NeurIPS

KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis

KAPLAN: 用于生存分析的Kolmogorov-Arnold可预测可学习激活网络

Stelios Boulitsakis Logothetis, Angela Wood, Pietro Liò

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出KAPLAN-HR模型，利用B样条Kolmogorov-Arnold网络非参数估计条件风险函数，通过深层架构自动捕捉交互和时变效应，并证明其收敛速率仅依赖于表示平滑性，从而缓解维度灾难，在六个临床数据集上达到或超越现有方法。

Comments 9 pages, 3 figures, 13 supplementary pages. Submitted to NeurIPS 2026

Persona-Model Collapse in Emergent Misalignment

涌现性失调中的人格模型崩溃

Davi Bastos Costa, Renato Vicente

机构 * TELUS Digital Research Hub（TELUS数字研究中心） ； Center for Artificial Intelligence and Machine Learning（人工智能与机器学习中心） ； Institute of Mathematics, Statistics and Computer Science（数学、统计与计算机科学研究所） ； University of São Paulo（圣保罗大学） 纠错

AI总结 提出人格模型崩溃假说，通过道德易感性(S)和道德稳健性(R)两个指标，证明在有害数据上微调大语言模型会导致模型模拟、区分和维持一致角色的内部能力恶化，从而引发涌现性失调。

Comments 23 pages, 7 figures, 7 tables; NeurIPS 2026 submission; Corrected code repository URL

Go witheFlow: Real-time Emotion Driven Audio Effects Modulation

Go witheFlow：实时情感驱动音频效果调制

Edmund Dervakos, Spyridon Kantarelis, Vassilis Lyberatos, Jason Liartis, Giorgos Stamou

机构 * Artificial Intelligence and Learning Systems Laboratory（人工智能与学习系统实验室） ； National Technical University of Athens（希腊国家技术大学） 纠错

AI总结 提出witheFlow系统，通过生物信号和音频特征实时自动调制音频效果，增强音乐表演中的人机协作。

Comments Accepted at NeurIPS Creative AI Track 2025: Humanity

A Large-Scale Dataset and Benchmark: Do Protein-Ligand Models Learn Binding Sites or Just Binding Likelihood?

大规模数据集与基准：蛋白质-配体模型学习的是结合位点还是仅仅结合可能性？

Zhaohan Meng, Zhen Bai, Ke Yuan, Iadh Ounis, Zaiqiao Meng, Hao Xu, Joseph Loscalzo

机构 * School of Computing Science（计算科学学院） ； School of Cancer Sciences（癌症科学学院） ； School of Life Science and Technology（生命科学与技术学院） ； Institute of Science Tokyo（东京科学研究院） ； Cancer Research UK Scotland Institute（英国癌症研究会苏格兰研究所） ； Language Technology Lab（语言技术实验室） ； Department of Medicine, Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院内科部，布里格斯妇女医院） ； The Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） 纠错

AI总结 针对现有基准无法评估模型是否定位结合位点的问题，提出包含约10万对蛋白质-配体的InteractBind数据集和细粒度基准，通过结合位点定位任务揭示模型在强二元预测下定位能力有限。

Comments Under Review for the NeurIPS 2026 Conference, Track on Evaluations and Datasets

Verbalized Algorithms: Classical Algorithms are All You Need (Mostly)

言语化算法：经典算法就是你所需要的（大部分）

Supriya Lall, Christian Farrell, Hari Pathanjaly, Marko Pavic, Sarvesh Chezhian, Masataro Asai

机构 * MIT CSAIL（MIT 计算与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM 沃森人工智能实验室） ； IBM Infrastructure（IBM 基础设施） ； Marist University（马里斯特大学） ； UC Irvine（加州大学尔湾分校） ； IBM Research Cambridge, USA（IBM 英国剑桥研究中心） 纠错

AI总结 提出言语化算法（VA）范式，将LLM作为可靠的基本操作（如字符串比较）集成到经典算法中，以提升推理的准确性和效率。

Comments Accepted in NeurIPS 2025 Workshop on Efficient Reasoning; Submitted to Position Paper Track at Neurips 2026

InfiFPO: Implicit Model Fusion via Preference Optimization in Large Language Models

InfiFPO：通过偏好优化实现大型语言模型的隐式模型融合

Yanggan Gu, Yuanyi Wang, Zhaoyi Yan, Yiming Zhang, Qi Zhou, Fei Wu, Hongxia Yang

机构 * The Hong Kong Polytechnic University (PolyU)（香港理工大学） ； Zhejiang University（浙江大学） ； PolyU-Daya Bay Technology and Innovation Research Institute（香港理工大学-大亚湾技术与创新研究院） 纠错

AI总结 提出InfiFPO方法，通过将DPO中的参考模型替换为融合源模型，在序列级别合成多源概率，实现隐式模型融合，从而在偏好对齐阶段有效融合多个LLM并提升性能。

Journal ref NeurIPS 2025