NeurIPS

Motif-Mamba: network motif improved mamba for long-range sequence modeling

Motif-Mamba：融合网络基序改进Mamba的长程序列建模模型

Chonghe Hao, Yue Sun, Jian Zhang, Yansong Wang, Wangzi Yao, Yunjie Yao, Tielin Zhang

机构 * Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences（中国科学院脑科学与智能技术卓越创新中心） 纠错

AI总结 该研究提出融合网络基序的结构化状态空间模型Motif-Mamba，改进Mamba的对角状态转移限制，在长序列建模任务上性能优于原Mamba，为长程序列建模提供有效结构先验。

Comments 9 pages of main text, 8 pages of appendix, 6 figures. Submitted to NeurIPS 2026

Retrieval-Augmented Interpretable Learning: Towards Task-Specific Zero-Shot Models in Healthcare

检索增强可解释学习：迈向医疗保健领域特定任务的零样本模型

Sazan Mahbub, Caleb Ellington, Zhiyuan Li, Yixin Yang, Souvik Kundu, Ben Lengerich, Eric P. Xing

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； GenBio AI（基因生物人工智能公司） ； Intel（英特尔公司） 纠错

AI总结 研究针对医疗保健领域特定任务零样本模型问题推出检索增强可解释学习（RAIL）框架，通过检索相关任务并传递结构生成新预测器，概率公式提供不确定性支持可靠性感知部署，在临床程序预测任务中性能可靠，还提升模型透明度。

Comments A preliminary, non-archival version of this work, titled RAG-IM, was presented at NeurIPS 2024 workshops and the ML4H 2024 Findings track. The work was subsequently renamed Retrieval-Augmented Interpretable Learning (RAIL)

Fairshare Data Pricing via Data Valuation for Large Language Models

Luyang Zhang, Cathy Jiao, Beibei Li, Chenyan Xiong

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

基于张量补全的最优晶格结构设计的代理建模

Shaan Pakala, Aldair E. Gongora, Brian Giera, Evangelos E. Papalexakis

机构 * University of California, Riverside（加州大学河滨分校） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） 纠错

AI总结 本研究针对材料设计中训练数据非均匀采样的问题，提出用张量补全作为代理模型，其在偏置采样场景下的$R^2$比经典ML方法高约5%，且均匀采样时性能相当，可加速最优晶格结构设计。

Comments NeurIPS 2025 AI4Mat Workshop

T-TAMER: Provably Taming Trade-offs in ML Serving

T-TAMER：可证明地管控机器学习服务中的权衡

Yuanyuan Yang, Ruimin Zhang, Jamie Morgenstern, Haifeng Xu

机构 * Department of Computer Science & Engineering University of Washington（华盛顿大学计算机科学与工程系） ； Department of Computer Science University of Chicago（芝加哥大学计算机科学系） 纠错

AI总结 该研究针对机器学习服务中的权衡问题，提出通用框架T-Tamer，证明回溯是获得最优权衡的关键，通过实验验证基于回溯的策略能实现高效的准确率-延迟权衡，为相关模型设计提供理论基础。

Comments Correspondence should be addressed to yyangh at cs dot washington dot edu or haifengxu@uchicago.edu. This manuscript extends our earlier workshop version, which was accepted at the NeurIPS SPIGM 2025 Workshop, and has been accepted to ICLR 2026

OpenDebateEvidence: A Massive-Scale Argument Mining and Summarization Dataset

OpenDebateEvidence：一个大规模论证挖掘与摘要数据集

Allen Roush, Yusuf Shabazz, Arvind Balaji, Peter Zhang, Stefano Mezza, Markus Zhang, Sanjay Basu, Sriram Vishwanath, Mehdi Fatemi, Ravid Shwartz-Ziv

AI总结 该研究推出源自美国竞技辩论界的大规模OpenDebateEvidence数据集，经实验验证微调大语言模型可实现论证性抽象摘要，旨在推进计算论证并公开数据集供研究使用。

Comments Published to the 38th Conference on Neural Information Processing Systems (NeurIPS 2024) Track on Datasets and Benchmarks