NeurIPS

TOMCAT: Test-time Comprehensive Knowledge Accumulation for Compositional Zero-Shot Learning

TOMCAT：测试时综合知识积累用于组合零样本学习

Xudong Yan, Songhe Feng

机构 * School of Computer Science and Technology, Beijing Jiaotong University（计算机科学与技术学院，北京交通大学） ； Key Laboratory of Big Data and Artificial Intelligence in Transportation (Beijing Jiaotong University), Ministry of Education（交通运输大数据与人工智能重点实验室（北京交通大学），教育部） 纠错

AI总结 TOMCAT通过测试时积累文本和视觉知识，结合多模态协作学习，提升组合零样本学习的性能。

Comments Accepted to NeurIPS 2025

GenUQ: Predictive Uncertainty Estimates via Generative Hyper-Networks

GenUQ：通过生成超网络进行预测不确定性估计

Tian Yu Yen, Reese E. Jones, Ravi G. Patel

机构 * Sandia National Laboratories（桑迪亚国家实验室） 纠错

AI总结 GenUQ通过生成超网络模型，避免构造似然，有效提升不确定性量化在算子学习中的性能。

Comments 10 pages, 6 figures, SPIGM workshop at NeurIPS 2025, https://openreview.net/forum?id=IT9lF59UqG&noteId=IT9lF59UqG

Using LLMs for Late Multimodal Sensor Fusion for Activity Recognition

利用大语言模型进行晚阶段多模态传感器融合以进行活动识别

Ilker Demirel, Karan Thakkar, Benjamin Elizalde, Miquel Espi Marques, Aditya Sarathy, Yang Bai, Umamahesh Srinivas, Jiajie Xu, Shirley Ren, Jaya Narain

机构 * Apple（苹果公司） ； MIT（麻省理工学院） ； Johns Hopkins（约翰霍普金斯大学） 纠错

AI总结 利用大语言模型进行晚阶段多模态融合，实现零样本和单样本活动分类，无需特定任务训练。

Comments NeurIPS Workshop on Learning from Time Series for Health

The More You Automate, the Less You See: Hidden Pitfalls of AI Scientist Systems

自动化越多，看到的越少：人工智能科学家系统的隐藏陷阱

Ziming Luo, Atoosa Kasirzadeh, Nihar B. Shah

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文探讨了人工智能科学家系统中潜在的故障模式，指出其内部工作流程未被深入研究，通过实验揭示了四种风险，并建议要求提交跟踪日志和代码以提高透明度和可重复性。

Comments NeurIPS 2025 AI4Science (Spotlight)

AdaLRS: Loss-Guided Adaptive Learning Rate Search for Efficient Foundation Model Pretraining

AdaLRS: 基于损失的自适应学习率搜索用于高效基础模型预训练

Hongyuan Dong, Dingkang Yang, Xiao Liang, Chao Feng, Jiao Ran

机构 * ByteDance Inc.（字节跳动公司） 纠错

AI总结 AdaLRS通过优化损失下降速度实现高效基础模型预训练，无需大量超参数调优，显著提升模型性能和鲁棒性。

Comments NeurIPS 2025 Main Conference

Look-Ahead Reasoning on Learning Platforms

学习平台上的前瞻性推理

Haiqing Zhu, Tijana Zrnic, Celestine Mendler-Dünner

机构 * Australian National University（澳大利亚国立大学） ； Stanford University（斯坦福大学） ； ELLIS Institute（ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

AI总结 本文探讨了学习平台中用户行为的前瞻性推理，分析了集体推理与自私行为的差异，并提出了协调效用权衡的新概念。

Comments published at NeurIPS 2025

AlignDP: Hybrid Differential Privacy with Rarity-Aware Protection for LLMs

AlignDP: 用于大语言模型的混合差分隐私与稀有性感知保护

Madhava Gaikwad

机构 * Microsoft（微软） 纠错

AI总结 AlignDP通过混合差分隐私与稀有性感知保护，有效阻止大语言模型的知识转移，通过PAC和RAPPOR技术实现稀有和非稀有字段的隐私保护。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: LOCK-LLM Work-shop, NeurIPS 2025

