Xi'an Jiaotong University（西安交通大学）

Explicit and Non-asymptotic Query Complexities of Rank-Based Zeroth-order Algorithm on Stochastic Smooth Functions

秩为基础的零阶算法在随机光滑函数上的显式和非渐近查询复杂性

Haishan Ye

机构 * Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 本文提出了一种基于秩的零阶优化算法，针对随机光滑函数建立了显式非渐近查询复杂性界限，证明顺序信息在随机优化中的有效性。

OPBO: Order-Preserving Bayesian Optimization

OPBO：顺序保持贝叶斯优化

Wei Peng, Jianchen Hu, Kang Liu, Qiaozhu Zhai

机构 * School of Automation Science and Engineering（自动化科学与工程学院） ； Xi’an Jiaotong University（西安交通大学） ； School of Future Technology（未来技术学院） 纠错

AI总结 OPBO通过顺序保持方法替代传统高斯过程，有效解决高维黑盒优化问题。

Comments 13 pages

EchoMotion: Unified Human Video and Motion Generation via Dual-Modality Diffusion Transformer

EchoMotion: 通过双模态扩散变换器实现统一的人体视频与运动生成

Yuxiao Yang, Hualian Sheng, Sijia Cai, Jing Lin, Jiahao Wang, Bing Deng, Junzhe Lu, Haoqian Wang, Jieping Ye

机构 * Tsinghua University（清华大学） ； Alibaba Group（阿里巴巴集团） ； Nanyang Technology University（南阳技术大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

AI总结 EchoMotion通过双模态扩散变换器统一生成人体视频与运动，提升复杂人类动作视频的连贯性与合理性。

Comments 26 pages, 16 figures

The Interaction Bottleneck of Deep Neural Networks: Discovery, Proof, and Modulation

深度神经网络的交互瓶颈：发现、证明与调节

Huiqi Deng, Qihan Ren, Zhuofan Chen, Zhenyuan Cui, Wen Shen, Peng Zhang, Hongbin Pei, Quanshi Zhang

机构 * Xi’an Jiaotong University（西安交通大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tongji University（同济大学） 纠错

AI总结 本文发现深度神经网络在不同上下文复杂度下对交互的表示存在瓶颈，通过理论证明和实验验证，揭示中阶交互的难以学习，并提出通过损失函数调节交互阶数以提升模型性能。

EIRES:Training-free AI-Generated Image Detection via Edit-Induced Reconstruction Error Shift

EIRES: 通过编辑诱导的重建误差偏移实现无需训练的AI生成图像检测

Wan Jiang, Jing Yan, Xiaojing Chen, Lin Shen, Chenhao Lin, Yunfeng Diao, Richang Hong

机构 * HFUT（合肥大学） ； AHU（安徽大学） ； XJTU（西安交通大学） 纠错

AI总结 EIRES通过编辑诱导的重建误差偏移实现无需训练的AI生成图像检测，利用结构编辑揭示真实与生成图像的固有差异，提高检测可靠性。

Deliberation on Priors: Trustworthy Reasoning of Large Language Models on Knowledge Graphs

对先验的探讨：大型语言模型在知识图谱上的可信推理

Jie Ma, Ning Qu, Zhitao Gao, Rui Xing, Jun Liu, Hongbin Pei, Jiang Xie, Linyun Song, Pinghui Wang, Jing Tao, Zhou Su

机构 * MOE KLINNS Lab, Xi’an Jiaotong University（MOE KLINNS实验室，西安交通大学） ； School of Computer Science and Technology, Xi’an Jiaotong University（计算机科学与技术学院，西安交通大学） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering（陕西省大数据知识工程重点实验室） ； School of Artificial Intelligence, Chongqing University of Post and Telecommunications（人工智能学院，重庆邮电大学） ； School of Computer Science, Northwestern Polytechnical University（计算机学院，西北工业大学） 纠错

AI总结 本研究提出DP框架，通过整合知识图谱的结构和约束先验，提升大型语言模型在知识图谱上的推理准确性和响应可靠性。

Comments Accepted by NeurIPS 2025