连续感知、理解和推理能力进行细粒度基准测试，揭示了实时模型在长时段视频处理中的性能优势与局限。

Comments Accepted by NeurIPS 2025 Datasets and Benchmarks Track;

Exploring the Translation Mechanism of Large Language Models

探索大型语言模型的翻译机制

Hongbin Zhang, Kehai Chen, Xuefeng Bai, Xiucheng Li, Yang Xiang, Min Zhang

机构 * Institute of Computing and Intelligence（计算与智能研究所） ； Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） 纠错

AI总结 本研究提出子空间干预路径修补法，揭示大型语言模型翻译机制，发现稀疏组件子集主导翻译，通过微调提升性能并推广至复杂任务。

Comments Accepted in NeurIPS 2025 Poster

Projection-based Lyapunov method for fully heterogeneous weakly-coupled MDPs

基于投影的Lyapunov方法用于完全异质的弱耦合马尔可夫决策过程

Xiangcheng Zhang, Yige Hong, Weina Wang

机构 * Weiyang College, Tsinghua University（清华大学韦阳学院） ； Computer Science Department, Carnegie Mellon University（卡内基梅隆大学计算机科学系） 纠错

AI总结 本文提出基于投影的Lyapunov方法，解决了完全异质弱耦合马尔可夫决策过程的渐近最优性问题。

Comments 37 pages; full version for NeurIPS proceeding paper; fixed some typos

Robust LLM Alignment via Distributionally Robust Direct Preference Optimization

通过分布鲁棒直接偏好优化实现鲁棒的大语言模型对齐

Zaiyan Xu, Sushil Vemuri, Kishan Panaganti, Dileep Kalathil, Rahul Jain, Deepak Ramachandran

机构 * Texas A&M University（德克萨斯大学） ； California Institute of Technology（加州理工学院） ； Tencent AI Lab（腾讯AI实验室） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出Wasserstein DPO和KLDPO算法，通过分布鲁棒优化解决LLM与人类偏好间的分布偏移问题，提升对齐性能。

Comments Accepted to NeurIPS 2025

MISA: Memory-Efficient LLMs Optimization with Module-wise Importance Sampling

MISA: 通过模块级重要性采样实现内存高效的LLM优化

Yuxi Liu, Renjia Deng, Yutong He, Xue Wang, Tao Yao, Kun Yuan

机构 * Peking University（北京大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 MISA通过模块级重要性采样优化LLM，减少内存需求并提高收敛效率。

Comments This paper is accepted to Neural Information Processing Systems (NeurIPS) 2025

Head Pursuit: Probing Attention Specialization in Multimodal Transformers

头部追踪：探究多模态转换器中的注意力专业化

Lorenzo Basile, Valentino Maiorca, Diego Doimo, Francesco Locatello, Alberto Cazzaniga

机构 * Area Science Park（面积科学公园） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Institute of Science and Technology（科学与技术研究所） 纠错

AI总结 本研究通过分析多模态转换器中注意力头的专业化，揭示了模型内部可控的结构，并展示了通过编辑少量头部以增强或抑制特定概念的可行性。

Comments Accepted at NeurIPS 2025 (spotlight)

Policy Compatible Skill Incremental Learning via Lazy Learning Interface

通过懒惰学习接口实现策略兼容的技能增量学习

Daehee Lee, Dongsu Lee, TaeYoon Kwack, Wonje Choi, Honguk Woo

机构 * Sungkyunkwan University（成均馆大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出SIL-C框架，通过懒惰学习接口实现技能与策略的兼容性，提升下游任务性能无需重新训练策略。

