NeurIPS

Constrained Diffusion for Accelerated Structure Relaxation of Inorganic Solids with Point Defects

具有点缺陷的无机固体加速结构弛豫的约束扩散

Jingyi Cui, Jacob K. Christopher, Ankita Biswas, Prasanna V. Balachandran, Ferdinando Fioretto

机构 * University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出了一种约束扩散模型，用于高效模拟具有点缺陷的无机固体结构弛豫，提升第一性原理模拟的效率和准确性。

Comments Appeared in the NeurIPS 2025 Workshop on AI for Accelerated Material Design (AI4Mat)

Cost Efficient Fairness Audit Under Partial Feedback

在部分反馈下实现成本高效的公平性审计

Nirjhar Das, Mohit Sharma, Praharsh Nanavati, Kirankumar Shiragur, Amit Deshpande

机构 * Indian Institute of Science（印度科学研究院） ； IIIT Delhi（德里印度理工学院） ； Microsoft Research India（微软印度研究院） 纠错

AI总结 本文提出了一种在部分反馈下实现成本高效公平性审计的算法，适用于黑盒模型和混合模型，显著降低审计成本并优于自然基线。

Comments Accepted at NeurIPS 2025 RegML Workshop; Reliable ML Workshop

E-BATS: Efficient Backpropagation-Free Test-Time Adaptation for Speech Foundation Models

E-BATS：高效的无反向传播测试时间适应方法用于语音基础模型

Jiaheng Dong, Hong Jia, Soumyajit Chatterjee, Abhirup Ghosh, James Bailey, Ting Dang

机构 * The University of Melbourne（墨尔本大学） ； University of Auckland（奥克兰大学） ； Nokia Bell Labs, UK（诺基亚贝尔实验室（英国）） ； University of Birmingham（伯明翰大学） 纠错

AI总结 E-BATS是一种专为语音基础模型设计的高效无反向传播测试时间适应框架，通过轻量级提示适应、多尺度损失和测试时间指数移动平均机制，在适应效果和内存效率之间取得平衡，实现了4.1%-13.5%的准确率提升和2.0-6.4倍的GPU内存节省。

Comments Accepted by NeurIPS 2025

MEGADance: Mixture-of-Experts Architecture for Genre-Aware 3D Dance Generation

MEGADance：用于风格感知3D舞蹈生成的专家混合架构

Kaixing Yang, Xulong Tang, Ziqiao Peng, Yuxuan Hu, Jun He, Hongyan Liu

机构 * Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） ； Malou Tech Inc（马洛科技公司） 纠错

AI总结 MEGADance通过专家混合架构实现风格感知的3D舞蹈生成，提升舞蹈质量和风格可控性。

Comments NeurIPS 2025

The Curse of Depth in Large Language Models

深度在大语言模型中的诅咒

Wenfang Sun, Xinyuan Song, Pengxiang Li, Lu Yin, Yefeng Zheng, Shiwei Liu

机构 * Westlake University（西湖大学） ； Emory University（埃默里大学） ； Dalian University of Technology（大连理工大学） ； University of Surrey（萨里大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出LayerNorm Scaling方法，通过缩放输出方差缓解深度诅咒，提升大语言模型的预训练和微调性能。

Comments Accepted by NeurIPS 2025

When AI Democratizes Exploitation: LLM-Assisted Strategic Manipulation of Fair Division Algorithms

当AI普及操纵：LLM辅助的公平分配算法战略操纵

Priyanka Verma, Balagopal Unnikrishnan

AI总结 本文研究了LLM如何通过简化策略知识获取，使用户能操纵公平分配算法，揭示了协调偏好操纵在资源分配中的应用及影响。

Comments accepted at NeurIPS 2025 workshop on Algorithmic Collective Action

Robust low-rank training via approximate orthonormal constraints

通过近似正交约束实现鲁棒低秩训练

Dayana Savostianova, Emanuele Zangrando, Gianluca Ceruti, Francesco Tudisco

AI总结 本文提出了一种鲁棒低秩训练算法，通过近似正交约束在保持模型精度的同时提升对抗鲁棒性。

Journal ref Proceedings NeurIPS 2023