NeurIPS

Among Us: A Sandbox for Measuring and Detecting Agentic Deception

Among Us: 一种用于衡量和检测代理欺骗的沙盒

Satvik Golechha, Adrià Garriga-Alonso

机构 * MATS ； FAR AI 纠错

AI总结 Among Us通过开放的沙盒游戏评估LLM的欺骗能力，发现强化学习训练的模型更擅长生成欺骗而非检测，且基于激活的逻辑回归和SAEs在检测中表现优异。

Comments 21 pages, preprint

Journal ref NeurIPS 2025 (Spotlight)

A Deep Multi-Modal Method for Patient Wound Healing Assessment

一种用于患者伤口愈合评估的深度多模态方法

Subba Reddy Oota, Vijay Rowtula, Shahid Mohammed, Jeffrey Galitz, Minghsun Liu, Manish Gupta

机构 * Woundtech Innovative Healthcare Solutions（Woundtech创新医疗解决方案） ； Microsoft AI Research（微软人工智能研究院） 纠错

AI总结 本文提出了一种深度多模态方法，通过整合伤口变量和图像数据，预测患者住院风险，以提高伤口诊断效率和早期发现愈合问题。

Comments 4 pages, 2 figures

Journal ref Medical Imaging Meets NeurIPS Workshop, 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada

The effect of whitening on explanation performance

白化对解释性能的影响

Benedict Clark, Stoyan Karastoyanov, Rick Wilming, Stefan Haufe

机构 * Physikalisch-Technische Bundesanstalt（物理技术联邦机构） ； Technische Universität Berlin（技术大学柏林） ； Charité – Universitätsmedizin（夏里特大学医学中心） 纠错

AI总结 本文研究数据白化对解释性能的影响，发现特定白化技术可提升解释效果，但效果因方法和模型架构而异。

Comments Presented at the NeurIPS 2024 workshop on Interpretable AI: Past, Present and Future

MEGConformer: Conformer-Based MEG Decoder for Robust Speech and Phoneme Classification

MEGConformer：基于Conformer的MEG解码器用于鲁棒的语音和音素分类

Xabier de Zuazo, Ibon Saratxaga, Eva Navas

机构 * HiTZ Center, University of the Basque Country – UPV/EHU（比斯开国家大学HiTZ中心） 纠错

AI总结 MEGConformer通过Conformer模型实现MEG信号的语音检测与音素分类，采用轻量卷积层和动态加载策略，提升鲁棒性并取得 leaderboard 高分。

Comments 8 pages, 7 figures, 4 tables, v1 presentend in LibriBrain Workshop, NeurIPS 2025; v2 submitted to Odyssey 2026

POCO: Scalable Neural Forecasting through Population Conditioning

POCO：通过群体条件实现可扩展的神经预测

Yu Duan, Hamza Tahir Chaudhry, Misha B. Ahrens, Christopher D Harvey, Matthew G Perich, Karl Deisseroth, Kanaka Rajan

机构 * EECS, MIT（MIT电子工程与计算机科学系） ； SEAS, Harvard University（哈佛大学科学与工程系） ； Janelia Research Campus（贾尔尼亚研究校园） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 POCO通过结合轻量级预测器和群体编码器，实现跨会话神经预测，提升预测精度并揭示生物结构。

Journal ref Advances in Neural Information Processing Systems (2025)

Faithful Group Shapley Value

忠实的群体Shapley值

Kiljae Lee, Ziqi Liu, Weijing Tang, Yuan Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出FGSV，一种能防御壳公司攻击的群体Shapley值方法，并开发了高效的近似算法。

Comments Accepted to NeurIPS 2025

Layer-wise Update Aggregation with Recycling for Communication-Efficient Federated Learning

分层更新聚合与回收的通信高效联邦学习

Jisoo Kim, Sungmin Kang, Sunwoo Lee

机构 * Inha University（延世大学） ； University of Southern California（南加州大学） 纠错

AI总结 FedLUAR通过分层更新聚合与回收技术，在保持模型准确性的同时显著降低联邦学习的通信成本。

Comments NeurIPS 2025

Find your Needle: Small Object Image Retrieval via Multi-Object Attention Optimization

找到你的针：通过多对象注意优化实现小物体图像检索

Michael Green, Matan Levy, Issar Tzachor, Dvir Samuel, Nir Darshan, Rami Ben-Ari

AI总结 本文提出多对象注意优化框架，通过多对象预训练和注意机制特征提取，提升小物体图像检索的性能。

Comments Accepted to NeurIPS 2025

Journal ref The Thirty-nine Annual Conference on Neural Information Processing Systems, 2025

Generative diffusion for perceptron problems: statistical physics analysis and efficient algorithms

生成扩散用于感知机问题：统计物理分析与高效算法

Elizaveta Demyanenko, Davide Straziota, Carlo Baldassi, Carlo Lucibello

机构 * Department of Computing Sciences, BIDSA Bocconi University（计算科学系，BIDSA 伯克利大学） 纠错

AI总结 本文提出基于统计物理的生成扩散算法，用于高效采样非凸感知机问题的解空间，通过分析发现负边距情况下可高效采样，而二进制权重则需通过特定势能函数和退火过程实现高效采样。

Comments v3 minor revision after NeurIPS's rebuttal

Journal ref NeurIPS 2025

DiffBreak: Is Diffusion-Based Purification Robust?

DiffBreak: 差分法净化是否具有鲁棒性？

Andre Kassis, Urs Hengartner, Yaoliang Yu

机构 * Cheriton School of Computer Science, University of Waterloo（查尔顿计算机科学学院，滑铁卢大学） 纠错

AI总结 DiffBreak研究指出基于差分的净化存在鲁棒性缺陷，提出改进方法并挑战其有效性。

Journal ref Advances in Neural Information Processing Systems (NeurIPS), 2025

Measuring and Controlling Solution Degeneracy across Task-Trained Recurrent Neural Networks

测量和控制任务训练的递归神经网络中的解退化

Ann Huang, Satpreet H. Singh, Flavio Martinelli, Kanaka Rajan

机构 * Harvard University（哈佛大学） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本研究开发了统一框架，量化和控制任务训练RNN中的解退化，揭示任务复杂性和网络规模对解退化的影响。

Journal ref Advances in Neural Information Processing Systems (2025)

Mechanism Design for LLM Fine-tuning with Multiple Reward Models

基于多重奖励模型的LLM微调机制设计

Haoran Sun, Yurong Chen, Siwei Wang, Xu Chu, Wei Chen, Xiaotie Deng

AI总结 本文提出基于多重奖励模型的LLM微调机制设计，通过机制设计解决智能体策略性误报问题，实现社会福利最大化并确保支付规则的激励兼容性。

Comments NeurIPS 2025