NeurIPS

AIMO Interpretability Challenge

AIMO可解释性挑战

Michal Štefánik, Philipp Mondorf, Andreas Waldis, Qianying Liu, Chuan Yang, Michal Spiegel, Josef Kuchař, Marek Kadlčík, Adam Vawda-Oomerjee, Chaoran Liu, Simon Frieder, Barbara Plank, Fazl Barez, Pontus Stenetorp

机构 * National Institute of Informatics（日本国立信息学研究所） ； Munich Center for Machine Learning / MaiNLP LMU（慕尼黑机器学习中心/慕尼黑大学语言与文学计算研究所） ； University of Tübingen（图宾根大学） ； Fuzhou University（福州大学） ； Masaryk University（马萨里克大学） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学） 纠错

AI总结 提出AIMO可解释性挑战，基于前沿数学语言模型内部机制区分稳健与虚假推理。利用AIMO问题等资源，提供推理问题、模型访问及鲁棒性评估，助参与者开发识别稳健模型的方法，创建新基准和基线系统，连接可解释性与泛化研究。

Comments Accepted Competition at NeurIPS 2026

Cluster with Auctions for Vector Search

通过拍卖进行向量搜索的聚类

Swann Bessa, Pierre Fernandez, Gergely Szilvasy, Matthijs Douze, Hervé Jégou

AI总结 研究针对大规模近似最近邻搜索中查询探测函数和数据库分区未分开处理的问题，提出CwA方法，联合学习平衡的数据库分区与神经探测函数，通过交替两步优化搜索性能，扩展后在不同分布下表现出色，提升了吞吐量。

Comments 10 pages, 6 figures. Under review at NeurIPS 2026

PUe: Biased Positive-Unlabeled Learning Enhancement by Causal Inference

PUe：基于因果推断的有偏正无标记学习增强

Xutao Wang, Hanting Chen, Tianyu Guo, Yunhe Wang

机构 * Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 研究正无标记学习问题，基于SAR-PU倾向加权框架提出PUe框架，运用归一化倾向得分和NIPW，有归一化逆概率加权风险公式等贡献，在多个数据集实验中，在非均匀标签分布下优于多个PU基线。

Comments Extended arXiv version of the NeurIPS 2023 paper; includes additional discussion of related SAR-PU work

Flatness and Gradient Alignment Are Both Necessary: Spectral-Aware Gradient-Aligned Exploration for Multi-Distribution Learning

平坦性与梯度对齐都是必要的：面向多分布学习的频谱感知梯度对齐探索

Aristotelis Ballas, Christos Diou

机构 * Department of Informatics and Telematics（信息与电信系） 纠错

AI总结 本文提出SAGE方法，通过同时考虑损失景观的平坦性和梯度对齐性，改进多分布学习的泛化性能，实验表明其在DomainBed上达到新水平。

Comments Preprint - Submitted to NeurIPS 2026

A Space-Time Transformer for Precipitation Nowcasting

一种用于降水现在预测的空间-时间转换器

Levi Harris, Tianlong Chen

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出SaTformer，一种基于空间-时间注意力的视频转换器，用于从卫星辐射预测极端降水，并在NeurIPS Weather4Cast 2025挑战中取得第一名。

Comments NeurIPS Weather4Cast Challenge 2025

Efficiency, Feasibility, and Incentive-Awareness in Constrained Online Resource Allocation

受限在线资源分配中的效率、可行性和激励意识

Yan Dai, Negin Golrezaei, Patrick Jaillet

AI总结 研究长期约束下不可分割资源给策略性主体的动态分配，提出激励感知原始对偶框架，整合组件抑制操纵，设计新算法克服障碍，实现$\tilde{\mathcal O}(\sqrt T)$社会福利遗憾，满足约束并诱导近似真实均衡，还能推广到多单位多需求问题。

Comments A preliminary version was accepted to NeurIPS 2025. This version includes extension to multi-unit resource allocation, expanded numerical simulation, extensively refind technical exposition, and enhanced literature review and positioning