NeurIPS

ImageNet-trained CNNs are not biased towards texture: Revisiting feature reliance through controlled suppression

训练于ImageNet的CNN并非倾向于纹理：通过受控抑制重新审视特征依赖

Tom Burgert, Oliver Stoll, Paolo Rota, Begüm Demir

机构 * BIFOLD ； TU Berlin（柏林工业大学） ； University of Trento（特伦托大学） 纠错

AI总结 研究发现训练于ImageNet的CNN并非天生偏向纹理，但主要依赖局部形状特征，且可通过现代训练策略减少这种依赖。

Comments Accepted at NeurIPS 2025 (oral)

Let Me Think! A Long Chain-of-Thought Can Be Worth Exponentially Many Short Ones

让我思考！一个长的推理链可能比许多短的链多出指数倍

Parsa Mirtaheri, Ezra Edelman, Samy Jelassi, Eran Malach, Enric Boix-Adsera

机构 * UC San Diego（UC圣地亚哥大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文探讨了推理链扩展策略，证明在特定图连通性问题中顺序扩展比并行扩展更有效。

Comments Published at NeurIPS 2025

Orient Anything V2: Unifying Orientation and Rotation Understanding

Orient Anything V2：统一物体3D方向和旋转理解

Zehan Wang, Ziang Zhang, Jiayang Xu, Jialei Wang, Tianyu Pang, Chao Du, HengShuang Zhao, Zhou Zhao

机构 * Zhejiang University（浙江大学） ； Shanghai AI Lab（上海人工智能实验室） ； Sea AI Lab（海思人工智能实验室） ； The University of Hong Kong（香港大学） 纠错

AI总结 Orient Anything V2通过四个创新提升，实现了对物体3D方向和旋转的统一理解，显著提升了零样本性能和泛化能力。

Comments NeurIPS 2025 Spotlight, Repo: https://github.com/SpatialVision/Orient-Anything-V2

Adaptive Online Emulation for Accelerating Complex Physical Simulations

自适应在线模拟用于加速复杂物理模拟

Tara P. A. Tahseen, Nikolaos Nikolaou, Luís F. Simões, Kai Hou Yip, João M. Mendonça, Ingo P. Waldmann

AI总结 本文提出自适应在线模拟方法AOE，通过动态学习神经网络替代模型，显著加速复杂物理模拟，实现在高保真度模拟中的高效计算。

Comments Accepted to NeurIPS 2025 workshop on Machine Learning and the Physical Sciences

The Computational Complexity of Counting Linear Regions in ReLU Neural Networks

ReLU神经网络中计算线性区域的计算复杂性

Moritz Stargalla, Christoph Hertrich, Daniel Reichman

机构 * University of Technology Nuremberg（图恩堡技术大学） ； Worcester Polytechnic Institute（沃思菲技术学院） 纠错

AI总结 本文研究了ReLU神经网络中线性区域计数的计算复杂性，证明了该问题在不同隐藏层结构下的NP-和#P难性，并展示了某些定义下的多项式空间算法。

Comments 26 pages, 6 figures, paper accepted at NeurIPS 2025. v3: Update to Fig. 1