NeurIPS

Learning from Demonstrations via Capability-Aware Goal Sampling

通过能力感知的目标采样学习示范

Yuanlin Duan, Yuning Wang, Wenjie Qiu, He Zhu

机构 * Rutgers University（罗格斯大学） 纠错

AI总结 Cago通过动态跟踪智能体能力，选择略高于当前能力的目标，提升学习效率和性能。

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

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Triplets Better Than Pairs: Towards Stable and Effective Self-Play Fine-Tuning for LLMs

三元组优于对：迈向稳定且有效的自play微调方法用于大语言模型

Yibo Wang, Hai-Long Sun, Qing-Guo Chen, Zhao Xu, Weihua Luo, Kaifu Zhang, Lijun Zhang

机构 * National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（人工智能学院） ； Alibaba International Digital Commerce（阿里巴巴国际数字商务） ； Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔）） 纠错

AI总结 T-SPIN通过引入历史优势和熵约束，提升自play微调在稀缺标注数据下的稳定性和性能

Comments NeurIPS 2025

On the Entropy Calibration of Language Models

对语言模型熵校准的研究

Steven Cao, Gregory Valiant, Percy Liang

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了语言模型的熵校准问题，发现随着模型规模增大，校准误差缓慢改善，但截断方法会增加对数损失，理论证明在假设可预测文本熵的情况下，可以减少熵而不增加对数损失。

Comments Neurips 2025

Private Zeroth-Order Optimization with Public Data

私有零阶优化与公共数据

Xuchen Gong, Tian Li

AI总结 本文提出利用公共数据改进私有零阶优化算法，实现更优的隐私与效用平衡，同时提升运行效率。

Comments NeurIPS 2025

Aligning by Misaligning: Boundary-aware Curriculum Learning for Multimodal Alignment

通过不一致来对齐：面向多模态对齐的边界感知课程学习

Hua Ye, Hang Ding, Siyuan Chen, Yiyang Jiang, Changyuan Zhang, Xuan Zhang

机构 * Nanjing University（南京大学） ； Airon Technology CO., LTD（艾润科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； University of Bristol（布里斯托大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出BACL方法，通过边界感知负样本采样和局部注意力损失，提升多模态对齐性能，在多个基准上取得优于CLIP的成果。

Comments 24 pages, 6 figures, 5 tables. Submitted to NeurIPS 2025

Synergy over Discrepancy: A Partition-Based Approach to Multi-Domain LLM Fine-Tuning

协同优于差异：一种基于分区的多领域LLM微调方法

Hua Ye, Siyuan Chen, Haoliang Zhang, Weihao Luo, Yanbin Li, Xuan Zhang

机构 * Nanjing University（南京大学） ； Airon Technology CO., LTD（艾瑞森技术有限公司） ； University of Bristol（布里斯托大学） ； The University of Oklahoma（俄克拉荷马大学） ； Donghua University（东华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出一种基于分区的多领域LLM微调方法，通过平衡领域差异与协同效应，有效减少领域间干扰，提升多领域适应性能。

Comments 20 pages, 5 figures, 21 tables. Accepted at NeurIPS 2025. Corresponding author: Xuan Zhang (xuanzhang2199@gmail.com)

MDReID: Modality-Decoupled Learning for Any-to-Any Multi-Modal Object Re-Identification

MDReID: 任意到任意多模态对象重识别的模态解耦学习

Yingying Feng, Jie Li, Jie Hu, Yukang Zhang, Lei Tan, Jiayi Ji

机构 * Northeastern University（东北大学） ； Xiamen University（厦门大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 MDReID通过模态解耦学习和模态感知度量学习，实现了任意到任意多模态对象重识别的鲁棒性和可扩展性。

Comments Accepted by NeurIPS 2025

GSAlign: Geometric and Semantic Alignment Network for Aerial-Ground Person Re-Identification

GSAlign：面向空地行人重识别的几何与语义对齐网络

Qiao Li, Jie Li, Yukang Zhang, Lei Tan, Jing Chen, Jiayi Ji

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航天信息安全部与可信计算重点实验室，教育部，武汉大学计算机科学与工程学院） ； Xiamen University（厦门大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 GSAlign通过几何与语义对齐模块，有效解决空地行人重识别中的视角差异和遮挡问题，提升匹配精度。