Comments NeurIPS 2025 Spotlight

Memory Mosaics at scale

大规模记忆马赛克

Jianyu Zhang, Léon Bottou

机构 * New York University, New York（纽约大学） ； FAIR, Meta Inc.（FAIR、Meta公司） 纠错

AI总结 本研究展示了大规模记忆马赛克在扩展到大语言模型规模和真实数据集后，在训练知识学习和新任务执行方面优于transformers。

Comments Oral @ NeurIPS 2025

Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models

一致采样与模拟：基于能量的扩散模型的分子动力学

Michael Plainer, Hao Wu, Leon Klein, Stephan Günnemann, Frank Noé

AI总结 本文提出了一种基于能量的扩散模型，通过福克-普朗克方程导出的正则化项来提高分子动力学模拟中的一致性和采样效率。

Comments Accepted at Conference on Neural Information Processing Systems (NeurIPS 2025)

Towards Interpretability Without Sacrifice: Faithful Dense Layer Decomposition with Mixture of Decoders

无需牺牲的可解释性：混合解码器的忠实密集层分解

James Oldfield, Shawn Im, Sharon Li, Mihalis A. Nicolaou, Ioannis Patras, Grigorios G Chrysos

机构 * UW-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出混合解码器（MxDs）通过层级稀疏性实现密集层分解，保持原始解码器的表达能力，显著提升稀疏性-准确性前沿性能。

Comments NeurIPS 2025 camera-ready version

What Can RL Bring to VLA Generalization? An Empirical Study

RL能为VLA泛化带来什么？一项实证研究

Jijia Liu, Feng Gao, Bingwen Wei, Xinlei Chen, Qingmin Liao, Yi Wu, Chao Yu, Yu Wang

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

AI总结 本研究通过实证分析发现，PPO在提升VLA的语义理解和执行鲁棒性方面优于SFT，同时保持视觉鲁棒性，为VLA泛化提供了有效的方法。

Comments Accepted by NeurIPS 2025

AutoToM: Scaling Model-based Mental Inference via Automated Agent Modeling

AutoToM: 通过自动化代理建模实现基于模型的心理推理扩展

Zhining Zhang, Chuanyang Jin, Mung Yao Jia, Shunchi Zhang, Tianmin Shu

机构 * Peking University（北京大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 AutoToM通过自动化代理建模实现可扩展、稳健且可解释的心理推理，优于现有方法并支持在线心理推理。

Comments NeurIPS 2025 (Spotlight). 42 pages, 11 figures, 15 tables. Website at https://chuanyangjin.com/AutoToM/

Exploiting Task Relationships in Continual Learning via Transferability-Aware Task Embeddings

通过转移意识的任务嵌入利用任务关系进行持续学习

Yanru Wu, Jianning Wang, Xiangyu Chen, Enming Zhang, Yang Tan, Hanbing Liu, Yang Li

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Shenzhen Key Laboratory of Ubiquitous Data Enabling, SIGS, Tsinghua（深圳 ubiquitous 数据赋能关键实验室，SIGS，清华大学） 纠错

AI总结 本文提出H-嵌入和超网络框架，通过转移意识的任务嵌入提升持续学习中任务间关系的利用效果。

Comments 28 pages, 5 figures, accepted by NeurIPS 2025

Tracking and Understanding Object Transformations

跟踪和理解物体变换

Yihong Sun, Xinyu Yang, Jennifer J. Sun, Bharath Hariharan

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文提出TubeletGraph系统，用于跟踪和理解物体在变换中的状态变化，并引入新的基准数据集VOST-TAS，以提升复杂物体变换的跟踪与理解能力。

Comments NeurIPS 2025

Neural Emulator Superiority: When Machine Learning for PDEs Surpasses its Training Data

神经模拟器优越性：当用于PDEs的机器学习超越其训练数据时

Felix Koehler, Nils Thuerey

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 本研究提出神经模拟器在特定条件下可超越训练数据保真度，通过理论分析和实验验证，展示了模拟器在多步滚动中的优越性能及潜在应用价值。

Comments Accepted at NeurIPS 2025: https://neurips.cc/virtual/2025/poster/116770 ; V2: Updated references, fix typos

Uncertainty-Aware Multi-Objective Reinforcement Learning-Guided Diffusion Models for 3D De Novo Molecular Design

