NeurIPS

Multi-Agent Decision-Focused Learning via Value-Aware Sequential Communication

多智能体决策导向学习 via 值感知序列通信

Benjamin Amoh, Geoffrey Parker, Wesley Marrero

机构 * Thayer School of Engineering, Dartmouth College（达特茅斯大学泰勒工程学院） 纠错

AI总结 本文提出SeqComm-DFL方法，通过值感知序列通信与决策导向学习结合，提升多智能体任务性能。方法引入序列Stackelberg条件生成消息，利用信息论界限证明收敛性，并在协作医疗和StarCraft多智能体挑战中取得显著奖励和胜率提升。

Comments 9 pages, 2 figues, 1 table, neurips 2026

Connecting the Dots: A Machine Learning Ready Dataset for Ionospheric Forecasting Models

连接点：为电离层预报模型准备的机器学习数据集

Linnea M. Wolniewicz, Halil S. Kelebek, Simone Mestici, Michael D. Vergalla, Giacomo Acciarini, Bala Poduval, Olga Verkhoglyadova, Madhulika Guhathakurta, Thomas E. Berger, Atılım Güneş Baydin, Frank Soboczenski

机构 * Department of Information and Computer Science（信息与计算机科学系） ； University of Hawai‘i at Mānoa（夏威夷大学毛纳罗亚分校） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学） ； Università degli Studi di Roma Sapienza（罗马大学） ； Free Flight Research Lab（自由飞行研究实验室） ； University of New Hampshire（新罕布什尔大学） ； European Space Agency (ESA)（欧洲航天局） ； NASA Jet Propulsion Laboratory（美国宇航局喷气推进实验室） ； NASA Headquarters（美国宇航局总部） ； Space Weather Technology, Research, and Education Center（空间天气技术、研究与教育中心） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； Department of Computer Science（计算机科学系） ； University of York & King’s College London（约克大学及伦敦国王学院） 纠错

AI总结 本文提出一个整合多种电离层和日球层数据的机器学习数据集，用于改进电离层预报模型，支持科学探索和实际应用。

Comments 8 pages, 2 figures, 2 tables. Accepted as a poster presentation in the Machine Learning for the Physical Sciences workshop at NeurIPS 2025. Dataset can be found on Zenodo (https://zenodo.org/records/18343833) or GitHub (https://github.com/FrontierDevelopmentLab/2025-HL-Ionosphere-dataset)

On the Sample Complexity of Differentially Private Policy Optimization

关于差分隐私策略优化的样本复杂性

Yi He, Xingyu Zhou

机构 * Wayne State University（韦恩州立大学） 纠错

AI总结 本文研究了差分隐私策略优化的样本复杂性，分析了多种策略优化算法在隐私约束下的样本复杂性，揭示隐私成本在样本复杂性中的表现。

Comments Accepted at NeurIPS 2025

Behavioral Geometric Supervision Aligns Video Foundation Models with Human Social Perception

行为几何监督使视频基础模型与人类社会感知对齐

Kathy Garcia, Leyla Isik

机构 * Department of Cognitive Science（认知科学系） ； Department of Biomedical Engineering（生物医学工程系） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出行为几何监督（BGS），通过引入人类社会判断数据，提升视频模型对社会关系的感知能力，实验表明该方法能显著提升模型性能并揭示可解释的社会情感属性。

Comments v2: Major revision. Retitled; expanded from TimeSformer alone to four backbones (V-JEPA 2/2.1, TimeSformer, VideoMAE, CLIP), with V-JEPA 2.1 nearly tripling pretrained performance. Adds zero-shot PHASE transfer, attention-rollout analysis, and a language-distillation control. Data (OOO sim. judgments) & core hybrid triplet+RSA LoRA method unchanged from v1. Prepared for NeurIPS 2026 submission

Improving the Accuracy of Amortized Model Comparison with Self-Consistency

通过自一致性提升近似模型比较的准确性

Šimon Kucharský, Aayush Mishra, Daniel Habermann, Stefan T. Radev, Paul-Christian Bürkner

机构 * Department of Statistics TU Dortmund University（统计系杜伊斯堡-艾森大学） ； Department of Cognitive Science Rensselaer Polytechnic Institute（认知科学系拉特格斯理工学院） 纠错

