期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
视觉同步：通过跨视角物体运动实现多摄像头同步
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 VisualSync通过多视角动态优化，实现跨摄像头流的毫秒级同步，有效降低同步误差至50毫秒以下。
Comments Accepted to NeurIPS 2025. Project page: https://stevenlsw.github.io/visualsync/
知识图谱持续学习中的弹性权重固化：一项实证评估
机构 * School of Computing（计算学院） ； Information Systems（信息系统） ； Athabasca University（亚伯达大学）
AI总结 本文通过实验证明，EWC在知识图谱持续学习中有效缓解灾难性遗忘，且任务划分策略影响遗忘程度。
Comments Accepted to NORA Workshop at NeurIPS 2025
图距离作为惊喜：知识图谱推理中的自由能最小化
机构 * School of Computing（计算学院） ； Information Systems（信息系统） ； Athabasca University（亚伯达大学）
AI总结 本文提出利用图距离最小化惊喜来改进知识图谱推理，通过连接自由能原理与KG系统，探索图距离在生成模型中的应用及其对语法结构的影响。
Comments Accepted to NORA Workshop at NeurIPS 2025
按计算路径扩展和引导大语言模型，使其与人脑一致
机构 * Meta AI ； Laboratoire de Neurosciences Cognitives et Computationnelles (Inserm U960)（神经认知与计算实验室） ； Ecole Normale Supérieure - PSL（巴黎高等师范学院 - PSL）
AI总结 本研究通过分析人脑和LLM的表示对齐性，发现两者在计算顺序上一致，但受模型大小和上下文长度影响。
Journal ref Neurips Proceedings 2025 - Spotlight
从黑洞到星系：神经运算符：吸积与反馈动态的框架
机构 * Department of Computer, Mathematical, and Natural Sciences, University of Maryland（大学计算机、数学和自然科学系） ； Department of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； TAPIR & Walter Burke Institute for Theoretical Physics, California Institute of Technology（加州理工学院TAPIR及沃尔特·布克理论物理研究所） ； Department of Physics, California Institute of Technology（加州理工学院物理系）
AI总结 本文提出基于神经运算符的''子网格黑洞''框架，通过学习小尺度动态并嵌入多级模拟，实现对黑洞与星系演化反馈的动态耦合建模。
Comments ML4PS Workshop, Neurips 2025 accepted
流等变递归神经网络
机构 * Harvard University（哈佛大学）
AI总结 本文提出流等变递归神经网络，通过引入时间参数化的对称性，提升序列模型在训练速度、长度泛化和速度泛化方面的性能。
Comments NeurIPS '25, Spotlight
无界流的隐私连续计数
机构 * Department of Computer Sciences University of Wisconsin — Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering University of Wisconsin — Madison（电气与计算机工程系威斯康星大学麦迪逊分校）
AI总结 本研究提出一种无界流的隐私连续计数算法，通过引入基于对数扰动的矩阵分解，实现平滑误差和更优的方差与空间效率。
Comments Published as a conference paper at NeurIPS 2025. 20 pages, 2 figures
非平稳带惩戒凸优化：全面研究
机构 * University of Oxford（牛津大学） ； Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔INP、LIG实验室） ； Google Research（谷歌研究）
AI总结 本文提出TEWA-SE和cExO算法，分别在已知和未知非平稳度量下实现带惩戒凸优化的最小化最优遗憾。
Comments 33 pages, 1 figure, accepted at NeurIPS 2025
一种用于自动驾驶赛车的模拟基准测试平台
机构 * UC San Diego（斯克里普斯海洋研究所） ； TU-Graz（格拉茨技术大学） ； Unimore（乌尔比诺大学） ； Know-Center GmbH（Know-Center公司）
AI总结 本文提出基于Assetto Corsa的赛车模拟平台，用于测试和评估强化学习与模型预测控制算法，结合人类驾驶数据集和离线RL设置，推动自动驾驶赛车技术发展。
Comments Project page and code can be found at: \url{https://assetto-corsa-gym.github.io/}
Journal ref Advances in Neural Information Processing Systems 37 (NeurIPS 2024)
屏蔽符号建模用于在冲击噪声主导信道中解调过采样基带通信信号
机构 * Electrical & Computer Engineering Texas A&M University College Station, TX 77843（电气与计算机工程系，德克萨斯农工大学，College Station, TX 77843） ； Engineering Technology & Industrial Distribution Texas A&M University College Station, TX 77843（工程技术与工业分销，德克萨斯农工大学，College Station, TX 77843） ； Engineering Technology & Industrial Distribution, and Electrical & Computer Engineering Texas A&M University College Station, TX 77843（工程技术与工业分销，以及电气与计算机工程，德克萨斯农工大学，College Station, TX 77843）
