Learning in Stackelberg Mean Field Games: A Non-Asymptotic Analysis
在Stackelberg均场博弈中学习：非渐近分析
机构 * J.P.Morgan AI Research（J.P.Morgan AI研究）
AI总结 本文提出AC-SMFG算法，首次在Stackelberg均场博弈中实现非渐近收敛保证，通过梯度对齐条件提升策略优化效率。
Comments Accepted at NeurIPS 2025
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Establishing Linear Surrogate Regret Bounds for Convex Smooth Losses via Convolutional Fenchel-Young Losses
通过卷积Fenchel-Young损失建立线性替代遗憾界
机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； The Institute of Statistical Mathematics（统计数学研究所） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Skywork AI
AI总结 本文提出通过卷积Fenchel-Young损失构建凸光滑替代损失，以实现线性替代遗憾界，从而解决凸光滑损失与线性遗憾界之间的权衡问题。
Comments NeurIPS 2025 camera-ready
Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving
基于模型的策略适应用于闭环端到端自动驾驶
机构 * CMU（卡内基梅隆大学） ； Stanford（斯坦福大学） ； NVIDIA（英伟达）
AI总结 本文提出基于模型的策略适应框架，通过生成反事实轨迹和训练Q值模型提升自动驾驶在闭环环境中的鲁棒性和安全性。
Comments Published at NeurIPS 2025: https://openreview.net/forum?id=4OLbpaTKJe
Frequency-Aware Token Reduction for Efficient Vision Transformer
面向频率的标记减少用于高效的视觉变换器
机构 * KAIST（韩国科学技术院） ； NAVER AI Lab（NAVER人工智能实验室）
AI总结 本文提出一种面向频率的标记减少策略，通过保留高频标记和聚合低频标记来提升视觉变换器的计算效率和性能。
Comments Neurips 2025
You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering
你可以信任你的聚类模型：一种无参数的自我提升插件用于深度聚类
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用重点实验室（东南大学）） ； School of Computing Information Sciences, Saint Francis University（圣弗朗西斯大学计算信息科学学院） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
AI总结 DCBoost 提出了一种无参数的自我提升插件，通过增强深度聚类模型的全局特征结构，显著提升聚类性能，特别是在基准数据集上提升了超过 3% 的性能。
Comments The paper is accepted by NeurIPS 2025
Deceptron: Learned Local Inverses for Fast and Stable Physics Inversion
Deceptron：学习局部反向用于快速稳定物理反向
机构 * Independent Researcher（独立研究者）
AI总结 Deceptron通过学习局部反向来加速和稳定物理反向问题，其D-IPG方法在Heat-1D和阻尼振子问题中表现出更高的效率，同时保持与高斯-牛顿方法相当的迭代次数和成本。
Comments 10 pages, 11 main figures. Accepted for poster presentation at the NeurIPS 2025 Machine Learning and the Physical Sciences Workshop
G-Net: A Provably Easy Construction of High-Accuracy Random Binary Neural Networks
G-Net：一种具有高精度的随机二进制神经网络的可证明易构造方法
AI总结 G-Net通过理论保证的随机二进制嵌入方法，实现高精度的二进制神经网络，超越了传统HDC模型。
Journal ref NeurIPS 2025
Neural Deprojection of Galaxy Stellar Mass Profiles
神经退射的星系恒星质量剖面
AI总结 本研究提出神经退射方法，通过训练神经网络将Nuker参数转换为多高斯展开组件，实现无需光学观测的物理真实恒星质量模型，并应用于ALMA数据以分析尘埃遮蔽和活跃星系。
Comments 8 pages, 4 figures, accepted at the Machine Learning and the Physical Sciences Workshop, NeurIPS 2025
Active Slice Discovery in Large Language Models
大语言模型中的主动切片发现
机构 * University of Waterloo（多伦多大学） ； New York University（纽约大学）
AI总结 本文提出主动切片发现方法，通过主动学习算法有效识别大语言模型中的错误切片，提升毒性分类的准确性。
Comments Accepted for presentation at NeurIPS 2025 - Reliable ML Workshop
On the Role of Hidden States of Modern Hopfield Network in Transformer
现代霍普菲尔德网络隐状态在Transformer中的作用