Comments Accepted by Neurips 2025

Temporal Smoothness-Aware Rate-Distortion Optimized 4D Gaussian Splatting

时间平滑性感知的率失真优化4D高斯点溅射

Hyeongmin Lee, Kyungjune Baek

AI总结 本文提出了一种针对4DGS的端到端率失真优化压缩框架，通过小波变换提升存储效率，实现高达91倍的压缩率并保持高质量渲染。

Comments 24 pages, 10 figures, NeurIPS 2025

Reconstruct, Inpaint, Test-Time Finetune: Dynamic Novel-view Synthesis from Monocular Videos

重建、修复、测试时微调：从单目视频动态生成新视角

Kaihua Chen, Tarasha Khurana, Deva Ramanan

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出CogNVS模型，通过自监督学习和测试时微调，实现从单目视频动态场景生成新视角的高效方法。

Comments NeurIPS 2025. Project page: https://cog-nvs.github.io/

Unifying Appearance Codes and Bilateral Grids for Driving Scene Gaussian Splatting

统一外观代码与双侧网格用于驾驶场景高斯点漂浮

Nan Wang, Yuantao Chen, Lixing Xiao, Weiqing Xiao, Bohan Li, Zhaoxi Chen, Chongjie Ye, Shaocong Xu, Saining Zhang, Ziyang Yan, Pierre Merriaux, Lei Lei, Tianfan Xue, Hao Zhao

机构 * BAAI（北京人工智能研究院） ； AIR, THU（清华大学人工智能研究院） ； SJTU（上海交通大学） ； EIT(Ningbo)（宁波工程学院） ； CUHK（香港大学） ； LeddarTech 纠错

AI总结 本文提出了一种多尺度双侧网格方法，统一了外观代码与双侧网格，提升了自动驾驶场景中的几何重建精度。

Comments Accepted to NeurIPS 2025 ; Project page: https://bigcileng.github.io/bilateral-driving ; Code: https://github.com/BigCiLeng/bilateral-driving

Quantization Error Propagation: Revisiting Layer-Wise Post-Training Quantization

量化误差传播：重新审视分层后训练量化

Yamato Arai, Yuma Ichikawa

机构 * Fujitsu Limited（富士通有限公司） ； Department of Basic Science（基础科学系） ； The University of Tokyo（东京大学） ； RIKEN center for AIP（理化学研究所AIP中心） 纠错

AI总结 本文提出QEP框架，通过显式传播量化误差以提升分层后训练量化在低比特下的性能。

Comments 29 pages, 3 figures, Accepted at NeurIPS 2025

Interactive and Hybrid Imitation Learning: Provably Beating Behavior Cloning

交互式和混合模仿学习：可证明地超越行为克隆

Yichen Li, Chicheng Zhang

机构 * University of Arizona（亚利桑那大学） 纠错

AI总结 本文提出Warm Stagger方法，证明在按状态计算注释成本时，交互式和混合模仿学习可超越传统行为克隆方法。

Comments 42 pages, Accepted by NeurIPS 2025

Kuro Siwo: 33 billion $m^2$ under the water. A global multi-temporal satellite dataset for rapid flood mapping

Kuro Siwo：33十亿平方米水下区域。一个全球多时相卫星数据集，用于快速洪水制图

Nikolaos Ioannis Bountos, Maria Sdraka, Angelos Zavras, Ilektra Karasante, Andreas Karavias, Themistocles Herekakis, Angeliki Thanasou, Dimitrios Michail, Ioannis Papoutsis

机构 * Orion Lab National Observatory of Athens & National Technical University of Athens（奥里昂实验室 希腊国家天文台 & 希腊技术大学） ； Harokopio University of Athens（哈罗基奥大学 希腊） 纠错

AI总结 Kuro Siwo是一个全球多时相卫星数据集，用于快速洪水制图，包含33十亿平方米的洪水和永久水域数据，并提供优化的SAR数据产品和基准测试。

Comments Accepted at the 38th Conference on Neural Information Processing Systems (NeurIPS 2024) Track on Datasets and Benchmarks