LUMIA: A Handheld Vision-to-Music System for Real-Time, Embodied Composition

LUMIA: 一种用于实时具身创作的手持视觉到音乐系统

Chung-Ta Huang, Connie Cheng, Vealy Lai

AI总结 LUMIA通过视觉到音乐的实时具身创作系统，将环境互动与生成式AI结合，实现基于感知的即兴音乐创作。

Comments 6 pages, 15 pages with appendix, NeurIPS 2025 Creative AI track

DGH: Dynamic Gaussian Hair

DGH: 动态高斯发

Junying Wang, Yuanlu Xu, Edith Tretschk, Ziyan Wang, Anastasia Ianina, Aljaz Bozic, Ulrich Neumann, Tony Tung

机构 * University of Southern California（南加州大学） ； Meta Reality Labs（Meta现实实验室） 纠错

AI总结 DGH通过数据驱动的方法高效学习头发的动力学和外观，实现逼真可动画的头发效果，为高保真虚拟人物建模提供新的解决方案。

Comments Accepted by NeurIPS 2025. Project page: https://junyingw.github.io/paper/dgh

Fully Dynamic Algorithms for Chamfer Distance

动态环境下计算点集的偏移距离算法

Gramoz Goranci, Shaofeng Jiang, Peter Kiss, Eva Szilagyi, Qiaoyuan Yang

AI总结 本文提出了一种在动态环境下维护点集偏移距离近似的算法，基于ℓ_p范数（p=1,2）实现高效更新，适用于机器学习等实际应用。

Comments NeurIPS 2025

Discovering Latent Graphs with GFlowNets for Diverse Conditional Image Generation

利用GFlowNets发现潜在图以实现多样化的条件图像生成

Bailey Trang, Parham Saremi, Alan Q. Wang, Fangrui Huang, Zahra TehraniNasab, Amar Kumar, Tal Arbel, Li Fei-Fei, Ehsan Adeli

机构 * Dept. of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Dept. of Psychiatry and Behavioral Sciences, Stanford University（精神病学与行为科学系，斯坦福大学） ； Dept. of Biomedical Data Science, Stanford University（生物医学数据科学系，斯坦福大学） ； Center for Intelligent Machines, McGill University（智能机器中心，麦吉尔大学） ； MILA - Quebec AI institute（魁北克人工智能研究所） 纠错

AI总结 Rainbow通过分解输入条件为多样化的潜在表示，利用GFlowNets生成多样化图像，提升条件图像生成的多样性和保真度。

Journal ref The 39th Annual Conference on Neural Information Processing Systems 2025

A Practical Guide for Incorporating Symmetry in Diffusion Policy

在扩散策略中融入对称性的实用指南

Dian Wang, Boce Hu, Shuran Song, Robin Walters, Robert Platt

机构 * Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

AI总结 本文提出在扩散策略中融入对称性的实用方法，通过不变表示、等变视觉编码器和对称特征提取提升策略性能，实现高效且简单的实现。

Comments NeurIPS 2025

On Agnostic PAC Learning in the Small Error Regime

关于小误差范围内的无偏PAC学习

Julian Asilis, Mikael Møller Høgsgaard, Grigoris Velegkas

AI总结 本文提出了一种在小误差范围内实现无偏PAC学习的学习器，其误差上界与理论下界一致，并展示了计算效率和聚合ERM分类器的方法。

Comments 36 pages, NeurIPS 2025

Shift-Aware Gaussian-Supremum Validation for Wasserstein-DRO CVaR Portfolios

面向位移的高斯-上界验证用于Wasserstein-DRO CVaR投资组合

Derek Long

AI总结 本文提出面向位移的高斯-上界验证框架，用于Wasserstein-DRO CVaR投资组合，通过生成候选路径和加权CVaR估计，提升收益-风险权衡。

Comments NeurIPS 2025 Workshop: Generative AI in Finance

Associative Syntax and Maximal Repetitions reveal context-dependent complexity in fruit bat communication

关联语法与最大重复揭示果蝠交流中的情境依赖复杂性

Luigi Assom

机构 * Alumnus, Department of Computer and Systems Sciences, Stockholm University（校友，计算机与系统科学系，斯德哥尔摩大学） 纠错

AI总结 本研究通过分析果蝠叫声的关联语法和最大重复，揭示情境依赖的交流复杂性，表明冲突情境中信息压缩性较低。

Comments Accepted for a lightning talk at the NeurIPS 2025 Workshop: "AI for Non-Human Animal Communication"

Breaking the Performance Ceiling in Reinforcement Learning requires Inference Strategies

