NeurIPS

Reflective Translation: Improving Low-Resource Machine Translation via Structured Self-Reflection

反思性翻译：通过结构化自我反思改进低资源机器翻译

Nicholas Cheng

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文提出反思性翻译框架，通过结构化自我反思提升低资源语言的机器翻译质量，实验表明其在BLEU和COMET评分上均有显著提升。

Comments 12 pages, 3 figures, 6 tables. Accepted to the NeurIPS 2025 Workshop on Multilingual Representation Learning (Mexico City) and the AAAI 2025 Workshop on Language Models for Under-Resourced Communities (LM4UC). Code and data available at: https://github.com/Nickcheng123/reflective-translation-mt

Principled Fine-tuning of LLMs from User-Edits: A Medley of Preference, Supervision, and Reward

基于用户修改的LLM原理化微调：偏好、监督与奖励的融合

Dipendra Misra, Aldo Pacchiano, Ta-Chung Chi, Ge Gao

AI总结 本文提出了一种基于用户修改的LLM微调方法，通过融合偏好、监督和奖励反馈，提升模型在不同任务中的适应能力。

Comments Accepted at NeurIPS 2025

Conformal Online Learning of Deep Koopman Linear Embeddings

深度Koopman线性嵌入的符合在线学习

Ben Gao, Jordan Patracone, Stéphane Chrétien, Olivier Alata

机构 * Université Jean Monnet Saint-Etienne（Jean Monnet圣艾蒂安大学） ； CNRS（法国国家科学研究中心） ； Institut d’Optique Graduate School（光学研究生学院） ； Inria（法国国家信息与自动化技术研究院） ； Laboratoire Hubert Curien UMR 5516（Hubert Curien实验室） ； Université Lyon 2（里昂2大学） ； Laboratoire ERIC Bron（Bron ERIC实验室） 纠错

AI总结 COLoKe通过结合深度特征学习和多步预测一致性，实现非线性动力系统Koopman嵌入的自适应更新，有效减少冗余更新并提升长期预测准确性。

Comments NeurIPS 2025

LLM Agents for Knowledge Discovery in Atomic Layer Processing

用于原子层处理中知识发现的LLM代理

Andreas Werbrouck, Marshall B. Lindsay, Matthew Maschmann, Matthias J. Young

机构 * University of Missouri Columbia（密苏里大学哥伦比亚分校） 纠错

AI总结 本研究利用LLM代理在原子层处理中探索化学相互作用，通过试错和持续探索实现知识发现。

Comments Accepted submission to the AI4MAT workshop@NEURIPS 2025. As submitted, except author names added

Agentic Plan Caching: Test-Time Memory for Fast and Cost-Efficient LLM Agents

代理计划缓存：用于快速且低成本LLM代理的测试时间内存

Qizheng Zhang, Michael Wornow, Gerry Wan, Kunle Olukotun

机构 * Stanford University（斯坦福大学） 纠错

AI总结 Agentic Plan Caching通过测试时间内存提取并重用结构化计划模板，降低LLM代理服务成本和延迟，提升效率。

Comments NeurIPS 2025. 27 pages

Privacy Reasoning in Ambiguous Contexts

模糊情境中的隐私推理

Ren Yi, Octavian Suciu, Adria Gascon, Sarah Meiklejohn, Eugene Bagdasarian, Marco Gruteser

机构 * Google Research（谷歌研究） 纠错

AI总结 本研究通过设计Camber框架，探讨上下文消歧对提升语言模型隐私推理能力的影响，实验显示消歧可显著提高精度和召回率，减少提示敏感性。

Journal ref Advances in Neural Information Processing Systems 38 (2025)

ForensicHub: A Unified Benchmark & Codebase for All-Domain Fake Image Detection and Localization

ForensicHub: 一个统一的基准与代码库用于所有领域伪造图像检测与定位

Bo Du, Xuekang Zhu, Xiaochen Ma, Chenfan Qu, Kaiwen Feng, Zhe Yang, Chi-Man Pun, Jian Liu, Ji-Zhe Zhou

AI总结 ForensicHub 提出一个统一的基准与代码库，用于所有领域伪造图像检测与定位，通过模块化架构和配置驱动设计，实现跨领域灵活组合和深入分析。

Comments NeurIPS 2025 DB Track Paper. Code available at: https://github.com/scu-zjz/ForensicHub

MIP against Agent: Malicious Image Patches Hijacking Multimodal OS Agents

针对代理的恶意图像补丁：多模态操作系统代理劫持

Lukas Aichberger, Alasdair Paren, Guohao Li, Philip Torr, Yarin Gal, Adel Bibi

机构 * Johannes Kepler University Linz（约翰内斯·开普勒大学林茨） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出恶意图像补丁（MIPs）攻击，通过篡改屏幕区域使多模态OS代理执行有害操作，揭示了OS代理的安全漏洞。

Comments NeurIPS 2025

A Few Bad Neurons: Isolating and Surgically Correcting Sycophancy

几个坏神经元：隔离并外科手术性纠正阿谀行为

Claire O'Brien, Jessica Seto, Dristi Roy, Aditya Dwivedi, Sunishchal Dev, Kevin Zhu, Sean O'Brien, Ashwinee Panda, Ryan Lagasse

机构 * Algoverse ； RAND ； Meta FAIR ； University of Maryland（马里兰大学） ； Lockheed Martin AI Center（洛克希德·马丁人工智能中心） 纠错

AI总结 本文提出通过隔离并微调最负责特定行为的神经元来实现LLM行为对齐，展示了在减少阿谀行为任务上的有效性。

Comments Accepted to NeurIPS Workshop on CogInterp and NeurIPS Workshop on Reliable ML 2025

ExPO: Unlocking Hard Reasoning with Self-Explanation-Guided Reinforcement Learning

ExPO: 通过自我解释引导的强化学习解锁复杂推理

Ruiyang Zhou, Shuozhe Li, Amy Zhang, Liu Leqi

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 ExPO通过自我解释引导强化学习，提升模型在复杂推理任务中的学习效率和性能。

Comments Accepted to NeurIPS 2025 (Poster). Code available at https://github.com/HumainLab/ExPO_rl_reasoning_by_explanation

Global Minimizers of $\ell^p$-Regularized Objectives Yield the Sparsest ReLU Neural Networks

ℓ^p正则化目标的全局极小解产生最稀疏的ReLU神经网络

Julia Nakhleh, Robert D. Nowak

AI总结 本文提出了一种连续可微的训练目标，通过ℓ^p准范数最小化，保证找到最稀疏的ReLU神经网络解，为稀疏性诱导提供了理论基础。

Comments Update to final published version (NeurIPS 2025). Fixed one incorrect citation