期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
世界更大！一个计算嵌入视角下的大世界假说
机构 * University of Alberta（阿尔伯塔大学） ； Amii ； The Swiss AI Lab IDSIA, USI & SUPSI（瑞士AI实验室IDSIA、USI与SUPSI） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出了一种计算嵌入视角下的持续学习方法，通过交互性目标评估智能体在无限状态空间中的适应能力，发现深度线性网络在扩展能力时表现更优。
Comments NeurIPS 2025 (spotlight)
分块式Flash线性注意力：更高效的线性RNN和xLSTM内核
机构 * ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz（ELLIS单位、LIT人工智能实验室、机器学习研究所、JKU林茨） ； NXAI GmbH（NXAI公司）
AI总结 TFLA通过引入序列并行化提升线性RNN和xLSTM内核效率，实现更高算术强度和更优长上下文序列建模性能。
Comments Accepted at NeurIPS 2025. Code available at: https://github.com/NX-AI/mlstm_kernels
TPTU：基于大型语言模型的AI代理用于任务规划和工具使用
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； SenseTime Research（商汤科技研究院） ； HKUST（香港科技大学）
AI总结 本文提出基于大型语言模型的AI代理框架，设计两种代理类型以提升任务规划和工具使用能力，并通过实验验证其在复杂任务中的有效性。
Comments Accepted in NeurIPS-2023 Workshop on Foundation Models for Decision Making
DICE：基于概率评分的离散可解释比较评估用于检索增强生成
机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 DICE提出一种基于概率评分的两阶段框架，提升RAG评估的可解释性和稳健性，通过透明判断和系统性错误诊断，实现高效且可信的评估。
Comments Accepted at ResponsibleFM @ NeurIPS 2025
TimePerceiver: 一个用于通用时间序列预测的编码器-解码器框架
机构 * Sungkyunkwan University（顺天大学）
AI总结 TimePerceiver提出了一种统一的编码器-解码器框架，通过灵活感知时间序列位置，实现多种预测任务的泛化，显著提升预测性能。
Comments Accepted to NeurIPS 2025. The code is available at https://github.com/efficient-learning-lab/TimePerceiver
HiFi-RAG：面向开放域RAG的分层内容过滤与双阶段生成
机构 * Google（谷歌）
AI总结 HiFi-RAG通过分层过滤和双阶段生成方法，在开放域RAG中提升答案生成质量，实现ROUGE-L和DeBERTaScore的显著提升。
Comments A winning solution for the NeurIPS 2025 MMU-RAGent Competition (Closed-Source Text-to-Text Static Evaluation)
BLISS：用于图神经网络高效训练的Bandit层重要性采样策略
机构 * Wilfrid Laurier University（威尔弗里德·劳里埃大学） ； Waterloo, Ontario, Canada（加拿大安大略省温哥华） ； Singapore Management University（新加坡管理学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 BLISS通过多臂老虎机动态选择重要节点，提升图神经网络训练效率，兼容GCN和GAT，实验显示其在精度上不逊于全批量训练。
Comments Accepted for 5th Muslims in ML Workshop co-located with NeurIPS 2025. OpenReview: https://openreview.net/forum?id=VaHubA7Pwv Code: https://github.com/linhthi/BLISS-GNN
iOS 作为加速器
AI总结 本文提出利用iOS设备的分布式管道并行技术，在低计算环境下加速机器学习模型训练和推理，探索移动设备在大规模机器学习中的潜力。
Comments 7 pages main text, 7 pages appendix. Presented at NeurIPS 2025 Efficient Reasoning Workshop
非平稳环境下的离线强化学习预测
机构 * Bogazici University（博科西大学） ； University of Tübingen（图宾根大学） ； Ozyegin University（奥祖根大学） ； Osaka University（大阪大学）
AI总结 非平稳环境下的离线强化学习预测框架FORL，通过结合条件扩散和零样本时间序列模型，提升智能体在非平稳环境中的鲁棒性与性能。
Comments The Thirty-Ninth Annual Conference on Neural Information Processing Systems, NeurIPS 2025
通过代理转移因果效应
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出通过代理变量在多领域中估计因果效应的方法，证明了可识别性并提供了估计技术与实证支持。
