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