NeurIPS

Learning Model Parameter Dynamics in a Combination Therapy for Bladder Cancer from Sparse Biological Data

从稀疏生物数据中学习组合疗法中癌症模型参数动态

Kayode Olumoyin, Lamees El Naqa, Katarzyna Rejniak

机构 * H. Lee Moffitt Cancer Center and Research Institute（H. Lee Moffitt癌症中心和研究所） ； Integrated Mathematical Oncology Department（整合数学肿瘤学部门） 纠错

AI总结 本文提出利用物理信息神经网络从稀疏生物数据中学习膀胱癌组合疗法中细胞间的动态相互作用及治疗响应。

Comments NeurIPS 2025 Workshop on Learning from Time Series for Health

Autonomous Pressure Control in MuVacAS via Deep Reinforcement Learning and Deep Learning Surrogate Models

通过深度强化学习和深度学习替代模型实现MuVacAS的自主压力控制

Guillermo Rodriguez-Llorente, Galo Gallardo, Rodrigo Morant Navascués, Nikita Khvatkin Petrovsky, Anderson Sabogal, Roberto Gómez-Espinosa Martín

机构 * HI Iberia（HI伊比利亚） ； Department of Mathematics, Universidad Carlos III de Madrid（数学系，卡洛斯三世大学） ； Gregorio Millán Barbany Institute, Universidad Carlos III de Madrid（格里戈里·米兰·巴尔巴尼研究所，卡洛斯三世大学） ； IFMIF-DONES Spain（IFMIF-DONES西班牙） 纠错

AI总结 本文提出利用深度强化学习和深度学习替代模型实现MuVacAS的自主压力控制，通过数字孪生技术提升粒子加速器的智能化控制水平。

Comments 13 pages, 7 figures, included in Machine Learning and the Physical Sciences Workshop @ NeurIPS 2025

Cooperative Retrieval-Augmented Generation for Question Answering: Mutual Information Exchange and Ranking by Contrasting Layers

协作检索增强生成用于问答：通过对比层进行互信息交换和排序

Youmin Ko, Sungjong Seo, Hyunjoon Kim

机构 * Department of Artificial Intelligence, Hanyang University（人工智能学院，翰阳大学） ； Department of Data Science, Hanyang University（数据科学学院，翰阳大学） 纠错

AI总结 CoopRAG通过协作检索与生成机制，提升问答任务中检索与生成的准确性。

Comments Accepted to NeurIPS 2025

Scale-invariant Attention

尺度不变注意力

Ben Anson, Xi Wang, Laurence Aitchison

机构 * School of Mathematics University of Bristol（布里斯托大学数学学院） ； Department of Computer Science Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； School of Computer Science University of Bristol（布里斯托大学计算机科学学院） 纠错

AI总结 本文提出了一种尺度不变的注意力机制，通过简单的位置依赖变换实现总注意力和稀疏性的尺度不变性，提升了长上下文推理和检索性能。

Comments Accepted at Neurips 2025

Leveraging Foundational Models and Simple Fusion for Multi-modal Physiological Signal Analysis

利用基础模型和简单融合进行多模态生理信号分析

Youssef Ghallab, Omar Iraqy, Mohamed Kandil, Mohamed Ashraf, Saadeldine Eletter, Morougue Ghazal, Ayman Khalafallah, Nagwa El-Makky

机构 * Computer and Communication Engineering Department, Alexandria University（亚历山大大学计算机与通信工程系） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出利用基础模型和简单融合方法，通过双掩码策略和对称编码器提升多模态生理信号分析的性能，实现情绪识别的高精度结果。

Comments Published at NeurIPS 2025 Workshop on Foundation Models for the Brain and Body

Task Matrices: Linear Maps for Cross-Model Finetuning Transfer

任务矩阵：用于跨模型微调转移的线性映射

Darrin O' Brien, Dhikshith Gajulapalli, Eric Xia

机构 * Algoverse AI Research（Algoverse AI研究院） ； Brown University（布朗大学） 纠错

AI总结 本文提出任务矩阵，通过线性变换提升跨模型微调转移性能，验证了预训练与微调架构间的线性编码存在，并展示了高效可推广的数据近似方法。

Comments NeurIPS Unireps 2025

Workflows vs Agents for Code Translation

工作流与代理在代码翻译中的比较

Henry Gray, Tom Yotam, Octavian Udrea

机构 * Code Metal 纠错

AI总结 研究比较了工作流与代理方法在MATLAB到HDL代码翻译中的效果，发现代理方法在语法修复和提升模拟覆盖率方面表现更优。

Journal ref NeurIPS 2025 Fourth Workshop on Deep Learning for Code

Amortized Active Generation of Pareto Sets

均摊主动生成帕累托集

Daniel M. Steinberg, Asiri Wijesinghe, Rafael Oliveira, Piotr Koniusz, Cheng Soon Ong, Edwin V. Bonilla

机构 * CSIRO’s Data61（CSIRO的数据61研究所） ； University of New South Wales（新南威尔士大学） ； Australian National University（澳大利亚国立大学） 纠错

AI总结 A-GPS通过均摊生成模型实现高效多目标优化，主动生成帕累托集并灵活捕捉用户偏好。

Comments Appears in the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

DenoiseRotator: Enhance Pruning Robustness for LLMs via Importance Concentration

DenoiseRotator: 通过重要性集中增强大语言模型的剪枝鲁棒性

Tianteng Gu, Bei Liu, Bo Xiao, Ke Zeng, Jiacheng Liu, Yanmin Qian

机构 * Shanghai Jiao Tong University（上海交通大学） ； HKUST（香港科技大学） ； Meituan（美团） 纠错

AI总结 DenoiseRotator通过重要性集中提升大语言模型剪枝鲁棒性，采用可学习正交变换优化参数重要性分布，有效减少稀疏性约束下的性能下降。

Comments Accepted at NeurIPS 2025

Scalable Bayesian Optimization via Focalized Sparse Gaussian Processes

通过聚焦稀疏高斯过程实现可扩展的贝叶斯优化

Yunyue Wei, Vincent Zhuang, Saraswati Soedarmadji, Yanan Sui

机构 * Tsinghua University（清华大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出聚焦GP和FocalBO方法，通过稀疏高斯过程提升贝叶斯优化效率，实现对高维问题的高效优化。

Comments Accepted by NeurIPS 2024