Comments Advances in Neural Information Processing Systems (NeurIPS 2025) final camera-ready version
在少量训练上下文中进行零样本上下文泛化于强化学习
机构 * Department of Mathematics University of California, Los Angeles（数学系加州大学洛杉矶分校）
AI总结 本文提出上下文增强的贝尔曼方程（CEBE）和上下文样本增强（CSE）方法，以提升在少量训练上下文中强化学习的泛化能力。
Comments 10 pages, 8 figures, 3 tables, publushed at Neurips 2025
思想原子用于马尔可夫LLM测试时间扩展
机构 * HKUST(GZ)（香港科技大学（广州）） ； DeepWisdom（DeepWisdom公司） ； Renmin University of China（中国人民大学）
AI总结 本文提出思想原子（\our），通过马尔可夫链结构与树搜索等技术结合，实现高效推理，提升LLM测试时间扩展性能。
Comments Accepted to NeurIPS 2025
通过不确定性引导的丢弃解码增强视觉-语言模型的可靠性
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Princeton University（普林斯顿大学） ； University of Chicago（芝加哥大学） ； Stony Brook University（石溪大学）
AI总结 通过不确定性引导的丢弃解码方法，有效减少视觉-语言模型的幻觉问题，提升输出的可靠性和质量。
Comments Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
从计算机模拟到体外：评估分子生成模型用于命中生成
机构 * University College London（伦敦大学学院） ； University of Urbino Carlo Bo（乌尔比诺卡尔洛·博大学）
AI总结 本文评估分子生成模型在命中生成中的有效性，通过实验验证其在药物发现流程中的应用潜力及局限性。
Journal ref NeurIPS 2025 AI for Science Workshop
MASFIN：一种用于分解金融推理和预测的多智能体系统
AI总结 MASFIN通过整合LLMs与结构化财务指标和非结构化新闻，提出了一种模块化的多智能体系统，以提高金融预测的透明性和可重复性，实现优于基准的短期投资回报。
Comments Accepted to the NeurIPS 2025 Workshop on Generative AI in Finance
基于空间转录组的NicheFlow微环境轨迹建模
机构 * School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Munich Centre for Machine Learning (MCML)（慕尼黑机器学习中心） ； Institute of Computational Biology, Helmholtz Munich（海德堡医学院计算生物学研究所） ； Munich Data Science Institute (MDSI), Technical University of Munich（慕尼黑数据科学研究所） ； TUM School of Life Sciences Weihenstephan, Technical University of Munich（慕尼黑技术大学生命科学学院）
AI总结 NicheFlow通过流式生成模型推断空间转录组中细胞微环境的时空轨迹，实现对组织发育和疾病进展的深入理解。
Comments 37 pages, 15 figures, to appear in NeurIPS 2025
对模型崩溃的深入观察：从泛化到记忆的视角
机构 * University of Michigan（密歇根大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于熵的数据选择策略，缓解扩散模型中从泛化到记忆的转变，防止模型崩溃。
Comments NeurIPS 2025 Spotlight paper
审查推理大型语言模型中的元认知幻觉
AI总结 本研究通过审查推理链轨迹，揭示了大型语言模型在长推理过程中如何通过错误反思强化偏见，提出黑盒审查方法以更有效地检测和归因幻觉问题。
Comments Accepted by NeurIPS 2025 (37 pages)
视频是高效的监督：通过潜在表示从视频中进行行为克隆
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学）
AI总结 本文提出通过潜在表示从视频中进行行为克隆的方法，实现了高效样本的视觉策略学习，无需其他专家监督。
Journal ref NeurIPS 2025
神经网络用于模拟扩展大气簇射的无线电发射
AI总结 本文提出用神经网络模拟扩展大气簇射的无线电发射，用于$X_\mathrm{max}$重建，实现与完整蒙特卡洛模拟相当的分辨率。
Comments Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025). arXiv admin note: substantial text overlap with arXiv:2507.07713
低秩适应中的主导性
机构 * University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文提出LoRAM，一种基于幅度驱动的低秩适应初始化方法，通过优化更新幅度提升效率并匹配或超越传统谱初始化方法。
Comments Accepted by NeurIPS 2025, spotlight
Journal ref NeurIPS 2025
通过时空神经一致性解码视觉语言处理中的预测推断
