期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Enginuity：构建一个复杂的工程图多领域开放数据集
机构 * Oak Ridge National Laboratory（奥克伍德国家实验室）
AI总结 Enginuity是一个开放的多领域工程图数据集，旨在通过结构注释帮助AI处理工程图解析和科学发现。
Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Ai4 Science
基于HSIC的显著性保持潜在信息分解
机构 * Department of Machine Learning and Systems Biology, Max Planck Institute of Biochemistry（机器学习与系统生物学系，马克斯·普朗克生物化学研究所） ； Northeastern University（东北大学） ； Faculty of Computer Science, University of Vienna（计算机科学系，维也纳大学） ； Doctoral School Computer Science, University of Vienna（计算机科学博士学院，维也纳大学） ； Research Network Data Science, University of Vienna（数据科学研究网络，维也纳大学）
AI总结 H-SPLID通过显式分解显著和非显著特征，提升任务相关特征学习的鲁棒性和信息保留能力。
Comments Accepted at NeurIPS 2025
持续知识适应于强化学习
机构 * South China University of Technology（南方科技大学） ； Pazhou Laboratory（Pazhou实验室） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） ； Key Laboratory of Big Data and Intelligent Robot, Ministry of Education（大数据与智能机器人重点实验室，教育部）
AI总结 CKA-RL通过持续知识适应策略和自适应知识融合机制，有效解决强化学习中的灾难性遗忘问题，提升跨任务知识转移效率。
Comments NeurIPS 2025
EVOREFUSE: 进化提示优化用于评估和缓解大语言模型对伪恶意指令的过度拒绝
机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航天信息安全部门、教育部、武汉大学计算机科学与工程学院） ； Ant Group（蚂蚁集团） ； Ant International（蚂蚁国际） ； School of Computing Technologies, Royal Melbourne Institute of Technology（皇家墨尔本理工学院计算机技术学院）
AI总结 EVOREFUSE通过进化算法生成多样化伪恶意指令，提升LLM对恶意指令的拒绝触发率并减少过度拒绝
Comments NeurIPS 2025
不要懒惰：CompleteP使深度变压器计算高效
机构 * Cerebras Systems（Cerebras系统） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 CompleteP通过实现深度-wise超参数转移和非懒惰学习，提升了深度变压器的计算效率，适用于更广泛的模型宽度/深度比和硬件环境。
Comments NeurIPS 2025. v4 fixes Table 1 typo to match AdamW eps to Equation 40
KeyDiff: 基于键相似性的KV缓存淘汰方法用于资源受限环境中的长上下文LLM推理
机构 * Qualcomm AI Research（高通人工智能研究）
AI总结 KeyDiff是一种基于键相似性的KV缓存淘汰方法，能够在资源受限环境下高效处理长上下文LLM推理，减少缓存占用并提升响应效率。
Comments 37 pages, 19 figures, NeurIPS 2025
用梯度弹弓操控特征可视化
机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； UMI Lab, ATB Potsdam（UMI实验室，ATB波茨坦） ； University of Potsdam（波茨坦大学） ； BIFOLD（BIFOLD机构） ； Machine Learning and Security Group, TU Berlin（柏林技术大学机器学习与安全小组） ； Machine Learning Group, TU Berlin（柏林技术大学机器学习小组） ； Department of Artificial Intelligence, Korea University（韩国大学人工智能系） ； Max-Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Centre of eXplainable Artificial Intelligence, TU Dublin（都柏林技术大学可解释人工智能中心） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； TU Munich（慕尼黑技术大学）
AI总结 本文提出梯度弹弓方法，通过操控特征可视化轨迹，实现对DNN特征解释的操控，揭示FV解释的可信度问题并提出防御措施。
Comments Accepted to NeurIPS 2025
可控且受保护的内容生成的生成式AI代理
AI总结 本文提出了一种多代理框架，通过整合可控内容生成和来源保护，解决生成式AI在可控性和内容保护方面的挑战。
Comments Accepted GenProCC NeurIPS 2025, Paper # 33
Journal ref GenProCC NeurIPS 2025, Paper # 33
深度勒让德变换
机构 * Center of Economic Research and RiskLab ETH Zurich（经济研究中心和风险实验室 ETH 瑞士 Zurich） ； Department of Mathematics and RiskLab ETH Zurich（数学系和风险实验室 ETH 瑞士 Zurich）
AI总结 本文提出了一种基于深度学习的算法，用于高效计算凸函数的凸共轭，并通过隐式芬谢尔公式实现精确估计。
Comments Accepted at NeurIPS 2025 (poster). NeurIPS page: https://neurips.cc/virtual/2025/loc/san-diego/poster/120307
设定ε并非差分隐私的问题
机构 * Institute of Science and Technology Austria（奥地利科学技术学院）
AI总结 本文指出差分隐私中隐私预算的解释困难并非其本质问题，而是隐私风险评估的挑战，并主张应通过差分隐私框架或合理解释来解决。
Comments NeurIPS Position Paper track 2025