AI总结 本文提出屏蔽符号建模方法，用于在冲击噪声主导信道中解调过采样基带通信信号，通过学习复基带波形的潜在语法实现上下文感知的物理层设计。
Comments Accepted to the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop on AI and ML for Next-Generation Wireless Communications and Networking (AI4NextG), non-archival
非凡特性及其获取方法：一种结合多个基础模型特征的探测方法
机构 * University of Oxford（牛津大学） ； Polytechnique Montréal（蒙特利尔理工学院）
AI总结 ComBo是一种结合多个基础模型特征的探测方法，通过紧凑表示和轻量级transformer实现高效任务预测，优于现有探测方法并提升模型性能。
Comments Published at NeurIPS 2025
OpenBox: 任意3D边界框的标注
机构 * Seoul National University（首尔国立大学） ； POSTECH
AI总结 OpenBox通过2D视觉基础模型实现无需自我训练的高质量3D边界框标注，提升自动驾驶中物体检测的准确性和效率。
Comments Accepted by NeurIPS 2025
将NGU扩展到多智能体RL：初步研究
机构 * Department of Computer Science, Pontifical Catholic University of Chile（天主教智利大学计算机科学系） ； Millennium Institute for Intelligent Healthcare Engineering (iHEALTH)（智能医疗工程研究院） ； National Center for Artificial Intelligence (CENIA)（人工智能国家中心）
AI总结 本研究将NGU算法扩展至多智能体RL环境，通过共享经验缓冲区和优化内在探索信号，提升了多智能体任务中的性能与稳定性。
Comments 9 pages, 4 figures, 1 table. Accepted at the LatinX in AI (LXAI) Workshop at NeurIPS 2025. Includes experimental results for Multi-NGU and Multi-DQN in the PettingZoo simple_tag environment
通过了解他人来认识自己：从群体上下文学习神经元身份
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； McGill University（麦吉尔大学） ； Mila（Mila研究所） ； Allen Institute for Neural Dynamics（神经动态阿伦研究所）
AI总结 NuCLR通过自监督学习从群体上下文中的神经活动区分神经元身份，实现了细胞类型和大脑区域解码的最新成果。
Comments Accepted at Neurips 2025
LGDC: 通过谱保持粗化实现潜在图扩散
机构 * University College London（伦敦大学学院） ； MediaTek Research（联发科研究） ； University of Oxford（牛津大学）
AI总结 LGDC通过结合自回归和扩散模型的优点，提出一种谱保持粗化的方法，实现高效图生成。
Journal ref NeurIPS 2025 New Perspectives in Advancing Graph Machine Learning Workshop
现实世界中主动感知行为的强化学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Liège（列日大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出AAWR方法，通过特权传感器训练高效主动感知策略，提升机器人在部分可观测环境下的任务性能。
Comments NeurIPS 2025 camera ready
动态算法用于lp范数下的可解释k-均值聚类
机构 * Northwestern（西北大学） ； TTIC（泰特研究所）
AI总结 本文提出了一种动态算法，用于在lp范数下实现可解释的k-均值聚类，改进了现有算法的性能并适用于大规模数据集。
Comments 36 pages, 3 figures, to appear in NeurIPS 2025
PIANO：基于物理的双神经算子用于降水nowcasting
机构 * California Institute of Technology（加州理工学院） ； TelePIX Seoul（首尔TelePIX）
AI总结 PIANO通过结合物理约束和神经算子提升降水nowcasting的准确性和一致性，实现对中等及强降水事件的有效预测。
Comments NeurIPS 2025 Machine Learning and Physical Sciences Workshop
TRoVe: 发现时间视觉-语言模型中的错误引发静态特征偏差
机构 * Stanford University（斯坦福大学） ； HOPPR
AI总结 TRoVe通过识别时间视觉-语言模型中的错误引发静态特征偏差，提升模型在下游任务中的表现。
Comments NeurIPS 2025
集成记忆的可重构适配器：一种统一框架，适用于多任务设置
机构 * IIT Hyderabad（印度海得拉尔理工学院） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； Microsoft Research, India（微软印度研究院）
AI总结 MIRA通过整合联想记忆与适配器调节，实现多任务设置中的快速任务切换和持久知识保留。
Comments NeurIPS 2025; 31 pages, 2 figures
多目标线性上下文老虎机中的汤普森采样
机构 * Seoul National University（首尔国立大学）