机构 * Department of Physics（物理系） ； Carnegie-Mellon University（卡内基梅隆大学） ； Department of Linguistics（语言学系） ； University of Salzburg（萨尔茨堡大学） ； Purdue University（普渡大学） ； University of Alabama（阿拉巴马大学） ； Department of Communicative Disorders（沟通障碍系）
AI总结 本研究通过时空神经一致性方法解码聋人手语使用者在动态视觉语言处理中的预测推断，揭示了语言理解中左侧半球和前额低频相干性的重要性，并展示了经验驱动的感知生成模型的多模态探测方法。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundation Models for the Brain and Body
基于忆阻系统级芯片的超维计算硬件-算法协同设计
AI总结 本文提出了一种基于忆阻系统级芯片的超维计算硬件-算法协同设计方法，通过利用忆阻交叉bar阵列的随机性与面向硬件的编码技术，实现了在边缘设备上的高效能AI应用。
Comments This work was previously presented at the NeurIPS 2024 Workshop on Machine Learning with New Compute Paradigms (MLNCP)
推理中继：评估大型语言模型在数学推理中的稳定性与可替换性
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Binghamton University（宾夕法尼亚州立大学布林茅尔分校） ； University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； Algoverse
AI总结 本研究探讨大型语言模型在数学推理中的稳定性与可替换性，通过评估不同模型间推理链的延续性，揭示推理过程的可靠性和一致性。
Comments NeurIPS 2025 Workshop on Socially Responsible and Trustworthy Foundation Models (ResponsibleFM)
RSCC：一种大规模遥感变化描述数据集用于灾害事件
机构 * School of Earth Sciences, Zhejiang University（浙江大学地球科学学院） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； Zhejiang Provincial Key Laboratory of Geographic Information Science（浙江省地理信息科学重点实验室） ； Key Laboratory of Spatio-temporal Information and Intelligent Services (LSIIS), Ministry of Natural Resources of the People’s Republic of China（国家自然资源部空间时空信息与智能服务重点实验室）
AI总结 RSCC数据集通过提供大规模遥感图像对和详细变化描述，提升视觉-语言模型在灾害事件双时间理解中的性能和应用能力。
Comments Accepted by NeurIPS 2025 Dataset and Benchmark Track
对EHVI与固定标量化在分子设计中的研究
机构 * Valence Labs（Valence实验室） ； University of Cambridge（剑桥大学）
AI总结 本研究比较了EHVI与标量化方法在分子设计中的表现，发现EHVI在帕累托前沿覆盖、收敛速度和化学多样性方面更优，尤其在低数据情况下表现突出。
Comments Accepted to NeurIPS AI4Science Workshop 2025
交替梯度流：两层神经网络中特征学习的理论
机构 * Stanford University（斯坦福大学） ； KTH（皇家理工学院） ； UC Berkeley（加州大学伯克利分校） ； Imbue（Imbue公司） ； UC Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 AGF理论框架揭示了两层神经网络中特征学习的动力学，通过交替梯度过程解释特征获取与损失下降的机制，并统一扩展了线性网络和注意力模型中的分析。
Comments 40 pages, 8 figures, NeurIPS 2025
重新思考扩散模型中的直接偏好优化
AI总结 本文提出了一种改进扩散模型偏好优化的方法，通过稳定参考模型更新和时间步感知训练策略，提升模型在人类偏好评估中的性能。
Comments Accepted by SPIGM@NeurIPS 2025 and AAAI-26 (Oral)
类别分布损失的内在优势：强化学习中的不确定性感知正则化探索
机构 * University of Alberta, Canada（阿尔伯塔大学） ； Harbin Engineering University, China（哈尔滨工程大学） ； Xi’an Jiaotong University, China（西安交通大学）
AI总结 本文提出了一种基于类别分布损失的不确定性感知正则化方法，通过增强奖励信号提升强化学习的探索效率。
Comments NeurIPS 2025; Previous Version in ICML Workshop: Exploration in AI Today (EXAIT) 2025
UMAMI：统一掩码自回归模型和确定性渲染用于视图合成
机构 * UCI（加州大学伯克利分校） ； UCLA（加州大学洛杉矶分校） ； Google（谷歌）
AI总结 UMAMI通过结合掩码自回归模型和确定性渲染，实现了视图合成中图像质量与渲染效率的统一。
Comments Accepted to NeurIPS 2025. The first two authors contributed equally
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