期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
OmniGen-AR: 自回归任意到图像生成
机构 * Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究所） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； Bytedance Seed（字节跳动Seed） ； The University of Hong Kong（香港大学）
AI总结 提出统一自回归框架OmniGen-AR，通过共享视觉分词器和解耦因果注意力，支持文本、空间信号和视觉上下文等多种条件输入，在多项基准上达到最优或竞争性能。
Comments Accepted by NeurIPS
MC-CPO：基于 mastery 的约束策略优化用于教学安全的智能辅导系统
机构 * School of Computing Sciences（计算科学学院） ； Computer Engineering, University of Southern Mississippi, Hattiesburg, MS 39406, USA（计算机工程，密西西比大学，哈特斯伯格，MS 39406，USA）
AI总结 本文提出 MC-CPO 框架，通过结构化约束解决教学安全问题，提升学习者知识掌握率，实验证明其在两个平台上的效果显著。
Comments 35 pages, 8 figures. v2: Major revision adding real-world validation on Junyi Academy (16.2M interactions, 72,758 students) and XES3G5M (NeurIPS 2023, 5.1M interactions, 14,453 students). Revised title and abstract. Submitted to Computers and Education: Artificial Intelligence
从模拟到巡天：面向星系观测的领域自适应
机构 * Center for Astrophysics, Harvard University（哈佛大学天体物理中心） ； Physics and Astronomy, University of California, Los Angeles（加州大学洛杉矶分校物理与天文系） ； International Centre for Space and Cosmology, Ahmedabad University（阿赫迈德布恰大学国际空间与宇宙学中心） ； Department of Computing, Universiti Teknologi Malaysia（马来西亚技术大学计算系） ； Université Paris-Saclay, CentraleSupélec, ENS Paris-Saclay, CNRS, LMPS - Laboratoire de Mécanique Paris-Saclay（巴黎-萨克雷大学，CentraleSupélec，ENS巴黎-萨克雷，CNRS，LMPS-巴黎-萨克雷力学实验室）
AI总结 提出一种结合特征级领域损失和基于最优传输的top-k软匹配损失的领域自适应管道，将TNG50模拟星系分类器迁移到真实SDSS观测，目标域准确率从~46%提升至~87%。
Comments 8 pages, 4 figures. Will be presented at NeurIPS 2025 ML4PS
XAI-on-RAN：面向6G的可解释、AI原生和GPU加速的无线接入网
机构 * School of Electrical Engineering and Computer Science, Technische Universität Berlin（电气工程与计算机科学学院，柏林技术大学）
AI总结 针对6G关键任务场景中AI决策不透明的问题，提出可解释AI原生RAN框架，通过数学建模权衡透明度、延迟和GPU利用率，实验证明混合XAI模型xAI-Native性能优于基线。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: AI and ML for Next-Generation Wireless Communications and Networking (AI4NextG)
TRACE：神经科学中多试次时间序列数据的对比学习
AI总结 TRACE是一种新的对比学习框架，通过平均不同试次子集生成正样本对，能直接学习二维嵌入，优于其他方法，在模拟数据中能分辨细响应差异，并在体内记录中捕捉生物相关连续变化和细胞类型聚类结构。
Journal ref Conference on Neural Information Processing Systems (NeurIPS) 2025
基于基础推理模型的随机微分方程上下文学习
机构 * Lamarr Institute（拉马尔研究所） ； University of Bonn（波恩大学） ； Fraunhofer IAIS（弗劳恩霍夫智能系统研究所） ； University of Potsdam（波茨坦大学）
AI总结 提出FIM-SDE，一种预训练识别模型，通过上下文学习从噪声时间序列中零样本估计低维SDE的漂移和扩散函数，并支持快速微调，在合成和真实数据上表现鲁棒。
Comments Accepted at NeurIPS 2025. The previous version appeared under the title "Foundation Inference Models for Stochastic Differential Equations: A Transformer-based Approach for Zero-shot Function Estimation.";
Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
干扰导致的失败：当有缺陷机制掩盖健全机制时，语言模型在平衡括号任务中出错
机构 * George Mason University（乔治·马歇尔大学） ； University of Central Florida（中央佛罗里达大学） ； Department of Computer Science（计算机科学系）
AI总结 研究揭示语言模型在平衡括号任务中出错的原因：部分组件实现可靠机制，而其他组件引入噪声，当噪声机制主导时导致错误。提出RASteer方法，通过增强可靠组件贡献，将部分模型准确率从0%提升至近100%，并在算术推理任务中取得约20%的性能提升。
Comments 23 pages, 10 figures, accepted for NeurIPS 2025
发现数据结构：最近邻搜索及其他
机构 * Université de Montréal（蒙特利尔大学） ； Mila ； HEC Montréal（蒙特利尔高等商学院） ； Microsoft Research（微软研究院） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 提出一个端到端学习数据结构的通用框架，自动适应数据分布并控制查询与空间复杂度，在最近邻搜索中逆向工程出二分搜索、插值搜索、k-d树和局部敏感哈希等算法。
Comments Neurips 2025 Version
基于谱方法的高维数据持续同调
机构 * Hertie Institute for AI in Brain Health, University of Tübingen, Germany（图宾根大学希特研究所，德国） ； Tübingen AI Center, Germany（图宾根人工智能中心，德国） ； IWR, Heidelberg University, Germany（海德堡大学IWR研究所，德国）
AI总结 本文提出利用谱方法中的扩散距离和有效电阻检测高维噪声下的拓扑结构，推导出有效电阻的闭式公式，并应用于单细胞RNA测序数据以识别细胞周期环路。
Comments NeurIPS 2024, 54 pages, 44 figures
Journal ref Conference on Neural Information Processing Systems (NeurIPS) 2024
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