Convergence for Discrete Parameter Update Schemes
离散参数更新方案的收敛性
机构 * ARIA’s Safeguarded AI programme（ARIA的受保护AI计划）
AI总结 本文提出了一种基于离散更新规则的深度学习训练方法，通过建立收敛性保证和实证验证，为低精度训练提供了新的高效解决方案。
Comments opt-ml 2025 workshop at NeurIPS
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Variational Uncertainty Decomposition for In-Context Learning
变分不确定性分解用于上下文学习
AI总结 本文提出变分不确定性分解框架，用于分解上下文学习中的先验和随机不确定性，通过优化辅助查询获得不确定性上界并诱导下界，实验验证其有效性。
Comments Neurips Version
Exoplanet formation inference using conditional invertible neural networks
利用条件可逆神经网络推断系外行星形成
AI总结 本文利用条件可逆神经网络推断系外行星形成过程，通过多行星系统数据提升预测能力，但单行星数据存在外推局限。
Comments 10 pages, accepted poster for the Machine Learning and the Physical Sciences Workshop at the 39th conference on Neural Information Processing Systems (NeurIPS 2025)
Journal ref Machine Learning and the Physical Sciences Workshop, 39th conference on Neural Information Processing Systems (NeurIPS 2025)
CureAgent: A Training-Free Executor-Analyst Framework for Clinical Reasoning
CureAgent：一种无需训练的执行-分析框架用于临床推理
机构 * Cambridge（剑桥）
AI总结 CureAgent提出无需训练的执行-分析框架，通过模块化架构和分层集合策略提升临床推理性能，实现CURE-Bench上的最佳表现。
Comments 2nd Place Solution to the CURE-Bench Competition @ NeurIPS 2025. Code available at https://github.com/June01/CureAgent
RoBoN: Routed Online Best-of-n for Test-Time Scaling with Multiple LLMs
RoBoN: 基于路由的在线最佳-n方法用于多LLM测试时间扩展
机构 * Kempner Institute for the Study of Natural & Artificial Intelligence（自然与人工智能研究 institute）
AI总结 RoBoN通过在线路由多LLM生成过程，提高测试时间扩展性能，无需额外训练，有效提升准确率。
Comments 20 pages, 3 figures. 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models
Generalization Beyond Benchmarks: Evaluating Learnable Protein-Ligand Scoring Functions on Unseen Targets
超越基准的泛化：在未见目标上评估可学习的蛋白质-配体评分函数
机构 * CIIRC, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程学院智能信息研究中心） ； Seminar for Applied Mathematics, Department of Mathematics, ETH Zurich（苏黎世联邦理工学院应用数学研讨会） ； Institute for Computational Life Sciences, Zurich University of Applied Sciences（苏黎世应用科学大学计算生命科学研究所） ； Loschmidt Laboratories, Faculty of Science, Masaryk University, Brno（马萨里克大学布拉格分校科学学院洛施米特实验室） ； ICRC, St. Anne’s University Hospital, Brno（布拉格大学医院ICRC）
AI总结 本研究评估了可学习蛋白质-配体评分函数在未见靶标上的泛化能力，揭示了现有基准的不足，并探讨了预训练和简单方法对提升泛化性能的潜在作用。
Comments 15 pages, 6 figures, submitted to NeurIPS 2025 AI4Science Workshop
MAR-FL: A Communication Efficient Peer-to-Peer Federated Learning System
MAR-FL：一种通信高效的点对点联邦学习系统
机构 * Technical University of Munich（慕尼黑技术大学） ； University of Toronto（多伦多大学）
AI总结 MAR-FL是一种通过迭代分组聚合减少通信开销的点对点联邦学习系统，具有O(N log N)的通信复杂度，提升了在大规模节点环境下的鲁棒性和可扩展性。
Comments Accepted at the peer-reviewed AI4NextG Workshop at NeurIPS 2025
RAG-IGBench: Innovative Evaluation for RAG-based Interleaved Generation in Open-domain Question Answering
RAG-IGBench: 用于开放领域问答中基于检索增强生成的交错生成的创新评估
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） ； Xi’an Jiaotong University（西安交通大学）
AI总结 RAG-IGBench通过创新的评估指标和多模态数据，评估基于检索增强生成的交错生成任务，验证了模型在开放领域问答中的性能提升。
Comments 26 pages, 6 figures, NeurIPS 2025 D&B Track poster