机构 * Graduate School of Artificial Intelligence and Science, Rikkyo University, Japan（人工智能与科学研究生院，立命馆大学，日本）
AI总结 本文提出现代霍普菲尔德注意力机制，通过引入隐状态提升Transformer的注意力权重性质，解决秩坍塌和token均匀性问题。
Comments NeurIPS 2025 accepted
Group Averaging for Physics Applications: Accuracy Improvements at Zero Training Cost
群平均用于物理应用：零训练成本下的精度提升
机构 * Center for Cosmology and Particle Physics（宇宙与粒子物理中心） ； Department of Physics（物理系） ； New York University（纽约大学） ； Department of Applied Mathematics & Statistics and Mathematical Institute for Data Science（应用数学与统计系及数据科学数学研究所） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出通过群平均技术在零训练成本下提升物理应用中模型的预测精度，实验表明该方法能有效降低评估损失并改善连续动态预测效果。
Comments 10 pages, 2 figures, 1 table, Machine Learning and the Physical Sciences Workshop, NeurIPS 2025
Journal ref Machine Learning and the Physical Sciences Workshop, NeurIPS 2025
Weak-to-Strong Generalization under Distribution Shifts
在分布偏移下实现弱到强泛化
AI总结 RAVEN 通过动态学习弱模型组合提升强模型在分布偏移下的泛化能力，有效提升分布外任务性能。
Comments Accepted to NeurIPS 2025; affiliations and acknowledgements updated
g-DPO: Scalable Preference Optimization for Protein Language Models
g-DPO：可扩展的偏好优化用于蛋白质语言模型
机构 * Cradle ML Team（Cradle团队） ； Cradle Zürich, Switzerland（Cradle瑞士苏黎世）
AI总结 g-DPO通过序列聚类和组近似方法提升蛋白质语言模型的偏好优化效率，实现更快的收敛速度和与标准DPO相当的性能。
Comments Accepted at two workshops: FM4LS NeurIPS 2025 (accepted-paper.html" target="_blank" rel="noopener">https://nips2025fm4ls.github.io/pages/accepted-paper.html) and MLSB in Copenhagen EurIPS 2025
A Connection Between Score Matching and Local Intrinsic Dimension
从分数匹配到局部内在维度的一种联系
机构 * PNNL（太平洋西北国家实验室） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； UC San Diego（圣地亚哥大学）
AI总结 本文提出利用去噪分数匹配损失作为局部内在维度估计器，通过理论分析和实验验证其在高维数据中的有效性与可扩展性。
Comments Accepted to the 3rd SPIGM Workshop at NeurIPS 2025
VA-GS: Enhancing the Geometric Representation of Gaussian Splatting via View Alignment
VA-GS: 通过视图对齐增强高斯散射的几何表示
机构 * Southwest Jiaotong University（西南交通大学） ； Xihua University（西华大学） ； Tsinghua University（清华大学）
AI总结 VA-GS通过视图对齐提升高斯散射的几何表示，结合边缘感知和可见性感知损失，优化表面重建与多视图一致性。
Comments Accepted by NeurIPS 2025
SaFiRe: Saccade-Fixation Reiteration with Mamba for Referring Image Segmentation
SaFiRe: 用Mamba实现眼动-注视重叠的指称图像分割
AI总结 SaFiRe通过Mamba实现眼动-注视重叠，提升指称图像分割在复杂表达中的鲁棒性与准确性。
Comments NeurIPS 2025; Project page: https://zhenjiemao.github.io/SaFiRe/
Reconstructing the local density field with combined convolutional and point cloud architecture
结合卷积和点云架构重建局部密度场
机构 * Ecole Polytechnique Rte de Saclay, 91120 Palaiseau, France（巴黎-萨克雷高等理工学院） ； Center for Data-Driven Discovery Kavli IPMU, UTIAS, The University of Tokyo（数据驱动发现中心） ； The University of Tokyo（东京大学）
AI总结 本文提出结合卷积和点云架构的神经网络，用于基于暗物质团的异常速度重建局部密度场，提升了小尺度的聚类特征恢复能力。
Comments 6 pages, 4 figures, 1 table. Accepted at the NeurIPS 2025 Workshop: ML4PS. Comments welcome!