在强化学习中突破性能极限需要推理策略

Felix Chalumeau, Daniel Rajaonarivonivelomanantsoa, Ruan de Kock, Claude Formanek, Sasha Abramowitz, Oumayma Mahjoub, Wiem Khlifi, Simon Du Toit, Louay Ben Nessir, Refiloe Shabe, Noah De Nicola, Arnol Fokam, Siddarth Singh, Ulrich Mbou Sob, Arnu Pretorius

机构 * InstaDeep ； Stellenbosch University（斯坦陵博斯大学） 纠错

AI总结 本研究通过引入推理策略在执行时间突破复杂多智能体强化学习的性能极限，实现17个任务中高达126%的性能提升。

Comments Neurips '25 version (post conference)

A Token is Worth over 1,000 Tokens: Efficient Knowledge Distillation through Low-Rank Clone

一个标记值超过1000个标记：通过低秩克隆实现高效的知识蒸馏

Jitai Hao, Qiang Huang, Hao Liu, Xinyan Xiao, Zhaochun Ren, Jun Yu

机构 * School of Intelligence Science and Engineering, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学智能科学与工程学院） ； Baidu Inc.（百度公司） ； Leiden University（莱顿大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 本文提出低秩克隆方法，通过高效预训练实现小语言模型在训练效率和性能上的突破。

Comments NeurIPS 2025 Spotlight

Bandits with Preference Feedback: A Stackelberg Game Perspective

带有偏好反馈的多臂问题：从Stackelberg博弈视角出发

Barna Pásztor, Parnian Kassraie, Andreas Krause

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出MAXMINLCB算法，通过Stackelberg博弈框架解决无限域和非线性奖励下的多臂问题，实现最优后悔保证和优越性能。

Comments In Proceedings of the 38th Conference on Neural Information Processing Systems (NeurIPS), 30 pages, 8 figures

Surrogate Neural Architecture Codesign Package (SNAC-Pack)

代理神经架构协同设计包（SNAC-Pack）

Jason Weitz, Dmitri Demler, Benjamin Hawks, Nhan Tran, Javier Duarte

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） 纠错

AI总结 SNAC-Pack通过多目标优化提升FPGA部署效率，实现高精度与资源利用率的平衡。

Comments NeurIPS 2025 Machine Learning and the Physical Sciences Workshop, 8 pages, 4 figures, 3 tables

BarcodeMamba+: Advancing State-Space Models for Fungal Biodiversity Research

BarcodeMamba+: 推动真菌生物多样性研究的state-space模型

Tiancheng Gao, Scott C. Lowe, Brendan Furneaux, Angel X Chang, Graham W. Taylor

机构 * University of Guelph（圭尔夫大学） ； Vector Institute（向量研究所） ； University of Jyväskylä（耶夫斯克耶拉大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Amii（阿米国际） 纠错

AI总结 BarcodeMamba+通过高效state-space模型提升真菌分类性能，克服数据稀疏与长尾分布挑战，实现多层级分类优势。

Comments 11 pages, accepted at the 3rd Workshop on Imageomics: Discovering Biological Knowledge from Images Using AI (NeurIPS 2025)

FedSight AI: Multi-Agent System Architecture for Federal Funds Target Rate Prediction

FedSight AI：用于联邦基金目标利率预测的多智能体系统架构

Yuhan Hou, Tianji Rao, Jeremy Tan, Adler Viton, Xiyue Zhang, David Ye, Abhishek Kodi, Sanjana Dulam, Aditya Paul, Yikai Feng

机构 * Duke University（杜克大学） ； BNY AI Hub 纠错

AI总结 FedSight AI通过多智能体框架和Chain-of-Draft扩展，利用大型语言模型预测联邦基金利率，实现高准确率和稳定性，优于现有基线模型。

Comments NeurIPS 2025 Generative AI in Finance Workshop

Who is In Charge? Dissecting Role Conflicts in Instruction Following

谁在掌控？解析指令遵循中的角色冲突

Siqi Zeng

机构 * University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究揭示大型语言模型在指令遵循中存在角色冲突，通过机制分析发现系统-用户冲突与社会冲突的不同处理方式，并强调了对齐方法的重要性。

Comments 12 pages, 5 figures, Mech Interp Workshop (NeurIPS 2025) Poster

GeoGraph: Geometric and Graph-based Ensemble Descriptors for Intrinsically Disordered Proteins