AI总结 本文提出MOL-TS算法，首次在多目标线性上下文老虎机问题中实现帕累托遗憾保证，通过有效帕累托前沿提升多目标优化性能。
Comments NeurIPS 2025
基于上下文化规范化流的深度回归不确定性量化
机构 * Arquimea Research Center（阿奎米亚研究中心） ； Department of Computer Science, University of York（约克大学计算机科学系） ； Department of Elect. Eng., and Computer Science and Eng., Cyprus University of Technology（塞浦路斯技术大学电子工程与计算机科学系）
AI总结 本文提出MCNF方法，通过上下文化规范化流实现深度回归模型的不确定性量化，生成预测区间和完整条件分布，无需重新训练模型，提升高风险领域的决策可靠性。
Journal ref Neural Information Processing Systems (NeurIPS) 2025
从飘落的树叶中看到风
机构 * University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文提出一种端到端可微逆图形框架，通过视频恢复不可见的物理力，应用于风场估计和基于物理的视频生成与编辑。
Comments Accepted at NeurIPS 2025
关于用户界面在AI代理治理中的调节潜力
机构 * University of Washington（华盛顿大学） ； KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出通过调节AI代理的用户界面来增强透明性和行为规范，从而在系统和基础设施层面实现治理。
Comments RegML workshop at NeurIPS 2025 (oral)
语言模型中的趋炎附势主张：缺失的人工智能循环
机构 * Weizenbaum Institute（韦岑鲍姆研究所） ； Technical University Berlin（柏林技术大学） ； Technical University Munich（慕尼黑技术大学）
AI总结 本文探讨了大型语言模型中趋炎附势现象的测量挑战，提出五个核心操作化定义，并指出当前研究缺乏对人类感知的评估，为未来研究提供建议。
Comments NeurIPS 2025 Workshop on LLM Evaluation and ICLR 2025 Workshop on Bi-Directional Human-AI Alignment
一种用于局部化和高分辨率温度预报的图神经网络方法
机构 * Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Western University（西部大学）
AI总结 本文提出一种图神经网络方法，用于局部化和高分辨率温度预报，通过空间学习和高效计算实现高精度预测，适用于数据丰富的地区，并为数据有限地区提供公平预报的可能。
Comments 6 pages, 2 figures. Accepted to the NeurIPS 2025 Tackling Climate Change with Machine Learning Workshop
谁的人设？LLM研究中的人设实验及透明化路径
AI总结 本文探讨了LLM研究中合成人设实验的代表性与生态效度问题，提出透明化检查表以提升评估的严谨性和实证性。
Comments Published at AAAI/ACM AIES 2025. Presented at NeurIPS 2025 Workshop Evaluating the Evolving LLM Lifecycle: Benchmarks, Emergent Abilities, and Scaling
Journal ref Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(1), 2025, 343-354
解决神经最小-最大游戏：架构、初始化与动态的作用
机构 * Department of Computer Science University of Wisconsin-Madison（计算机科学系 威斯康星大学麦迪逊分校）
AI总结 本文提出了一种理论框架，通过隐藏的凸性和过参数化解释神经最小-最大游戏中的全局收敛性，并首次为两层神经网络游戏提供了保证。
Comments Camera-ready for NeurIPS 2025 (including updated section on neural network initialization for experiments in Appendix C)
DeepPersona: 一个用于扩展深度合成人设的生成引擎
机构 * UCSD（加州大学圣地亚哥分校） ； KU Leuven（鲁汶大学） ； SJTU（上海交通大学） ； University of Michigan（密歇根大学） ； Denison University（德尼森大学） ； Amazon（亚马逊） ； Meta
AI总结 DeepPersona通过双阶段分类学引导方法生成深度合成人设，提升LLM个性化和人类模拟的准确性与多样性。
Comments add an author[Update], 12 pages, 5 figures, accepted at LAW 2025 Workshop (NeurIPS 2025) Project page: https://deeppersona-ai.github.io/
Journal ref LAW 2025 Workshop, NeurIPS 2025
Monitor-Generate-Verify (MGV): 形式化语言模型推理的元认知理论
机构 * socius labs ； Centre for Philosophy of Natural and Social Science (CPNSS)（哲学自然与社会科学中心） ； London School of Economics（伦敦经济学院）
AI总结 MGV框架通过引入监控机制，弥补生成-验证范式中监控过程的缺失，以提升语言模型推理的准确性和鲁棒性。
Comments Presented at the Workshop on the Foundations of Reasoning in Language Models at NeurIPS 2025 (non-archival)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