NeurIPS

Regional Explanations: Bridging Local and Global Variable Importance

区域解释：连接局部和全局变量重要性

Salim I. Amoukou, Nicolas J-B. Brunel

机构 * J.P. Morgan AI Research（摩根大通人工智能研究院） ； LaMME, ENSIIE, University Paris Saclay（巴黎萨克雷大学ENSIIE LaMME实验室） ； Capgemini Invent（凯捷创新） 纠错

AI总结 本文分析了局部归因方法Local Shapley Values和LIME的局限性，提出R-LOCO方法通过区域划分提升归因准确性，实现局部与全局解释的结合。

Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Incentivizing Honesty among Competitors in Collaborative Learning and Optimization

在协作学习和优化中激励竞争者诚实

Florian E. Dorner, Nikola Konstantinov, Georgi Pashaliev, Martin Vechev

机构 * MPI for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所（图宾根）） ； ETH Zurich（苏黎世联邦理工学院） ； INSAIT, Sofia University（索非亚大学INSAIT研究所） ； Sofia High School of Mathematics（索非亚数学高中） 纠错

AI总结 研究探讨了协作学习中竞争者诚实激励问题，提出机制确保学习质量，并在非凸联邦学习基准中验证了激励方案的有效性。

Comments Updated experimental results after fixing a mistake in the code. Previous version published in NeurIPS 2023; 37 pages, 5 figures

Verify Before You Fix: Agentic Execution Grounding for Trustworthy Cross-Language Code Analysis

在修复前验证：面向可信跨语言代码分析的代理执行 grounding

Jugal Gajjar

AI总结 本文提出统一的跨语言漏洞生命周期框架，通过LLM驱动的三个阶段：混合结构-语义检测、执行 grounding 的代理验证和验证-aware 的迭代修复，确保修复前有执行验证。框架利用uAST和图神经网络融合，实现高准确率的漏洞检测与跨语言修复。

Comments 20 pages (13 main + 7 appendices), 9 figures, 10 tables. Submitted to NeurIPS 2026

Can Multi-Modal LLMs Provide Live Step-by-Step Task Guidance?

多模态大语言模型能否提供实时逐步任务指导？

Apratim Bhattacharyya, Bicheng Xu, Sanjay Haresh, Reza Pourreza, Litian Liu, Sunny Panchal, Pulkit Madan, Leonid Sigal, Roland Memisevic

机构 * Qualcomm AI Research（高通人工智能研究院） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 本文提出Qualcomm Interactive Cooking基准和数据集，用于评估多模态大语言模型在实时任务指导中的能力，引入LiveMamba作为新的基线模型。

Comments Accepted to NeurIPS 2025 (Project page: https://apratimbh.github.io/livecook)

Common Task Framework For a Critical Evaluation of Scientific Machine Learning Algorithms

面向科学机器学习算法的共同任务框架：对关键评估的共同任务框架

Philippe Martin Wyder, Judah Goldfeder, Alexey Yermakov, Yue Zhao, Stefano Riva, Jan P. Williams, David Zoro, Amy Sara Rude, Matteo Tomasetto, Joe Germany, Joseph Bakarji, Georg Maierhofer, Miles Cranmer, J. Nathan Kutz

AI总结 本文提出共同任务框架（CTF）以解决科学机器学习算法评估中的标准化问题，通过定制数据集和任务特定指标，提供结构化评估方法，以提高可重复性和科学进步。

Journal ref The Thirty-ninth Annual Conference on Neural Information Processing Systems Datasets and Benchmarks Track 2025