Attack via Overfitting: 10-shot Benign Fine-tuning to Jailbreak LLMs
通过过拟合攻击：10次良性微调以劫持LLMs
AI总结 通过10个良性QA对微调实现LLM劫持，利用过拟合增强敏感性，提升攻击效果与隐蔽性。
Comments Published as a conference paper at NeurIPS 2025
Not All Splits Are Equal: Rethinking Attribute Generalization Across Unrelated Categories
并非所有分割都平等：重新思考跨无关类别的属性泛化
机构 * Bitdefender ； University of Bucharest（布加勒斯特大学） ； National University of Science and Technology Politehnica Bucharest（布加勒斯特技术科学国家大学）
AI总结 本文研究模型在跨无关类别间进行属性泛化的鲁棒性，通过改进的分割策略评估属性预测性能，发现聚类方法在减少相关性的同时保持学习能力，揭示了当前表示的局限性。
Comments Accepted at NeurIPS 2025 Workshop: CauScien - Uncovering Causality in Science and NeurIPS 2025 Workshop: Reliable ML from Unreliable Data
Directed-Tokens: A Robust Multi-Modality Alignment Approach to Large Language-Vision Models
Directed-Tokens: 一种稳健的多模态对齐方法用于大语言-视觉模型
机构 * CVIU Lab, University of Arkansas, USA（美国亚拉巴马大学CVIU实验室） ； Vietnam National University, Ho Chi Minh City University of Science, Vietnam（越南国家大学胡志明市科技大学） ； Carnegie Mellon University, USA（美国卡内基梅隆大学）
AI总结 本文提出Directed-Tokens方法，通过引入图像和文本顺序重建任务及新的损失函数，提升大语言-视觉模型的鲁棒性和跨模态对齐能力，在多个基准上取得最佳性能。
Comments Accepted to NeurIPS'25
MANGO: Multimodal Attention-based Normalizing Flow Approach to Fusion Learning
MANGO: 多模态基于注意力的归一化流方法用于融合学习
机构 * CVIU Lab, University of Arkansas, USA（大学实验室，亚利桑那大学，美国） ； University of Florida, USA（佛罗里达大学，美国） ； COSMOS Research Center, University of Arkansas, Little Rock, USA（研究机构，亚利桑那大学，小石城，美国） ； ICSI, University of California, Berkeley, USA（研究机构，加州大学伯克利分校，美国）
AI总结 MANGO提出了一种基于归一化流和可逆交叉注意力机制的多模态融合学习方法，通过三种新型交叉注意力机制提升多模态数据的建模能力。
Comments Accepted to NeurIPS'25
GreenHyperSpectra: A multi-source hyperspectral dataset for global vegetation trait prediction
GreenHyperSpectra: 一个多源超光谱数据集用于全球植被特征预测
机构 * Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据与人工智能研究中心） ； Leipzig University（莱比锡大学） ； Mila – Québec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； University of Salford（萨尔福德大学） ； Colorado State University（科罗拉多州立大学） ； University of Wisconsin（威斯康星大学） ； Simon Fraser University（西蒙弗雷泽大学） ； German Centre for Integrative Biodiversity Research (iDiv)（整合生物多样性研究中心（iDiv）） ； Helmholtz-Centre for Environmental Research (UFZ)（环境研究中心（UFZ）） ； University of Freiburg（弗赖堡大学）
AI总结 GreenHyperSpectra通过多源超光谱数据集提升植物特征预测的鲁棒性和效率，结合半监督和自监督方法实现更优的回归模型。
Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
Rigor in AI: Doing Rigorous AI Work Requires a Broader, Responsible AI-Informed Conception of Rigor
