NeurIPS

LiSeCo: Linear Semantic Control for Language Generation

LiSeCo：语言生成的线性语义控制

Emily Cheng, Carmen Amo Alonso

机构 * Universitat Pompeu Fabra（庞培法布拉大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一种轻量级、无梯度的线性语义控制方法LiSeCo，通过控制理论在线干预嵌入空间中的激活值，将生成轨迹引导至预定义的安全语义区域，实现高效且保证性能的文本生成控制。

Comments TMLR 2026 camera ready; earlier version in NeurIPS MINT Workshop 2024

Journal ref Published in NeurIPS MINT 2024

MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation

MATCH: 面向半监督组织病理学分割的多面自适应拓扑一致性

Meilong Xu, Xiaoling Hu, Shahira Abousamra, Chen Li, Chao Chen

机构 * Stony Brook University（斯通布罗克大学） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） 纠错

AI总结 提出一种半监督分割框架MATCH，通过随机丢弃和时间训练快照生成多种扰动预测，并强制拓扑一致性来识别和保留相关拓扑特征，引入结合空间重叠与全局结构对齐的匹配策略以减少预测差异，有效降低拓扑错误，提升分割鲁棒性和准确性。

Comments 20 pages, 6 figures. Accepted by NeurIPS 2025

Uncertainty Estimation using Variance-Gated Distributions

使用方差门控分布的不确定性估计

H. Martin Gillis, Isaac Xu, Thomas Trappenberg

机构 * Faculty of Computer Science（计算机科学学院） ； Dalhousie University（达尔豪斯大学） 纠错

AI总结 提出基于类概率分布信噪比的方差门控不确定性估计框架，通过集成置信因子缩放预测，解决神经网络预测不确定性分解中的加性分解问题。

Comments NeurIPS Workshop: Mathematical Foundations and Operational Integration of Machine Learning for Uncertainty-Aware Decision-Making

Policy Optimization Provably Converges to Nash Equilibria in Zero-Sum Linear Quadratic Games

策略优化在零和线性二次博弈中可证明收敛至纳什均衡

Kaiqing Zhang, Zhuoran Yang, Tamer Başar

机构 * Department of Electrical and Computer Engineering & Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子工程与协调科学实验室部门） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） 纠错

AI总结 本文研究了策略优化在零和线性二次博弈中寻找纳什均衡的全局收敛性，通过分析LQ博弈的优化景观，证明了线性反馈控制策略的 stationary 点构成博弈的纳什均衡，并提出三种保证收敛到纳什均衡的投影嵌套梯度方法，同时展示了这些算法具有全局次线性和局部线性收敛率。

Comments Fixed some typos, addressed some comments from NeurIPS reviews

Convolutional Phase Retrieval via Gradient Descent

通过梯度下降进行卷积相位恢复

Qing Qu, Yuqian Zhang, Yonina C. Eldar, John Wright

AI总结 本文研究了通过梯度下降恢复未知信号的问题，利用随机核和足够多的观测来高效恢复信号，克服了测量算子中的依赖性挑战。

Comments 64 pages , 9 figures, appeared in NeurIPS 2017. Accepted at IEEE Transactions on Information Theory. This is the final (minor) update: fixed typos and grammar issues

A Polynomial-Based Approach for Architectural Design and Learning with Deep Neural Networks

基于多项式的深度神经网络架构设计与学习方法

Joseph Daws, Clayton G. Webster

机构 * Oak Ridge National Lab（橡树岭国家实验室） ； University of Tennessee at Knoxville（田纳西大学 Knoxville分校） 纠错

AI总结 本文提出了一种基于多项式的新型方法，通过识别合适的网络架构和初始化来从训练数据中重建多元函数，利用多项式近似，通过标准训练过程改进网络，从而更可能获得理想的局部极小值。

Comments 11 pages, 6 figures, submitted to NeurIPS 2019, corrected several typos and included new examples

Implicit Probabilistic Integrators for ODEs

隐式概率积分器用于微分方程

Onur Teymur, Han Cheng Lie, Tim Sullivan, Ben Calderhead

AI总结 本文提出了一种隐式概率积分器家族，用于初始值问题，基于多步Adams-Moulton方法。该方法通过动态反馈未来时间步的信息，不同于以往基于显式方法的概率积分器。本文还讨论了此类积分器的校准问题，并提供了一个示例展示概率积分器在反问题参数推断中的应用效果。

