NeurIPS

Sparse Mixture-of-Experts for Multi-Channel Imaging: Are All Channel Interactions Required?

稀疏专家混合模型用于多通道成像：所有通道交互都必要吗？

Sukwon Yun, Heming Yao, Burkhard Hoeckendorf, David Richmond, Aviv Regev, Russell Littman

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Research and Early Development (gRED), Genentech（基因泰克研发与早期开发部） ； Biology Research — AI Development (BRAID), Genentech（基因泰克生物学研究——人工智能开发部） 纠错

AI总结 本文提出MoE-ViT，通过稀疏专家混合模型优化多通道图像处理，提升效率而不牺牲性能。

Comments This has been accepted at the NeurIPS AI4Science Workshop 2025

Stable Coresets via Posterior Sampling: Aligning Induced and Full Loss Landscapes

通过后验采样实现稳定的聚类：对诱导和完整损失景观的对齐

Wei-Kai Chang, Rajiv Khanna

机构 * Purdue University（普渡大学） 纠错

AI总结 本文提出了一种基于后验采样的稳定聚类方法，通过优化损失景观对齐，提升模型稳定性与泛化能力。

Comments neurips 2025

Brain-Like Processing Pathways Form in Models With Heterogeneous Experts

具有异质专家的模型中形成类脑处理路径

Jack Cook, Danyal Akarca, Rui Ponte Costa, Jascha Achterberg

AI总结 本文提出混合路径模型，通过诱导偏差研究大脑如何形成任务特定路径，并验证其在不同难度任务中的有效性。

Comments Accepted at 39th Conference on Neural Information Processing Systems (NeurIPS 2025); 31 pages, 16 figures

Enforcing governing equation constraints in neural PDE solvers via training-free projections

通过无训练投影强制神经PDE求解器中的约束方程

Omer Rochman, Gilles Louppe

机构 * University of Liège（利根大学） 纠错

AI总结 本文提出两种无训练投影方法，用于减少神经PDE求解器中约束方程的违反情况，提升求解精度。

Comments Machine Learning and the Physical Sciences, Neurips 2025, San Diego

TP-MDDN: Task-Preferenced Multi-Demand-Driven Navigation with Autonomous Decision-Making

TP-MDDN：任务优先的多需求驱动导航与自主决策

Shanshan Li, Da Huang, Yu He, Yanwei Fu, Yu-Gang Jiang, Xiangyang Xue

机构 * Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institution（上海创新机构） 纠错

AI总结 TP-MDDN通过引入任务优先的多需求驱动导航与自主决策系统，提升复杂任务下的导航性能与环境理解能力。

Comments Accepted at NeurIPS 2025

Hash Collisions in Molecular Fingerprints: Effects on Property Prediction and Bayesian Optimization

分子指纹中的哈希碰撞：对性质预测和贝叶斯优化的影响

Walter Virany, Austin Tripp

机构 * University of Toronto（多伦多大学） ； Valence Labs（Valence实验室） 纠错

AI总结 本研究探讨了分子指纹中哈希碰撞对性质预测和贝叶斯优化的影响，发现精确指纹在性质预测中略有提升，但在贝叶斯优化中未见显著改进。

Comments NeurIPS 2025 AI4Science workshop. Code: https://github.com/wvirany/molcollisions Openreview: https://openreview.net/forum?id=POgOHi8a7t

Do Vision-Language Models Understand Visual Persuasiveness?

视觉-语言模型理解视觉说服力吗？

Gyuwon Park

机构 * Department of Computer Science and Engineering, UNIST（计算机科学与工程系，UNIST） 纠错

AI总结 本文研究视觉-语言模型对视觉说服力的理解，发现模型在链接说服对象与沟通意图方面存在局限。

Comments 8 pages (except for reference and appendix), 5 figures, 7 tables, to be published in NeurIPS 2025 Workshop: VLM4RWD

A novel approach to classification of ECG arrhythmia types with latent ODEs

一种利用隐式微分方程进行心电图心律失常分类的新方法

Angelina Yan, Matt L. Sampson, Peter Melchior

机构 * Columbia University（哥伦比亚大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出利用隐式微分方程和梯度提升树对心电图进行心律失常分类，实现不同采样频率下的鲁棒性，推动小型可穿戴设备的长期心脏健康监测。

Comments Accepted into NeurIPS 2025 Learning from Time Series for Health workshop

Monte Carlo Expected Threat (MOCET) Scoring

蒙特卡洛预期威胁（MOCET）评分

Joseph Kim, Saahith Potluri

机构 * Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） 纠错

AI总结 MOCET是一种可解释且双重可扩展的指标，用于量化大语言模型在现实世界中的安全风险。

Comments Accepted to NeurIPS 2025 BioSafe GenAI

Disentangled Concepts Speak Louder Than Words: Explainable Video Action Recognition

解构概念胜于言语：可解释的视频动作识别

Jongseo Lee, Wooil Lee, Gyeong-Moon Park, Seong Tae Kim, Jinwoo Choi

AI总结 DANCE框架通过分离运动动态、物体和场景的概念类型，提升视频动作识别的可解释性与性能。

Comments NeurIPS 2025 Spotlight paper. Project page: https://jong980812.github.io/DANCE/

The Rise of Parameter Specialization for Knowledge Storage in Large Language Models

大语言模型中用于知识存储的参数专业化趋势的兴起

Yihuai Hong, Yiran Zhao, Wei Tang, Yang Deng, Yu Rong, Wenxuan Zhang

机构 * Alibaba Group（阿里巴巴集团） ； New York University（纽约大学） ； National University of Singapore（新加坡国立大学） ； Singapore Management University（新加坡管理大学） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

AI总结 本研究分析了大语言模型中MLP参数的知识存储方式，发现参数专业化提高了知识利用效率，并通过实验验证了其重要性。

Comments Accepted in NeurIPS 2025

Meta-World+: An Improved, Standardized, RL Benchmark

Meta-World+: 一种改进、标准化的强化学习基准

Reginald McLean, Evangelos Chatzaroulas, Luc McCutcheon, Frank Röder, Tianhe Yu, Zhanpeng He, K. R. Zentner, Ryan Julian, J K Terry, Isaac Woungang, Nariman Farsad, Pablo Samuel Castro

机构 * Toronto Metropolitan University（多伦多 Metropolitan 大学） ； Farama Foundation（Farama 基金会） ； University of Surrey（塞维耶大学） ； Hamburg University of Technology（汉堡技术大学） ； Columbia University（哥伦比亚大学） ； Google DeepMind（谷歌DeepMind） ； University of Southern California（南加州大学） ； Universite de Montreal（蒙特利尔大学） ； Mila 纠错

AI总结 Meta-World+通过改进和标准化，提供一个更可复现、技术更高效的强化学习基准，以促进多任务和元强化学习的研究与比较。

Comments Accepted at NeurIPs 2025, Datasets and Benchmarks