面向细粒度社交交互检测的部件感知自底向上分组推理
机构 * Pohang University of Science and Technology (POSTECH)（浦项科技大学）
AI总结 本文提出一种部件感知自底向上分组推理框架，用于细粒度社交交互检测，通过身体部件特征和人际关系推断社交群体，提升检测准确性。
Comments Accepted to NeurIPS 2025
CymbaDiff：基于结构化的空间扩散用于基于草图的3D语义城市场景生成
机构 * The University of Western Australia（西澳大学） ； AIML, The University of Adelaide（阿德莱德大学） ； The University of Melbourne（墨尔本大学）
AI总结 CymbaDiff通过结构化空间扩散提升基于草图的3D语义城市场景生成的语义一致性与空间真实性。
Comments Accepted by NeurIPS 2025
通过神经算子在函数空间中进行汤普森采样
AI总结 本文提出了一种基于神经算子的汤普森采样方法，用于解决函数空间中的优化问题，通过将神经算子视为高斯过程后验样本，实现了高效的功能优化。
Comments Final revision to appear at NeurIPS 2025 proceedings, expanded proof of Proposition 2, added Remark 2 on sublinear information gain, and revised discussion at the end of Appendix C.4
学习因子分解与适应：一种通用的时空基础模型方法
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Peking University（北京大学） ； Huawei 2012 Laboratories（华为2012实验室） ； East China Normal University（华东师范大学）
AI总结 FactoST-v2通过因子分解方法实现通用时空基础模型，提升跨领域泛化能力和效率。
Comments This is an extended version of the paper presented at NeurIPS 2025. Code available at https://github.com/CityMind-Lab/FactoST
抖动
机构 * University of Amsterdam（阿姆斯特丹大学）
AI总结 通过'抖动'概念探讨人工智能生成内容的反思性体验，结合真实垃圾与AI图像，邀请参观者决定保留或丢弃，以促进更谨慎的媒体互动。
Comments Accepted at 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Creative AI Track
超参数转移使矩阵预条件优化器在不同尺度上实现一致的增益
机构 * New York University（纽约大学）
AI总结 通过超参数转移，研究发现不同规模下矩阵预条件优化器在训练大模型时能实现显著加速，而错误缩放会导致加速效果消失。
Comments NeurIPS 2025. Code available at: https://github.com/charliezchen/scaling-matrix-preconditioning
循环反事实推理下的位移-缩放干预
机构 * Computer Vision and Pattern Recognition Unit Indian Statistical Institute（计算机视觉与模式识别单位印度统计研究所）
AI总结 本文研究了在位移-缩放干预下循环结构因果模型中的反事实推断问题，提出了一种处理具有反馈环的系统的新方法。
Comments Accepted at NeurIPS 2025
高效参数化Koopman算子的SVD用于随机动力系统
机构 * Kim Jaechul Graduate School of AI, KAIST, Daejeon 34141, South Korea（韩国科学技术院人工智能研究生院） ； Department of EECS, MIT, Cambridge, MA 02139, United States（麻省理工学院电子工程与计算机科学系）
AI总结 本文提出了一种基于低秩近似的高效方法，用于学习随机动力系统Koopman算子的前k个奇异函数，以提高大规模系统的可扩展性和稳定性。
Comments Accepted for NeurIPS 2025. The first two authors contributed equally. 30 pages, 5 figures, 4 tables. Code is available at https://github.com/MinchanJeong/NeuralKoopmanSVD
CoRe：通过静态分析任务基准测试LLM的代码推理能力
机构 * Department of Computer Science Purdue University（计算机科学系 帕克森大学）
AI总结 CoRe通过静态分析任务评估LLM的代码推理能力，发现主流模型在深层次语义理解和多步骤推理上存在不足。
Comments NeurIPS 2025 Datasets & Benchmarks Spotlight
比零样本更差？一个评估RAG在误导检索中鲁棒性的事实核查数据集
机构 * The Harker School（哈克尔学校） ； Irvington High School（艾尔文顿高中） ； Palo Alto High School（帕洛阿尔托高中） ； University of California Santa Cruz（加州大学圣克鲁兹分校）
AI总结 RAGuard是首个评估RAG系统在误导检索中鲁棒性的基准，揭示LLM在面对误导信息时的表现劣于零样本基线。
Comments Advances in Neural Information Processing Systems (NeurIPS 2025)
重新思考定位后编辑模型编辑中的残差分布
机构 * National University of Defence Technology（国防科技大学）
AI总结 本文提出BLUE策略，通过改进残差分布机制，提升模型编辑的精度和效果，实现平均性能提升35.59%并增强LLMs的一般能力。
Comments NeurIPS 2025
TabDPT：在真实数据上扩展表格基础模型
机构 * Layer 6 AI
AI总结 TabDPT通过结合上下文学习与自监督学习，提升表格基础模型在真实数据上的泛化能力，实现模型和数据规模的缩放优化。
Comments Inference repo: github.com/layer6ai-labs/TabDPT-inference; Training repo: github.com/layer6ai-labs/TabDPT-training
Journal ref NeurIPS 2025 Proceedings
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