Comments 32nd Conference on Neural Information Processing Systems (NeurIPS 2018), Montréal, Canada

Journal ref Advances in Neural Information Processing Systems 31 (2018) pp. 7244-7253

Approximate Robust Control of Uncertain Dynamical Systems

不确定动力系统近似鲁棒控制

Edouard Leurent, Yann Blanco, Denis Efimov, Odalric-Ambrym Maillard

机构 * INRIA Lille（INRIA里尔） ； Renault（雷诺） ； Non-A team, INRIA Lille SequeL team, INRIA Lille（非A团队，INRIA里尔SequeL团队，INRIA里尔） 纠错

AI总结 本文研究了在不确定环境中大型非线性系统安全控制策略的设计，提出两种可处理的鲁棒控制方法，应用于自动驾驶问题。

Journal ref 32nd Conference on Neural Information Processing Systems (NeurIPS 2018) Workshop, Dec 2018, Montr{é}al, Canada

Extending Gossip Algorithms to Distributed Estimation of U-Statistics

将 gossip 算法扩展到分布式 U-统计量估计

Igor Colin, Aurélien Bellet, Joseph Salmon, Stéphan Clémençon

机构 * INRIA Lille - Nord Europe（INRIA里尔-北欧洲） 纠错

AI总结 本文提出新的同步和异步随机 gossip 算法，用于在分布式网络中同时传播数据并维护局部的 U-统计量估计，证明了同步和异步情况下的收敛率分别为 O(1/t) 和 O(log t / t)，并通过数值实验验证了算法的优越性。

Comments to be presented at NIPS 2015

Adversarial Regularizers in Inverse Problems

对抗正则化在反问题中的应用

Sebastian Lunz, Ozan Öktem, Carola-Bibiane Schönlieb

机构 * DAMTP Department of Mathematics（DAMTP数学系） ； University of Cambridge（剑桥大学） ； KTH - Royal Institute of Technology（皇家理工学院） 纠错

AI总结 本文提出了一种利用神经网络作为正则化函数的新框架，用于解决反问题，该方法通过学习真实图像分布与未正则化重建分布之间的差异来提升反问题求解的性能。

Comments published at NeurIPS 2018

A Nonstationary Designer Space-Time Kernel

非平稳设计时空核

Michael McCourt, Gregory Fasshauer, David Kozak

AI总结 本文提出一种非平稳核，通过半轴定义以更自然地纳入时间因素，解决传统平稳协方差结构在动态不对称情况下的局限性。

Comments 5 pages, 2 figures, NIPS 2018 spacetime workshop

Training DNNs with Hybrid Block Floating Point

用混合块浮点数训练DNNs

Mario Drumond, Tao Lin, Martin Jaggi, Babak Falsafi

机构 * EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种混合块浮点数（HBFP）方法，通过在块浮点数中执行所有点积运算，其他运算使用浮点数，从而在保持高精度的同时提高硬件密度和吞吐量。

Comments 9 pages, 3 figures. Accepted in Neural Information Processing Systems 2018 (NeurIPS 2018)

Breaking the Curse of Horizon: Infinite-Horizon Off-Policy Estimation

打破地平线诅咒：无限地平线离线估计

Qiang Liu, Lihong Li, Ziyang Tang, Dengyong Zhou

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google Brain（谷歌大脑） 纠错

AI总结 本文提出了一种新的离线估计方法，通过直接在平稳状态访问分布上应用重要性采样来避免现有估计器中方差爆炸的问题，核心贡献是提出了一种估计两个平稳分布密度比的新方法，并推导了RKHS情况下的闭式解。

Comments 21 pages, 5 figures, NIPS 2018 (spotlight)

A Stein variational Newton method

一种Stein变分牛顿方法

Gianluca Detommaso, Tiangang Cui, Alessio Spantini, Youssef Marzouk, Robert Scheichl

机构 * University of Bath（巴斯大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Monash University（莫纳什大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Heidelberg University（海德堡大学） 纠错

AI总结 本文提出了一种基于Stein变分梯度下降（SVGD）的改进方法，通过引入二阶信息加速并推广了该算法，实现了函数空间中的牛顿迭代，并展示了在多个测试案例中显著的计算效率提升。

