Unifying Proportional Fairness in Centroid and Non-Centroid Clustering
统一重心与非重心聚类中的比例公平性
AI总结 本文提出半重心聚类方法，统一了重心与非重心聚类中的比例公平性标准，并设计了在多项式时间内实现核心标准常数近似的新型算法。
Comments Appeared in NeurIPS 2025
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions
迈向真实世界的IQA：重塑合成数据分布的新视角
机构 * Xidian University（西安电子科技大学）
AI总结 本文提出SynDR-IQA框架，通过重塑合成数据分布提升盲图像质量评估的泛化能力。
Comments Accepted by NIPS 2025
Combining datasets with different ground truths using Low-Rank Adaptation to generalize image-based CNN models for photometric redshift prediction
利用低秩适应结合不同地面真实数据集来泛化基于图像的CNN模型以预测光度红移
机构 * UCLA（加州大学洛杉矶分校）
AI总结 本文利用LoRA技术结合不同红移数据集，提升CNN模型在光度红移预测中的泛化能力与准确性。
Comments 11 pages, 7 figures, 3 tables, Accepted to the Conference on Neural Information Processing Systems (NeurIPS), Machine Learning and the Physical Sciences (ML4PS) Workshop 2025
JavisGPT: A Unified Multi-modal LLM for Sounding-Video Comprehension and Generation
JavisGPT：一种用于声音-视频理解和生成的统一多模态大语言模型
机构 * ZJU（浙江大学） ； NUS（国立新加坡大学） ； HKUST(GZ)（香港科技大学（广州）） ； RUC（中国人民大学） ； HZCU（杭州电子科技大学） ； NTU（国立台湾大学） ； SMU（新加坡国立大学） ； USYD（澳大利亚悉尼大学） ； ANU（澳大利亚国立大学）
AI总结 JavisGPT是一种统一多模态大语言模型，通过三阶段训练流程在声音-视频理解和生成任务中表现出色，尤其在复杂和时间同步场景中表现更优。
Comments Accepted by NeurIPS as a Spotlight paper. Code: https://github.com/JavisVerse/JavisGPT
Model-Behavior Alignment under Flexible Evaluation: When the Best-Fitting Model Isn't the Right One
在灵活评估下模型行为对齐：当最佳拟合模型不一定是正确的那个
AI总结 本文研究了在灵活评估下模型行为对齐的问题，发现即使有大量行为数据，过于灵活的对齐度量也可能导致模型无法正确反映人类的表示。
Comments Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
Flattening Hierarchies with Policy Bootstrapping
通过策略自举 flattening 层次结构
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种通过自举子目标策略训练平坦目标条件策略的方法，解决长horizon任务中GCRL扩展难题，实现高维控制性能提升。
Comments NeurIPS 2025 (Spotlight, top 3.2%)
70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float (DFloat11)
机构 * Department of Computer Science, Rice University（计算机科学系，里士大学） ； Department of Computer and Data Sciences, Case Western Reserve University（计算机与数据科学系，凯斯西储大学）
Comments Published in NeurIPS 2025
A Near-optimal, Scalable and Parallelizable Framework for Stochastic Bandits Robust to Adversarial Corruptions and Beyond
一种近优、可扩展且可并行化的随机带老虎机框架，具有对抗性破坏的鲁棒性及更广泛的适用性
机构 * MoE Engineering Research Center of Hardware/Software Co-design Technology and Application（硬件/软件协同设计技术与应用的MoE工程研究中心） ； East China Normal University（东华大学）
AI总结 本文提出了一种改进的随机老虎机框架BARBAT，通过消除K因子实现最优悔恨界，并扩展至多种设置，提升并行化能力与计算效率。
Comments Accepted at NeurIPS 2025