GeoGraph: 基于几何和图的集成描述符用于内在无序蛋白质

Eoin Quinn, Marco Carobene, Jean Quentin, Sebastien Boyer, Miguel Arbesú, Oliver Bent

机构 * InstaDeep 纠错

AI总结 GeoGraph通过结合几何和图方法，从序列预测内在无序蛋白质的构象集合统计信息，提升对关键生物物理性质的预测能力。

Comments Accepted at AI4Science and ML4PS NeurIPS Workshops 2025. v2: comparison with Human-IDRome model and link to github added

Generation-Time vs. Post-hoc Citation: A Holistic Evaluation of LLM Attribution

生成时间与事后引用：对大语言模型归属的全面评估

Yash Saxena, Raviteja Bommireddy, Ankur Padia, Manas Gaur

机构 * UMBC（美国马里兰大学伯克利分校） ； IIITDM（印度印度理工学院迪瓦德分校） 纠错

AI总结 本文评估了生成时间引用与事后引用在大语言模型归属中的性能差异，发现P-Cite在覆盖和正确性上表现更优，而G-Cite更适用于精度要求高的场景。

Comments NeurIPS 2025 LLM Evaluation Workshop

On the Robustness of Verbal Confidence of LLMs in Adversarial Attacks

大语言模型在对抗攻击下的语言自信度鲁棒性研究

Stephen Obadinma, Xiaodan Zhu

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Ingenuity Labs Research Institute（创新实验室研究所） ； Queen’s University（皇后大学） 纠错

AI总结 本文研究了大语言模型在对抗攻击下的语言自信度鲁棒性，发现现有防御技术效果有限，需设计更稳健的自信表达机制。

Comments Published in NeurIPS 2025

Do Neural Networks Need Gradient Descent to Generalize? A Theoretical Study

神经网络是否需要梯度下降来泛化？一项理论研究

Yotam Alexander, Yonatan Slutzky, Yuval Ran-Milo, Nadav Cohen

机构 * Some Institute（某些研究所） 纠错

AI总结 本文理论研究了神经网络在无梯度下降情况下泛化能力的变化，发现宽度增加时泛化能力下降，而深度增加时泛化能力提高，挑战了传统观点。

Comments Accepted to NeurIPS 2025

Reinforcement Learning Finetunes Small Subnetworks in Large Language Models

强化学习在大型语言模型中微调小型子网络

Sagnik Mukherjee, Lifan Yuan, Dilek Hakkani-Tur, Hao Peng

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 强化学习在大型语言模型中通过微调小型子网络显著提升性能，且该子网络更新稀疏性源于数据分布和正则化技术的影响。

Comments NeuRIPS 2025

Preference-Guided Diffusion for Multi-Objective Offline Optimization

基于偏好的扩散模型用于多目标离线优化

Yashas Annadani, Syrine Belakaria, Stefano Ermon, Stefan Bauer, Barbara E Engelhardt

机构 * TU Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； Helmholtz AI（海德堡人工智能研究所） ； Gladstone Institutes（加利福尼亚大学旧金山分校格拉德石研究所） 纠错

AI总结 本文提出基于偏好的扩散模型，用于生成多目标离线优化中的帕累托最优解，通过引入多样性感知的偏好引导，提升生成解的质量与分布性。

Comments Accepted in NeurIPS (2025)

Fine-Tuning Discrete Diffusion Models with Policy Gradient Methods

使用策略梯度方法微调离散扩散模型

Oussama Zekri, Nicolas Boullé

AI总结 本文提出SEPO算法，用于高效微调离散扩散模型，通过理论支持和实验验证展示了其在非可微奖励下的有效性。

Comments 33 pages, 8 figures, 8 tables

Journal ref NeurIPS 2025

Provable Ordering and Continuity in Vision-Language Pretraining for Generalizable Embodied Agents

可证明的视觉-语言排序与连续性在通用化具身体验代理中的预训练

Zhizhen Zhang, Lei Zhu, Zhen Fang, Zi Huang, Yadan Luo

机构 * The University of Queensland（昆士兰大学） ； Tongji University（同济大学） ； University of Technology Sydney（悉尼科技大学） 纠错

AI总结 本文提出AcTOL方法，通过对比帧间语义差异和局部布朗桥约束，实现有序且连续的视觉-语言表示，提升具身体验代理在不同指令风格下的鲁棒性。

Comments NeurIPS 2025 Poster