Transformer Embeddings for Fast Microlensing Inference
基于Transformer的快速微透镜推断
AI总结 本文提出基于Transformer编码器的高效微透镜推断方法，用于快速分析噪声大、非均匀采样的自由漂浮行星观测数据。
Comments Accepted to NeurIPS 2025 ML4PS workshop
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
A-LAMP: Agentic LLM-Based Framework for Automated MDP Modeling and Policy Generation
A-LAMP：基于代理的大型语言模型框架用于自动马尔可夫决策过程建模与策略生成
AI总结 A-LAMP通过基于代理的大型语言模型自动将自然语言任务描述转换为马尔可夫决策过程并生成策略，提升了自动化建模和策略生成的效率与准确性。
Comments NeurIPS 2025 Workshop: Multi-Turn Interactions in Large Language Models. 26 pages, 8 figures
Class-wise Balancing Data Replay for Federated Class-Incremental Learning
按类别平衡的数据回放用于联邦类增量学习
机构 * School of Software, Shandong University（山东大学软件学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； Department of Electrical and Computer Engineering, University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系） ； Vector Institute（向量研究所）
AI总结 FedCBDR通过全局协调机制和任务感知温度缩放模块，解决联邦类增量学习中的类别不平衡问题，提升模型在异构数据分布和任务不平衡下的泛化能力。
Comments NeurIPS'25 Accepted, Oral
GoalLadder: Incremental Goal Discovery with Vision-Language Models
GoalLadder: 基于视觉语言模型的增量目标发现
机构 * University of Oxford（牛津大学）
AI总结 GoalLadder利用视觉语言模型在视觉环境中通过增量目标发现提升RL智能体性能，实现高成功率。
Comments NeurIPS 2025
Few-Shot Learning from Gigapixel Images via Hierarchical Vision-Language Alignment and Modeling
通过层次化视觉-语言对齐和建模实现高像素图像的少样本学习
机构 * KAIST（韩国科学技术院） ； IHPC, A*STAR（A*STAR研究院）
AI总结 HiVE-MIL通过层次化视觉-语言对齐和建模，提升高像素图像的少样本学习性能，实现4.1%的宏F1提升。
Comments Accepted at NeurIPS 2025
Scalable Best-of-N Selection for Large Language Models via Self-Certainty
通过自我确定性实现大规模语言模型的可扩展最佳-N选择
机构 * UC Berkeley（伯克利大学）
AI总结 本文提出自我确定性方法，通过利用LLM输出的概率分布，高效提升大规模语言模型的推理能力，适用于多种推理任务和开放性生成场景。
Comments NeurIPS 2025
WARPD: World model Assisted Reactive Policy Diffusion
WARPD：世界模型辅助的反应策略扩散
机构 * University of Southern California（南加州大学） ； Google（谷歌） ； Intrinsic LLC（Intrinsic 公司）
AI总结 WARPD通过直接生成闭环策略，提高了机器人任务中长动作时间跨度和鲁棒性的性能，同时显著降低了推理成本。
Comments Outstanding Paper Award at the Embodied World Models for Decision Making Workshop at NeurIPS 2025
Fairness-Regularized Online Optimization with Switching Costs
具有切换成本的公平性正则化在线优化
机构 * School of Information（信息学院） ； Rochester Institute of Technology（罗切斯特技术学院） ； Electrical and Computer Engineering（电气与计算机工程） ； University of California, Riverside（加州大学河滨分校） ； Computing & Mathematical Sciences（计算与数学科学） ； California Institute of Technology（加州理工学院）
AI总结 本文提出FairOBD算法，通过引入辅助变量将长期公平性成本分解为在线成本，有效减少公平性正则化成本并促进公平结果。
Comments Accepted by NeurIPS 2025
Clip-and-Verify: Linear Constraint-Driven Domain Clipping for Accelerating Neural Network Verification
Clip-and-Verify: 基于线性约束的域剪裁用于加速神经网络验证
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 Clip-and-Verify通过基于线性约束的域剪裁方法，提升神经网络验证效率，减少子问题数量并提高验证准确率。
Comments Accepted to NeurIPS 2025
Cognitive Mirrors: Exploring the Diverse Functional Roles of Attention Heads in LLM Reasoning
认知镜像：探索大语言模型推理中注意力头的多样化功能角色
机构 * The University of Melbourne（墨尔本大学） ； The University of Sydney（悉尼大学） ； Amazon（亚马逊公司）
AI总结 本文提出认知镜像框架，通过CogQA数据集分析LLM中注意力头的功能专业化，揭示其在推理任务中的关键作用。
Comments Accepted to NeurIPS 2025
Breaking the Frozen Subspace: Importance Sampling for Low-Rank Optimization in LLM Pretraining
打破冻结子空间：用于大语言模型预训练低秩优化的重要性采样
机构 * Rice University（Rice大学） ； University of North Carolina at Charlotte（北卡罗来纳州立大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种具有可证明收敛性的低秩优化方法，用于大语言模型预训练，以解决主导子空间在预训练中冻结的问题，并在实验中表现出优越的性能。
Comments NeurIPS 2025
Dynamics of Spontaneous Topic Changes in Next Token Prediction with Self-Attention
自注意力架构中下个词预测的自发主题变化动态
机构 * York University（约克大学）
AI总结 研究探讨了自注意力架构中自发主题变化的动态，揭示了其与人类认知的异同，并验证了该现象在先进语言模型中的存在。
Comments Accepted to NeurIPS 2025
Grammar-Aligned Decoding
语法对齐解码
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出语法对齐解码（GAD）方法，通过适应性采样与近似期望未来（ASAp）算法，提升语法约束下生成输出的质量和概率匹配度。
Comments Accepted to NeurIPS 2024
The Expressive Capacity of State Space Models: A Formal Language Perspective
状态空间模型的表达能力：从形式语言的角度
机构 * Saarland University（萨尔兰大学）
AI总结 从形式语言角度研究状态空间模型的表达能力，发现其在特定任务中优于Transformer，并指出当前SSM设计限制其表现。
Comments Published in NeurIPS 2024
Journal ref Advances in Neural Information Processing Systems 37 (2024)