AI中的严谨性：进行严谨的AI工作需要一种更广泛、负责任的AI导向的严谨性观念
机构 * Microsoft Research（微软研究院） ； Cornell Tech（康奈尔科技学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Hugging Face（Hugging Face公司） ； Drexel University（德雷塞尔大学） ； University of Oxford（牛津大学）
AI总结 本文提出AI研究需更广泛的严谨性观念，涵盖方法论、背景知识、规范标准、理论构念、报告方式及推论支持等方面，以提升AI工作的责任性和严谨性。
Comments 21 pages, 1 figure, 1 table, accepted at NeurIPS'25 position papers track
Demystifying Spectral Feature Learning for Instrumental Variable Regression
解开谱特征学习用于工具变量回归的谜团
机构 * Gatsby Unit, UCL（UCL加纳比单元） ； Universitat Pompeu Fabra（庞培法布拉大学） ； Istituto Italiano di Tecnologia（意大利技术研究所） ； University of Novi Sad（诺维萨大学）
AI总结 本文提出了一种基于谱特征学习的工具变量回归方法，通过分析谱对齐和特征值衰减特性，揭示了不同场景下方法的性能差异，并通过实验验证了其有效性。
Comments Updated to the NeurIPS 2025 camera-ready version
Physics-Constrained Flow Matching: Sampling Generative Models with Hard Constraints
物理约束的流匹配：带有硬约束的采样生成模型
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 物理约束的流匹配通过强制执行任意非线性约束，提高生成模型在物理系统中的约束满足能力。
Comments 36 pages, 9 figures, 8 tables, Accepted to NeurIPS 2025
Alignment of large language models with constrained learning
受限学习下的大语言模型对齐
AI总结 本文提出了一种基于拉格朗日对偶性的迭代对偶对齐方法，用于在满足约束条件下优化大语言模型策略，通过实验验证了其在受限对齐问题中的有效性。
Comments 51 pages, 5 figures, 11 tables; Accepted to NeurIPS 2025
Force Prompting: Video Generation Models Can Learn and Generalize Physics-based Control Signals
力提示：视频生成模型可以学习并泛化基于物理的控制信号
机构 * Brown University（布朗大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出力提示方法，通过物理力信号生成逼真视频，利用视觉和运动先验实现物理控制信号的泛化，提升世界模型的物理真实性。
Comments Camera ready version (NeurIPS 2025). Code and interactive demos at https://force-prompting.github.io/
Asymmetric Duos: Sidekicks Improve Uncertainty
不对称双人组：助手提升不确定性
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所）
AI总结 通过结合较小且较不准确的助手模型，提升大型模型的不确定性量化和决策性能，仅需额外10-20%的计算资源。
Comments 30 pages, 14 figures, NeurIPS 2025
Enhancing Training Data Attribution with Representational Optimization
通过表征优化增强训练数据归因
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 AirRep通过优化表征提升训练数据归因效率，实现与先进梯度方法相当的性能，且推理效率提高近两数量级。
Comments NeurIPS 2025
One-Step Diffusion-Based Image Compression with Semantic Distillation
一步扩散式图像压缩与语义蒸馏
机构 * Communication University of China（中国通信大学） ； University of Science and Technology of China（中国科学技术大学） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 OneDC通过一步扩散生成和语义蒸馏机制实现高效图像压缩，达到SOTA感知质量，比特率降低39%且解码速度提升20倍。
Comments Accepted by NeurIPS 2025
