NeurIPS

Training-Free Temporal Abstraction for General Video Understanding

用于通用视频理解的无训练时间抽象

Etienne Casanova, Sevan Brodjian, Pietro Perona

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 提出无训练的STITCH方法，将视频划分为语义时间块，在三个视频理解任务上表现具竞争力，为通用视频理解提供新方向。

Comments Submitted to NeurIPS 2026

Can Subgraph Explanations Be Weaponized to Steal Graph Neural Networks?

子图解释能否被武器化以窃取图神经网络？

Ojas Nimase, Jiate Li, Yue Zhao, Yushun Dong

机构 * University of Southern California（南加州大学） ； Florida State University（佛罗里达州立大学） 纠错

AI总结 本文提出首个针对图分类的黑盒模型提取攻击，利用模型解释输出引导蒙特卡洛边敏感性估计，并利用解释子图缩小边界搜索空间，实验表明该方法优于现有基线。

Comments 28 pages, 8 figures, 10 tables. Under review at NeurIPS 2026

Budget-Constrained Causal Bandits: Bridging Uplift Modeling and Sequential Decision-Making

预算约束下的因果老虎机：连接提升建模与序列决策

Abhirami Pillai

AI总结 本文提出预算约束因果老虎机框架，解决冷启动场景下的广告分配问题，通过在线学习提升用户响应并优化预算分配，相较于传统方法更高效且稳定。

Comments 17 pages, 5 tables. v2: Expanded to 20 random seeds with paired statistical tests; formal crossover test at n=7,500 (p=0.043); added Uplifting Bandits (Hsieh et al., NeurIPS 2022) as fifth baseline; Lagrangian derivation of decision rule with Proposition 1; hyperparameter sensitivity analysis; corrected mathematical claims

Shift Before You Learn: Enabling Low-Rank Representations in Reinforcement Learning

学习前先移位：在强化学习中实现低秩表示

Bastien Dubail, Stefan Stojanovic, Alexandre Proutière

AI总结 该研究挑战强化学习中后继度量低秩假设，提出移位后继度量可自然产生低秩结构，推导II型庞加莱不等式提供理论保证，实验验证其能提升目标条件RL性能。

Comments 63 pages, 11 figures. Accepted to NeurIPS 2025 (Spotlight). This version includes updated numerical experiments following a correction to the bootstrapping procedure used for TD estimation

Improved off-policy training of diffusion samplers

扩散采样器的改进离策略训练

Marcin Sendera, Minsu Kim, Sarthak Mittal, Pablo Lemos, Luca Scimeca, Jarrid Rector-Brooks, Alexandre Adam, Yoshua Bengio, Esmeralda S. Whitammer

机构 * Mila, Université de Montréal（米拉-蒙特利尔大学） ； Jagiellonian University（雅盖隆大学） ； KAIST（韩国科学技术院） ； Ciela Institute（塞拉研究所） ； Dreamfold（德里姆福尔德公司） ； CIFAR（加拿大高级研究院） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 该研究针对扩散模型的离策略训练问题，提出结合重放缓冲区的目标空间局部搜索探索策略，提升了样本质量，同时阐明了现有算法的相对优势并质疑了过往部分结论，相关代码已公开。

Comments NeurIPS 2024; code: this https URL (https://github.com/GFNOrg/gfn-diffusion)

Amortizing intractable inference in diffusion models for vision, language, and control

在视觉、语言与控制任务的扩散模型中分摊难解推理

Siddarth Venkatraman, Moksh Jain, Luca Scimeca, Minsu Kim, Marcin Sendera, Mohsin Hasan, Luke Rowe, Sarthak Mittal, Pablo Lemos, Emmanuel Bengio, Alexandre Adam, Jarrid Rector-Brooks, Yoshua Bengio, Glen Berseth, Esmeralda S. Whitammer

AI总结 本文针对扩散模型用作下游任务先验时的难解后验推理问题，提出相对轨迹平衡方法，在视觉、语言、多模态及连续控制等任务上取得良好效果

Comments NeurIPS 2024; code: this https URL (https://github.com/GFNOrg/diffusion-finetuning)

Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets

让流来揭示：用GFlowNets解决图组合优化问题

Dinghuai Zhang, Hanjun Dai, Esmeralda S. Whitammer, Aaron Courville, Yoshua Bengio, Ling Pan

AI总结 本文针对组合优化问题设计马尔可夫决策过程，训练条件GFlowNets采样解空间，经实验证明其能高效找到高质量解，相关实现已开源。

Comments NeurIPS 2023 (spotlight); code: this https URL (https://github.com/zdhNarsil/GFlowNet-CombOpt)

Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network

基于单个生成流网络的图结构与参数的联合贝叶斯推断

Tristan Deleu, Mizu Nishikawa-Toomey, Jithendaraa Subramanian, Esmeralda S. Whitammer, Laurent Charlin, Yoshua Bengio

AI总结 本文提出名为JSP-GFN的方法，用单个生成流网络联合推断贝叶斯网络的图结构与参数，该方法在模拟和真实数据上的表现优于现有方法，可准确近似联合后验分布。

Comments NeurIPS 2023

Trajectory balance: Improved credit assignment in GFlowNets

轨迹平衡：改进GFlowNets中的信用分配

Esmeralda S. Whitammer, Moksh Jain, Emmanuel Bengio, Chen Sun, Yoshua Bengio

AI总结 针对GFlowNets现有学习目标在长动作序列中信用传播效率低的问题，提出轨迹平衡新目标，经理论证明其全局极小值可实现目标分布精确采样，且在多领域实验中展现出收敛性、样本多样性及鲁棒性优势。

Comments NeurIPS 2022; see footnotes for code

Diffusion models as plug-and-play priors

扩散模型即插即用先验

Alexandros Graikos, Esmeralda S. Whitammer, Nebojsa Jojic, Dimitris Samaras

AI总结 本文提出将独立训练的去噪扩散生成模型作为即插即用先验，结合可微辅助约束实现高维数据近似推断，可用于条件生成等任务，其多噪声版本评估机制或能解决组合优化问题。

Comments NeurIPS 2022; code: this https URL (https://github.com/AlexGraikos/diffusion_priors)