NeurIPS

Predictive Coding Graphs are a Superset of Feedforward Neural Networks

预测编码图是前馈神经网络的超集

Björn van Zwol

机构 * Department of Information & Computing Sciences, Utrecht University（信息与计算科学系，乌特勒支大学） 纠错

AI总结 预测编码图（PCGs）作为前馈神经网络的超集，为机器学习提供了新的视角和方法。

Comments 11 pages, 3 figures. Accepted at the NeuroAI Workshop @ NeurIPS 2024. OpenReview: https://openreview.net/forum?id=J36z3R0sNq

KLASS: KL-Guided Fast Inference in Masked Diffusion Models

KLASS: 在掩码扩散模型中基于KL的快速推理

Seo Hyun Kim, Sunwoo Hong, Hojung Jung, Youngrok Park, Se-Young Yun

机构 * KAIST AI（韩国科学技术院人工智能学院） 纠错

AI总结 KLASS通过利用令牌级KL散度实现快速稳定生成，显著提升扩散模型推理速度并保持高质量输出。

Comments NeurIPS 2025 Spotlight. Code: https://github.com/shkim0116/KLASS

Mixed Monotonicity Reachability Analysis of Neural ODE: A Trade-Off Between Tightness and Efficiency

神经ODE的混合单调性可达性分析：紧致性与效率之间的权衡

Abdelrahman Sayed Sayed, Pierre-Jean Meyer, Mohamed Ghazel

AI总结 本文提出了一种基于区间的方法，利用混合单调性技术对神经ODE进行可达性分析，在紧致性和效率之间取得平衡，适用于高维实时安全应用。

Comments 27 pages, 11 figures, Accepted for publication in PMLR proceedings of NeurReps 2025 co-located with NeurIPS 2025

C^2Prompt: Class-aware Client Knowledge Interaction for Federated Continual Learning

C²Prompt：面向联邦持续学习的类感知客户端知识交互

Kunlun Xu, Yibo Feng, Jiangmeng Li, Yongsheng Qi, Jiahuan Zhou

机构 * Wangxuan Institute of Computer Technology Peking University（北京大学王轩计算机技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Inner Mongolia University of Technology（内蒙古科技大学） 纠错

AI总结 C²Prompt通过增强类层面知识一致性，解决联邦持续学习中的时间与空间遗忘问题，实现最先进的性能。

Comments Accepted by NeurIPS 2025

Token Bottleneck: One Token to Remember Dynamics

令牌瓶颈：一个令牌来记住动态

Taekyung Kim, Dongyoon Han, Byeongho Heo, Jeongeun Park, Sangdoo Yun

机构 * NAVER AI Lab（NAVER AI实验室） ； Korea University（韩国大学） 纠错

AI总结 Token Bottleneck通过压缩场景为一个令牌并利用补丁提示来学习动态场景的序列表示，从而在视觉跟踪和机器人操作等任务中实现优越性能。

Comments NeurIPS 2025, 18 pages, 9 figures, 10 tables, project page: https://token-bottleneck.github.io, code: https://github.com/naver-ai/tobo

Alchemist: Turning Public Text-to-Image Data into Generative Gold

炼金术：将公共文本到图像数据转化为生成黄金

Valerii Startsev, Alexander Ustyuzhanin, Alexey Kirillov, Dmitry Baranchuk, Sergey Kastryulin

机构 * Yandex Research（Yandex研究院） ； HSE（莫斯科大学） ； Yandex ； MSU（莫斯科大学） 纠错

AI总结 本文提出了一种利用预训练模型生成高质量通用SFT数据集的方法，通过Alchemist数据集提升了文本到图像模型的生成质量并公开了微调权重。

Comments Accepted to the Datasets and Benchmarks Track of the 39th Conference on Neural Information Processing Systems

Aligning Compound AI Systems via System-level DPO

通过系统级DPO对复合AI系统进行对齐

Xiangwen Wang, Yibo Jacky Zhang, Zhoujie Ding, Katherine Tsai, Haolun Wu, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） ； University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Mila Quebec AI Institute（魁北克AI研究院） 纠错

AI总结 本文提出SysDPO框架，通过系统级DPO实现复合AI系统的联合对齐，解决了组件间非可微分交互和系统偏好转换的问题。

Comments NeurIPS 2025

Towards Resource Efficient and Interpretable Bias Mitigation in Large Language Models

迈向大型语言模型中资源高效且可解释的偏见缓解

Schrasing Tong, Eliott Zemour, Jessica Lu, Rawisara Lohanimit, Lalana Kagal

机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出了一种通过小型专家模型高效缓解大型语言模型偏见的方法，通过解码时添加去偏信号，减少性别、种族和宗教偏见，同时保持语言模型性能。

Comments 38th Conference on Neural Information Processing Systems (NeurIPS 2024) Safe Generative AI Workshop. Updated results in V2

PACE: Marrying generalization in PArameter-efficient fine-tuning with Consistency rEgularization

PACE：将参数高效微调的泛化能力与一致性正则化相结合

Yao Ni, Shan Zhang, Piotr Koniusz

机构 * The Australian National University（澳大利亚国立大学） ； Data61 CSIRO ； Australian Institute for Machine Learning, The University of Adelaide（澳大利亚机器学习研究所，阿德莱德大学） 纠错

AI总结 PACE通过结合参数高效微调与一致性正则化，提升模型泛化能力与知识保留，优于现有PEFT方法。

Comments Accepted by NeurIPS 2024 as a spotlight