NeurIPS

Training-Time Explainability for Multilingual Hate Speech Detection: Aligning Model Reasoning with Human Rationales

多语言仇恨言论检测的训练时可解释性：对齐模型推理与人类理由

Muhammad Deedahwar Mazhar Qureshi, Sannaan Khan, Muhammad Atif Qureshi, Wael Rashwan

机构 * Technological University Dublin（都柏林理工大学） ； National University of Sciences and Technology（国家科技大学） ； Maynooth University（梅努斯大学） 纠错

AI总结 该研究针对多语言仇恨言论检测的不透明问题，提出训练时可解释性框架，对齐模型推理与人类理由，经HateXplain、BullySent数据集及多方法评估，可提升分类性能与解释质量，助力多语言文化敏感的内容审核。

Comments Accepted at NeurIPS Workshops 2025

Randomized Quasi-Gauss--Newton Methods for Solving General Nonlinear Equations

求解一般非线性方程的随机拟高斯-牛顿方法

Chengchang Liu, Luo Luo

AI总结 本文提出基于格拉姆矩阵近似的随机拟高斯-牛顿方法，可处理欠定与超定一般非线性方程，欠定情形下局部超线性收敛到最优解，超定情形下无依赖条件数收敛到驻点，优于现有拟牛顿方法。

Comments The conference version was in the proceedings of NeurIPS 2022, where we focus on the special case $n=d$. The results that are generalized to general nonlinear equations were presented at ICCOPT 2025 and ICOTA 2026

Lark: Biologically Inspired Neuroevolution for Multi-Stakeholder LLM Agents

Lark：生物启发的多利益相关者大语言模型代理神经进化

Rikhil Tanugula, Dheeraj Chintapalli, Sunkalp Chandra

AI总结 Lark通过结合大语言模型推理与进化型多智能体系统，解决冗余与利益相关者权衡问题，采用四机制提升策略生成效率与透明度，实验显示其在30轮评估中表现优异且成本可控。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: NeurIPS 2025 Workshop on Efficient Reasoning

STITCH-OPE: Trajectory Stitching with Guided Diffusion for Off-Policy Evaluation

STITCH-OPE：基于引导扩散的轨迹拼接用于离线策略评估

Hossein Goli, Michael Gimelfarb, Nathan Samuel de Lara, Haruki Nishimura, Masha Itkina, Florian Shkurti

机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； University of Toronto Robotics Institute（多伦多大学机器人研究所） ； Toyota Research Institute（丰田研究院） ； Vector Institute（向量研究所） 纠错

AI总结 STITCH-OPE通过引导扩散生成长周期轨迹，有效降低OPE中的方差，提升在高维空间中的评估性能。

Comments NeurIPS 2025 Spotlight

Recurrent Reinforcement Learning with Memoroids

带有记忆体（memoroids）的循环强化学习

Steven Morad, Chris Lu, Ryan Kortvelesy, Stephan Liwicki, Jakob Foerster, Amanda Prorok

AI总结 该研究针对现有记忆模型处理长序列扩展性差的问题，提出基于幺半群的记忆体框架，改进了循环强化学习的批量处理方法，提升了样本效率与回报并简化了循环损失函数实现。

Comments Accepted to NeurIPS 2024