具有不确定性的多目标强化学习引导的扩散模型用于3D从头分子设计

Lianghong Chen, Dongkyu Eugene Kim, Mike Domaratzki, Pingzhao Hu

机构 * Department of Computer Science, Western University（计算机科学系，西部大学） ； Department of Biochemistry, Western University（生物化学系，西部大学） 纠错

AI总结 本文提出一种基于强化学习的扩散模型，用于多目标优化3D分子设计，提升生成分子的质量和属性优化性能。

Comments Accepted at NeurIPS 2025

Coupling Generative Modeling and an Autoencoder with the Causal Bridge

将生成建模与自动编码器与因果桥梁相结合

Ruolin Meng, Ming-Yu Chung, Dhanajit Brahma, Ricardo Henao, Lawrence Carin

机构 * Duke University（杜克大学） 纠错

AI总结 本文提出将生成建模与自动编码器结合因果桥梁，以提高治疗效应估计的准确性。

Comments Accepted to NeurIPS 2025

CuMoLoS-MAE: A Masked Autoencoder for Remote Sensing Data Reconstruction

CuMoLoS-MAE：一种用于遥感数据重建的屏蔽自动编码器

Anurup Naskar, Nathanael Zhixin Wong, Sara Shamekh

机构 * Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） 纠错

AI总结 CuMoLoS-MAE通过课程引导的蒙特卡洛随机集合屏蔽自动编码器，实现遥感数据的细尺度特征恢复和像素级不确定性量化，提升对流诊断与气候再分析精度。

Comments Accepted for poster presentation at the NeurIPS 2025 workshop on Tackling Climate Change with Machine Learning. 5 pages, 2 figures

Optimism Without Regularization: Constant Regret in Zero-Sum Games

乐观无正则化：零和博弈中的常数遗憾

John Lazarsfeld, Georgios Piliouras, Ryann Sim, Stratis Skoulakis

机构 * SUTD（新加坡科技设计大学） ； Aarhus University（奥胡斯大学） 纠错

AI总结 本文提出在零和博弈中无需正则化即可实现常数遗憾的乐观 fictitious play 方法，并证明其在无正则化情况下具有最优速率。

Comments NeurIPS 2025

Integration Matters for Learning PDEs with Backward SDEs

积分对基于反向随机微分方程学习偏微分方程的重要性

Sungje Park, Stephen Tu

机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） 纠错

AI总结 本文提出基于斯特劳尼希的BSDE方法，通过随机海恩积分消除EM积分的偏差问题，从而在高维PDE求解中优于传统方法并达到PINNs的性能水平。

Comments NeurIPS 2025

Learning from Demonstrations via Capability-Aware Goal Sampling

通过能力感知的目标采样学习示范

Yuanlin Duan, Yuning Wang, Wenjie Qiu, He Zhu

机构 * Rutgers University（罗格斯大学） 纠错

AI总结 Cago通过动态跟踪智能体能力，选择略高于当前能力的目标，提升学习效率和性能。

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

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

Triplets Better Than Pairs: Towards Stable and Effective Self-Play Fine-Tuning for LLMs

三元组优于对：迈向稳定且有效的自play微调方法用于大语言模型

Yibo Wang, Hai-Long Sun, Qing-Guo Chen, Zhao Xu, Weihua Luo, Kaifu Zhang, Lijun Zhang

机构 * National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（人工智能学院） ； Alibaba International Digital Commerce（阿里巴巴国际数字商务） ； Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔）） 纠错

AI总结 T-SPIN通过引入历史优势和熵约束，提升自play微调在稀缺标注数据下的稳定性和性能

Comments NeurIPS 2025

On the Entropy Calibration of Language Models

对语言模型熵校准的研究

Steven Cao, Gregory Valiant, Percy Liang

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了语言模型的熵校准问题，发现随着模型规模增大，校准误差缓慢改善，但截断方法会增加对数损失，理论证明在假设可预测文本熵的情况下，可以减少熵而不增加对数损失。

Comments Neurips 2025