Automated Composition of Agents: A Knapsack Approach for Agentic Component Selection
代理自动组合：一种背包方法用于代理组件选择
机构 * AWS Agentic AI（AWS 代理人工智能）
AI总结 本文提出基于背包问题的代理组件自动组合框架，通过动态评估组件性能与成本，提升代理系统在不同场景下的成功率和资源利用效率。
Comments Accepted to NeurIPS 2025 Conference
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
ChronoGraph: A Real-World Graph-Based Multivariate Time Series Dataset
ChronoGraph：一个基于图的多变量时间序列真实世界数据集
机构 * Bitdefender ； University of Bucharest（布加勒斯特大学） ； University of Stuttgart（斯图加特大学） ； International Max Planck Research School for Intelligent Systems（智能系统国际马克斯·普朗克研究学校）
AI总结 ChronoGraph是一个基于图的多变量时间序列数据集，用于研究微服务系统中的结构感知预测和事件感知评估。
Comments Accepted as an oral presentation at the NeurIPS 2025 Workshop on Recent Advances in Time Series Foundation Models (BERT2S)
Composition and Alignment of Diffusion Models using Constrained Learning
扩散模型的组成与对齐：基于约束学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Tennessee, Knoxville（田纳西大学，基洛那分校）
AI总结 本文提出了一种基于约束学习的框架，通过统一对齐和组成扩散模型，以提高生成样本的质量和符合用户需求的能力。
Comments 48 pages, 6 figures, 15 tables; Accepted to NeurIPS 2025
On Defining Neural Averaging
如何定义神经网络平均
机构 * Department of Statistics University of Chicago（统计学系芝加哥大学）
AI总结 本文提出无数据的Amortized Model Ensembling框架，通过将模型差异视为伪梯度来指导神经权重更新，实现了优于传统方法的神经网络平均策略。
Comments Proceedings of the NeurIPS 2025 Workshop on Unifying Representations in Neural Models
Accelerating Parallel Diffusion Model Serving with Residual Compression
通过残差压缩加速并行扩散模型服务
机构 * Southern University of Science and Technology（南方科技大学） ； Jiangnan University（江南大学） ； Shenzhen Technology University（深圳技术大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 CompactFusion通过残差压缩技术提升并行扩散模型服务效率，实现3倍加速并显著提高生成质量。
Comments Accepted by NeurIPS 2025
The Catechol Benchmark: Time-series Solvent Selection Data for Few-shot Machine Learning
儿茶酚基准：用于少样本机器学习的时序溶剂选择数据
机构 * Department of Computing, Imperial College London（计算系，帝国理工学院伦敦分校） ； Department of Chemistry, Imperial College London（化学系，帝国理工学院伦敦分校） ； SOLVE Chemistry（SOLVE化学）
AI总结 本文提出了一种用于少样本机器学习的时序溶剂选择数据集，通过大规模连续工艺条件样本，挑战机器学习模型，应用于溶剂替代和可持续制造。
Comments 10 pages main, 22 pages total, 8 figures, 7 tables. Accepted to NeurIPS Datasets and Benchmarks track 2025
Mind the Gap: Bridging Thought Leap for Improved Chain-of-Thought Tuning
注意间隔：为改进链式推理微调而弥合思维跳跃
机构 * Zhejiang University（浙江大学） ； SF Technology（SF技术） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 本文提出CoT思维跳跃桥任务，通过生成缺失的中间推理步骤提升数学推理任务的性能，实验表明在NuminaMath上改进达+5.87%。
Comments Accepted to NeurIPS 2025. Camera ready version. Code: https://github.com/ZJU-REAL/Mind-the-Gap Project: https://zju-real.github.io/CoT-Bridge/
Sparse Autoencoders Learn Monosemantic Features in Vision-Language Models
稀疏自编码器在视觉-语言模型中学习单义特征
机构 * Technical University of Munich（慕尼黑技术大学） ； Helmholtz Munich（亥姆霍兹慕尼黑） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； University of Tübingen（图宾根大学） ； University of Copenhagen（哥本哈根大学）
AI总结 本研究通过稀疏自编码器提升视觉-语言模型中神经元的单义性，展示其在增强模型可解释性和可控性方面的有效性。
Comments Accepted at NeurIPS 2025
Fast Solvers for Discrete Diffusion Models: Theory and Applications of High-Order Algorithms
离散扩散模型的快速求解器：高阶算法的理论与应用
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出高阶算法用于离散扩散模型，提升推断效率和样本质量，适用于文本、图像等生成任务。
Comments Accepted at NeurIPS 2025 as a Poster (https://openreview.net/forum?id=OuklL6Q3sO)
Linearly Constrained Diffusion Implicit Models
线性约束扩散隐式模型
机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学）
AI总结 CDIM通过动态调整投影步骤减少数量，实现快速准确解决噪声线性逆问题，适用于多种图像处理任务。
Comments NeurIPS 2025
Accelerating Diffusion Models with Parallel Sampling: Inference at Sub-Linear Time Complexity
通过并行采样加速扩散模型：在亚线性时间复杂度下进行推理
机构 * ICME Stanford University（ICME 斯坦福大学） ； Department of Mathematics and ICME Stanford University（数学系和ICME 斯坦福大学） ； Department of Chemistry and ICME Stanford University（化学系和ICME 斯坦福大学）
AI总结 通过并行采样技术，提出一种在亚线性时间复杂度下高效推理的扩散模型方法，实现了高维数据的快速高效采样。
Comments Accepted at NeurIPS 2024 as a Spotlight Poster (https://openreview.net/forum?id=F9NDzHQtOl)
A Sampling-Based Domain Generalization Study with Diffusion Generative Models
基于扩散生成模型的采样域泛化研究
机构 * LIX, École Polytechnique, IP Paris, France（巴黎高等理工学院LIX实验室） ； School of Computer Science, Wuhan University, China（武汉大学计算机科学学院） ； Canadian Institute for Theoretical Astrophysics (CITA), University of Toronto, Canada（多伦多大学理论天体物理研究所） ； Google DeepMind, USA（谷歌DeepMind公司） ； Department of Computer Science, University of Illinois Chicago, USA（伊利诺伊大学芝加哥分校计算机科学系）
AI总结 本文提出基于采样的域泛化方法，利用预训练扩散模型生成未见域图像，通过潜在空间中的非域先验分离实现高质量图像合成。
Comments NeurIPS 2025 Workshop on Frontiers in Probabilistic Inference: Learning meets Sampling. Code can be found at https://github.com/L-YeZhu/DiscoveryDiff
Continual Learning with Global Alignment
全局对齐的持续学习
机构 * Department of Computer Science（计算机科学系） ； Stony Brook University（石桥大学）
AI总结 本文提出了一种基于全局对齐的方法，通过促进任务间数据表示的相关性，实现持续学习中对先前任务性能的保持，无需经验回放即可达到最优性能。
Comments Neurips 2024