Counterfactual Reasoning for Steerable Pluralistic Value Alignment of Large Language Models
反事实推理用于可操控的多元价值观对齐大语言模型
机构 * Renmin University of China（中国人民大学） ； Microsoft Research Asia（微软亚洲研究院） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程研究中心，教育部）
AI总结 COUPLE通过反事实推理框架实现多元价值观对齐，解决现有方法在处理细粒度价值目标时的依赖性和优先级控制问题。
Comments NeurIPS 2025. 41 pages, 7 figures
Journal ref The Thirty-Ninth Annual Conference on Neural Information Processing Systems. (NeurIPS 2025)
iFinder: Structured Zero-Shot Vision-Based LLM Grounding for Dash-Cam Video Reasoning
iFinder: 结构化零样本视觉基于LLM的地面定位用于行车记录仪视频推理
机构 * NEC Laboratories, America（NEC美国实验室） ； University of California, Riverside（加州大学河滨分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 iFinder通过结构化语义接地框架，利用行车记录仪视频中的关键线索提升LLM在驾驶视频推理中的性能。
Comments Accepted at NeurIPS 2025
V-CECE: Visual Counterfactual Explanations via Conceptual Edits
V-CECE：通过概念编辑生成视觉反事实解释
机构 * National Technical University of Athens（国家技术大学雅典）
AI总结 V-CECE通过概念编辑生成反事实解释，无需训练即可产生人类水平的可解释性结果。
Comments Accepted in NeurIPS 2025
Real-Time Execution of Action Chunking Flow Policies
实时执行动作分块流策略
机构 * Physical Intelligence（物理智能） ； UC Berkeley（伯克利大学）
AI总结 本文提出实时分块（RTC）方法，通过在执行当前动作分块的同时生成下一个分块，实现动作分块策略的实时异步执行，提升任务吞吐量和精确任务成功率。
Comments published in NeurIPS 2025
IF-GUIDE: Influence Function-Guided Detoxification of LLMs
IF-GUIDE：影响函数引导的LLM去毒化
机构 * Oregon State University（俄勒冈州立大学） ； University of Toronto（多伦多大学） ； Anthropic
AI总结 IF-GUIDE通过影响函数主动识别并抑制训练数据中的有害标记，有效减少大语言模型的显性和隐性毒性。
Comments Accepted at NeurIPS 2025 [Poster]
Synthesizing Performance Constraints for Evaluating and Improving Code Efficiency
为评估和提升代码效率合成性能约束
AI总结 WEDGE通过生成性能压力输入，提升代码优化效果，释放PERFFORGE测试以评估未来高效代码生成方法。
Comments Accepted by Neurips 2025 (main poster)
Balancing Performance and Costs in Best Arm Identification
在最佳臂识别中平衡性能与成本
机构 * Department of Statistics University of Wisconsin-Madison（统计学系威斯康星大学麦迪逊分校）
AI总结 本文提出了一种新的最佳臂识别方法，通过平衡性能和成本来优化学习过程，提出了 DBCARE 算法并展示了其在模拟模型中的优越性能。
Comments NeurIPS 2025
PDPO: Parametric Density Path Optimization
PDPO：参数密度路径优化
AI总结 PDPO通过参数映射将无限维密度优化转化为有限维问题，有效解决多模态和高维路径优化问题，优于现有方法。
Comments 28 pages, 16 figures
Journal ref NeurIPS 2025
AURA: A Diagnostic Framework for Tracking User Satisfaction of Interactive Planning Agents
AURA：一个用于跟踪交互式规划代理用户满意度的诊断框架
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 AURA提出一个诊断框架，用于跟踪交互式规划代理的用户满意度，通过评估代理行为阶段和中间行为来提升用户体验。
Comments NeurIPS 2025 MTI-LLM Workshop. Full version is under review
Implicit Bias of Spectral Descent and Muon on Multiclass Separable Data
隐式偏置与谱下降法和缪恩在多类可分数据中的表现
机构 * Department of Computer Science University of British Columbia（计算机科学系不列颠哥伦比亚大学） ； University of British Columbia Canada（不列颠哥伦比亚大学加拿大） ； CIFAR AI Chair (Amii) &（CIFAR人工智能主席（Amii）） ； Department of Electrical and Computer Engineering University of British Columbia（电气与计算机工程系不列颠哥伦比亚大学）
AI总结 本文研究了谱下降法和缪恩在多类可分数据中的隐式偏置，证明其收敛到最大化分类矩阵p-范数的边际解，并展示了Adam在预处理下的收敛特性。
Comments NeurIPS 2025 (Spotlight)