Comments 18 pages, 7 figures

Journal ref NIPS 2018

The non-convex Burer-Monteiro approach works on smooth semidefinite programs

非凸布勒-莫内伊方法在光滑半正定规划中的应用

Nicolas Boumal, Vladislav Voroninski, Afonso S. Bandeira

AI总结 本文研究了非凸布勒-莫内伊方法在解决包含最大割、社区检测、鲁棒PCA等应用的半正定规划中的有效性，证明此类低秩方法几乎不存在伪局部最优解。

Comments 19 pages, in the proceedings of NIPS 2016

Journal ref In proceedings of NIPS 2016: https://papers.nips.cc/paper/6517-the-non-convex-burer-monteiro-approach-works-on-smooth-semidefinite-programs

Towards Generalization and Simplicity in Continuous Control

连续控制中的泛化与简洁性

Aravind Rajeswaran, Kendall Lowrey, Emanuel Todorov, Sham Kakade

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文展示简单线性与RBF参数化策略可解决多种连续控制任务，性能可与更复杂网络相媲美，且多样初始化提升泛化能力。

Comments NIPS 2017, Project page: https://sites.google.com/view/simple-pol

Characterizing optimal hierarchical policy inference on graphs via non-equilibrium thermodynamics

通过非平衡热力学刻画图上最优分层策略推断

Daniel McNamee

机构 * Computational and Biological Learning Lab, University of Cambridge（计算与生物学习实验室，剑桥大学） 纠错

AI总结 本文提出一种基于图的非平衡热力学方法，用于构建和推断最优分层策略，解决状态空间在不同空间分辨率下的层次结构构建问题。

Comments NIPS 2017 Workshop on Hierarchical Reinforcement Learning. 8 pages, 1 figure

Scalable methods for nonnegative matrix factorizations of near-separable tall-and-skinny matrices

可扩展的非负矩阵分解方法用于近可分离的高瘦矩阵

Austin R. Benson, Jason D. Lee, Bartek Rajwa, David F. Gleich

机构 * Stanford University（斯坦福大学） ； Purdue University（普渡大学） ； Purdue University Institute for Computational and Bindley Biosciences Center（普渡大学计算与Bindley生物科学中心） ； Computer Science Mathematical Engineering（计算机科学数学工程） 纠错

AI总结 本文提出高效算法处理高瘦矩阵的非负矩阵分解，通过正交变换保持分离性，适用于流式数据和分布式计算环境。

Journal ref Proceedings of Neural Information Processing Systems, 2014

Linearly convergent stochastic heavy ball method for minimizing generalization error

用于最小化泛化误差的线性收敛随机重力球方法

Nicolas Loizou, Peter Richtárik

机构 * University of Edinburgh, United Kingdom（爱丁堡大学，英国） ； KAUST, Kingdom of Saudi Arabia（王国沙特阿拉伯的KAUST） 纠错

AI总结 本文首次证明了随机重力球方法的线性收敛性，通过固定步长的SGD步骤结合重力球动量项，专注于最小化期望损失而非有限和最小化。

Comments NIPS 2017, Workshop on Optimization for Machine Learning (camera ready version)

A Local Analysis of Block Coordinate Descent for Gaussian Phase Retrieval

块坐标下降法在高斯相位恢复中的局部分析

David Barmherzig, Ju Sun

AI总结 本文研究了非凸问题中块坐标下降法的收敛性，通过高斯相位恢复问题的特殊结构，证明了该方法在确定性初始化下以线性速率收敛到全局极小值。

Comments 10th NIPS Workshop on Optimization for Machine Learning (NIPS 2017)

Flexpoint: An Adaptive Numerical Format for Efficient Training of Deep Neural Networks

Flexpoint：一种适应性数值格式，用于高效训练深度神经网络

Urs Köster, Tristan J. Webb, Xin Wang, Marcel Nassar, Arjun K. Bansal, William H. Constable, Oğuz H. Elibol, Scott Gray, Stewart Hall, Luke Hornof, Amir Khosrowshahi, Carey Kloss, Ruby J. Pai, Naveen Rao

机构 * Artificial Intelligence Products Group, Intel Corporation（英特尔人工智能产品部） 纠错

AI总结 Flexpoint是一种适应性数值格式，旨在高效训练深度神经网络，通过动态调整指数来减少溢出并最大化动态范围，实验证明其在训练AlexNet、残差网络和生成对抗网络时性能接近32位浮点数。

Comments 14 pages, 5 figures, accepted in Neural Information Processing Systems 2017

