NeurIPS

Generalizable Domain Adaptation for Sim-and-Real Policy Co-Training

可泛化领域适应的仿真与现实策略协同训练

Shuo Cheng, Liqian Ma, Zhenyang Chen, Ajay Mandlekar, Caelan Garrett, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Corporation（英伟达公司） 纠错

AI总结 本文提出一种仿真与现实协同训练框架，通过学习领域不变的特征空间，利用仿真数据提升现实世界操作策略的泛化能力，实现实验成功率提升30%。

Comments Accepted to NeurIPS 2025

FEAT: Free energy Estimators with Adaptive Transport

FEAT: 基于自适应传输的自由能估计器

Jiajun He, Yuanqi Du, Francisco Vargas, Yuanqing Wang, Carla P. Gomes, José Miguel Hernández-Lobato, Eric Vanden-Eijnden

机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； ML Lab, Capital Fund Management（ML实验室，资本基金管理公司） ； Courant Institute of Mathematical Sciences, NYU（纽约大学数学科学学院） 纠错

AI总结 FEAT提出了一种基于自适应传输的自由能估计框架，通过结合平衡与非平衡方法，提供一致且方差最小的估计器，并在多个科学领域中验证了其有效性。

Comments Accepted to NeurIPS 2025; the first two authors contribute equally to this work

Conditional Distribution Compression via the Kernel Conditional Mean Embedding

通过核条件均值嵌入进行条件分布压缩

Dominic Broadbent, Nick Whiteley, Robert Allison, Tom Lovett

机构 * School of Mathematics University of Bristol（数学系 伯明翰大学） ； Mathematical Institute University of Oxford（数学研究所 奥克斯福德大学） 纠错

AI总结 本文提出ACKH和ACKIP方法，通过线性时间贪心算法压缩条件分布，实验表明其在条件分布压缩任务中优于联合分布压缩和贪心选择方法。

Comments 76 pages, 32 figures, accepted into NeurIPS 2025

Streaming Stochastic Submodular Maximization with On-Demand User Requests

流式随机子模最大化与按需用户请求

Honglian Wang, Sijing Tu, Lutz Oettershagen, Aristides Gionis

AI总结 本文提出了一种流式随机子模最大化算法，通过单次遍历流并使用独立于流长度的内存，实现了竞争比为1/(8δ)的性能，有效解决了用户按需请求下的主题覆盖问题。

Comments NeurIPS'25

Evaluating Foundation Models' 3D Understanding Through Multi-View Correspondence Analysis

通过多视角对应分析评估基础模型的3D理解

Valentina Lilova, Toyesh Chakravorty, Julian I. Bibo, Emma Boccaletti, Brandon Li, Lívia Baxová, Cees G. M. Snoek, Mohammadreza Salehi

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文提出一种无需微调的3D场景理解基准，评估基础模型在多视角下的3D推理能力，展示DINO编码器在大视角变化下的竞争力。

Comments NeurIPS 2025 UniReps workshop, to be published in PMLR

ModHiFi: Identifying High Fidelity predictive components for Model Modification

ModHiFi：识别模型修改的高保真预测组件

Dhruva Kashyap, Chaitanya Murti, Pranav K Nayak, Tanay Narshana, Chiranjib Bhattacharyya

机构 * CSA, IISc（计算机科学与工程系，印度理工学院） 纠错

AI总结 ModHiFi通过子集保真度度量，在无梯度和损失函数访问的情况下，实现模型剪枝和去学习的高效修改。

Comments NeurIPS 2025 (Spotlight). Our code is available at https://github.com/DhruvaKashyap/modhifi

Towards Implicit Aggregation: Robust Image Representation for Place Recognition in the Transformer Era

迈向隐式聚合：Transformer时代用于地点识别的鲁棒图像表示

Feng Lu, Tong Jin, Canming Ye, Yunpeng Liu, Xiangyuan Lan, Chun Yuan

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Pengcheng Laboratory（鹏城实验室） ； Shenyang Institute of Automation, Chinese Academy of Sciences（沈阳自动化研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔）） 纠错

AI总结 本文提出通过隐式聚合方法，利用Transformer模型中的可学习标记实现鲁棒的图像表示，提升视觉地点识别的性能。

Comments Accepted by NeurIPS 2025

Transfer Learning for Benign Overfitting in High-Dimensional Linear Regression

迁移学习在高维线性回归中良性过拟合的应用

Yeichan Kim, Ilmun Kim, Seyoung Park

机构 * Yonsei University（延世大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本文提出了一种两步转移MNI方法，通过分析其非渐近性超额风险，揭示了在特定条件下利用异质数据可提升高维线性回归的泛化能力。

Comments 42 pages; Camera-ready version accepted at NeurIPS 2025 (Spotlight)

Dynamics-Aligned Latent Imagination in Contextual World Models for Zero-Shot Generalization

情境世界模型中的动态对齐潜在想象用于零样本泛化

Frank Röder, Jan Benad, Manfred Eppe, Pradeep Kr. Banerjee

机构 * Institute for Data Science Foundations（数据科学基础研究所） 纠错

AI总结 DALI通过动态对齐潜在想象在情境世界模型中实现零样本泛化，通过自监督编码器预测前向动力学，连接感知与控制，提升情境适应能力。

Comments 36 pages, 6 figures, accepted to NeurIPS 2025

Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics

Robot-R1: 通过强化学习提升机器人中的具身推理

Dongyoung Kim, Sumin Park, Huiwon Jang, Jinwoo Shin, Jaehyung Kim, Younggyo Seo

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； UC Berkeley（加州大学伯克利分校） ； RLWRLD 纠错

AI总结 Robot-R1通过强化学习提升机器人中的具身推理，优于SFT方法并超越GPT-4o在低级动作控制推理任务中

Comments NeurIPS 2025

RCCDA: Adaptive Model Updates in the Presence of Concept Drift under a Constrained Resource Budget

RCCDA: 在受约束资源预算下应对概念漂移的自适应模型更新

Adam Piaseczny, Md Kamran Chowdhury Shisher, Shiqiang Wang, Christopher G. Brinton

机构 * Purdue University（普渡大学） ； IBM Research（IBM研究院） 纠错

AI总结 RCCDA提出了一种在受约束资源预算下应对概念漂移的自适应模型更新策略，通过优化ML训练动态并保证资源约束，提升推理准确性。

Comments Accepted to NeurIPS 2025

Journal ref https://neurips.cc/virtual/2025/loc/san-diego/poster/120087

V2X-Radar: A Multi-modal Dataset with 4D Radar for Cooperative Perception

V2X-Radar: 一种包含4D雷达的多模态数据集用于协作感知

Lei Yang, Xinyu Zhang, Jun Li, Chen Wang, Jiaqi Ma, Zhiying Song, Tong Zhao, Ziying Song, Li Wang, Mo Zhou, Yang Shen, Kai Wu, Chen Lv

机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动性学院，清华大学） ； Nanyang Technological University（南洋理工大学） ； CUMTB（中国交通车辆技术研究所） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Beijing Jiaotong University（北京交通大学） ； ByteDance（字节跳动） 纠错

AI总结 V2X-Radar是首个包含4D雷达的多模态数据集，用于提升自动驾驶中的协作感知能力。

Comments NeurIPS 2025 Spotlight