NeurIPS

i-DEQ: A stable inertial deep equilibrium model for image restoration

i-DEQ：一种稳定的惯性深度均衡模型用于图像修复

Antonin Clerc, Marien Renaud, Baudouin Denis De Seneville, Nicolas Papadakis

AI总结 本文提出i-DEQ，一种稳定的惯性深度均衡模型，用于图像修复，通过在深度均衡框架内学习显式的非凸正则化，提高了收敛性和加速率，并在训练稳定性方面优于传统DEQ。

Comments main paper 12 pages, 37 pages with appendix, 3 figures in main, 9 figures in total, 2 tables in main, 5 tables in total, submitted at Neurips 2026

Language models struggle with compartmentalization

语言模型在 compartmentalization 方面遇到困难

Thomas Vincent Howe, David Wingate

机构 * Department of Computer Science（计算机科学系） ； Brigham Young University 纠错

AI总结 研究探讨了大型语言模型在处理统一概念的不同表达方式时的 compartmentalization 问题，发现模型在不同表达方式之间无法有效共享统计信息，导致模型容量浪费和样本效率降低。

Comments 9 pages, 8 figures, plus 9 pages of appendices. Submitted to NeurIPS 2026. Code: https://github.com/vinhowe/compartmentalization. Eval data: https://doi.org/10.5281/zenodo.20171021

PERL: Parameter Efficient Reasoning in CLIP Latent Space

PERL：在CLIP潜在空间中实现参数高效的推理

Simone Carnemolla, Salvatore Calcagno, Daniela Giordano, Concetto Spampinato, Matteo Pennisi

机构 * University of Catania（卡塔尼亚大学） 纠错

AI总结 本文提出PERL，一种在CLIP潜在空间中通过迭代潜在推理实现参数高效适应的框架，该方法在多个基准测试中表现出最佳的参数-性能权衡，仅需约6K可训练参数即可实现强的新型类别准确率和竞争性的迁移性能。

Comments Submitted to NeurIPS 2026

Stochastic Regret Guarantees for Online Zeroth- and First-Order Bilevel Optimization

在线零阶和一阶双层优化的随机遗憾保证

Parvin Nazari, Bojian Hou, Davoud Ataee Tarzanagh, Li Shen, George Michailidis

机构 * Amirkabir University of Technology（阿姆斯泰尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Samsung SDS Research America（三星SDS美国研究部） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种新的搜索方向，证明了利用该方向的零阶和一阶随机在线双层优化算法能够在不使用窗口平滑的情况下实现亚线性随机双层遗憾。此外，该框架通过减少超梯度估计中的oracle依赖、同时更新内层和外层变量以及使用基于零阶的Hessian、雅可比和梯度估计来提高效率。

Comments Published at NeurIPS 2025

GRAB: A Risk Taxonomy--Grounded Benchmark for Unsupervised Topic Discovery in Financial Disclosures

GRAB：一种风险分类——面向财务披露中无监督主题发现的基准测试

Ying Li, Tiejun Ma

机构 * The University of Edinburgh, UK（爱丁堡大学） 纠错

AI总结 本文提出GRAB，一个专门针对财务披露中无监督主题发现的基准测试，通过结合FinBERT词注意力、YAKE关键词信号和基于分类法的短语匹配，生成无需人工标注的句子标签，从而评估无监督主题模型。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: NeurIPS 2025 Workshop on Generative AI in Finance