Safe Model-based Reinforcement Learning with Stability Guarantees

具有稳定性保证的安全模型基于强化学习

Felix Berkenkamp, Matteo Turchetta, Angela P. Schoellig, Andreas Krause

AI总结 本文提出一种考虑安全性的强化学习算法，通过Lyapunov稳定性验证理论，利用动态统计模型获得具有证明稳定性的高性能控制策略，并在模拟倒立摆中展示其安全优化神经网络策略的能力。

Comments Proc. of Neural Information Processing Systems (NIPS), 2017

Learning Linear Dynamical Systems via Spectral Filtering

通过谱滤波学习线性动力系统

Elad Hazan, Karan Singh, Cyril Zhang

AI总结 本文提出一种高效算法，通过过度参数化线性动力系统实现在线预测，利用谱滤波技术获得近优 regret 保证。

Comments Published as a conference paper at NIPS 2017

On the Power of Truncated SVD for General High-rank Matrix Estimation Problems

关于截断SVD在一般高秩矩阵估计问题中的功效

Simon S. Du, Yining Wang, Aarti Singh

AI总结 本文探讨了在谱范数下接近高秩正半定矩阵的估计值，通过截断SVD在Frobenius范数下得到乘法近似，解决了高秩矩阵补全、去噪和高维协方差估计问题。

Comments Accepted by NIPS 2017. Add gap-dependent bounds

Linear Stochastic Approximation: Constant Step-Size and Iterate Averaging

线性随机逼近：固定步长和迭代平均

Chandrashekar Lakshminarayanan, Csaba Szepesvári

AI总结 本文研究了固定步长和Polyak-Ruppert平均的线性随机逼近算法，分析了其均方误差随迭代次数的变化，并探讨了在不同数据分布下固定步长的选择条件及启发式调整方法。

Comments 16 pages, 2 figures, was submitted to NIPS 2017

Spectral learning of dynamic systems from nonequilibrium data

从非平衡数据中学习动态系统的谱方法

Hao Wu, Frank Noé

AI总结 本文研究了在不假设数据同分布的情况下，通过施加平衡约束从非平衡观测数据中提取系统平衡动力学的谱学习特性，并提出了一种适用于连续数据的无bin扩展方法，实现线性复杂度下的稳定估计。

Journal ref Proceedings of the 29th conference on Neural Information Processing Systems (NIPS), Barcelona, Spain, 2016, pp. 4179-4187

A Forward Model at Purkinje Cell Synapses Facilitates Cerebellar Anticipatory Control

小脑突触的前向模型促进小脑预测性控制

Ivan Herreros-Alonso, Xerxes D. Arsiwalla, Paul F. M. J. Verschure

AI总结 本文提出了一种基于小脑的预测性控制架构，通过前向模块和误差反馈控制器的交互，利用突触水平的学习规则实现适应性控制。

Comments NIPS 2016

Journal ref Advances in Neural Information Processing Systems, 29: 3828-3836, (2016)

Clustering Signed Networks with the Geometric Mean of Laplacians

利用拉普拉斯矩阵几何均值对带符号网络进行聚类

Pedro Mercado, Francesco Tudisco, Matthias Hein

AI总结 本文提出利用拉普拉斯矩阵几何均值改进谱聚类，解决传统算术均值方法在无噪声正负网络结构中无法准确聚类的问题。

Comments 14 pages, 5 figures. Accepted in Neural Information Processing Systems (NIPS), 2016

Journal ref Advances in Neural Information Processing Systems 29, pp.4421--4429, 2016

Approximate Recursive Identification of Autoregressive Systems with Skewed Innovations

近似递归识别具有偏斜创新的自回归系统

Henri Nurminen, Tohid Ardeshiri

AI总结 本文提出一种递归系统识别算法，用于具有偏斜创新的线性自回归系统，通过变分贝叶斯方法估计模型参数和创新分布参数，实验表明考虑偏斜性可提高识别精度。

Comments 6 pages and 5 pages Appendices. Presented in NIPS 2016 Workshop Advances in Approximate Bayesian Inference

Saddle-free Hessian-free Optimization

无鞍点的无Hessian优化

Martin Arjovsky

AI总结 本文提出一种新算法，解决非凸优化中的鞍点繁衍问题，推动牛顿法在高维非凸优化中的应用。

Comments NIPS 2016 Workshop on Nonconvex Optimization for Machine Learning: Theory and Practice