AI总结 本文评估了四种近似模型比较方法，并通过自一致性损失提升在分布偏移下的性能。在封闭世界场景中，分类器表现良好，但在开放世界场景中，自一致性训练显著提升了模型比较估计。

Comments 22 pages, 14 figures. This version extends our initial results presented at Reliable ML from Unreliable Data Workshop at NeurIPS 2025. Previously, this version appeared as arXiv:2512.14308v2, which has now been withdrawn: the two versions share too much content to be considered separate papers

Rotary Masked Autoencoders are Versatile Learners

旋转掩码自编码器是通用学习者

Uros Zivanovic, Serafina Di Gioia, Andre Scaffidi, Martín de los Rios, Gabriella Contardo, Roberto Trotta

机构 * University of Trieste（特里埃斯特大学） ； Abdus Salam International Centre for Theoretical Physics (ICTP)（阿布杜斯·萨拉姆国际理论物理学中心（ICTP）） ； Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究高等学院（SISSA）） ； University of Nova Gorica（诺瓦戈里察大学） ； INFN – National Institute for Nuclear Physics（意大利国家核物理研究所（INFN）） ； ICSC - Centro Nazionale di Ricerca in High Performance Computing（高性能计算国家研究中心（ICSC）） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 RoMAE通过旋转位置嵌入实现多维连续位置学习，无需时间序列特化架构，在多种模态上表现优异，超越专门时间序列架构。

Comments NeurIPS 2025 Final Camera Ready

Journal ref Advances in Neural Information Processing Systems 38, NeurIPS 2025, Pages 133952-133987

AcuityBench: Evaluating Clinical Acuity Identification and Uncertainty Alignment

AcuityBench：评估语言模型对医疗紧急情况识别和不确定性对齐

Robin Linzmayer, Georgianna Lin, Di Coneybeare, Jason Chu, Trudi Cloyd, Manish Garg, Miles Gordon, Elizabeth Hartofilis, Benjamin Hong, Ashraf Hussain, Eugene Y. Kim, Oluchi Iheagwara King, Ross McCormack, Erica Olsen, John K. Riggins, Mustafa N. Rasheed, Dana L. Sacco, Vinay Saggar, Osman R. Sayan, Amit Shembekar, Janice Shin-Kim, Wendy W. Sun, Bernard P. Chang, David Kessler, Noémie Elhadad

机构 * Department of Computer Science, Columbia University, New York, NY, USA（计算机科学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Biomedical Informatics, Columbia University, New York, NY, USA（生物医学信息学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Emergency Medicine, Columbia University Irving Medical Center, New York, NY, USA（急诊医学系，哥伦比亚大学伊文思医疗中心，纽约，纽约州，美国） 纠错

AI总结 AcuityBench通过统一框架评估语言模型对医疗紧急程度的识别能力，包含914个案例，涵盖明确和模糊情况，揭示模型在不同任务格式下的表现差异及不确定性处理问题。

Comments 41 pages, 5 figures. Preprint under review for the Track on Evaluations and Datasets at NeurIPS 2026

Error whitening: Why Gauss-Newton outperforms Newton

误差白化：为何高斯-牛顿法优于牛顿法

Maricela Best McKay, Nathan P. Lawrence, Brian Wetton, R. Bhushan Gopaluni

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文从函数空间视角分析高斯-牛顿法优于牛顿法的原因，指出通过投影消除参数化扭曲，实现误差白化，从而在不同学习任务中表现更优。

Comments Neurips preprint

Structural Interpretations of Protein Language Model Representations via Differentiable Graph Partitioning

通过可微分图划分对蛋白质语言模型表示进行结构解释

Siddhant Dutta, Edward Tan Beng Wai, Soumick Sarker, Pasan Gunawardane, Jagath C. Rajapakse

机构 * Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出一种插件式框架，通过将ESM-2表示投影到蛋白质接触图并应用SoftBlobGIN网络，实现结构感知的消息传递和学习功能子结构，提升下游任务性能。

Comments 19 Pages, 8 figures, 11 Tables, Submitted to NeurIPS 2026

Analytical Provisioning for Attention-FFN Disaggregated LLM Serving under Stochastic Workloads

注意力-前馈网络解耦大语言模型服务的分析资源配置

Chendong Song, Meixuan Wang, Hang Zhou, Hong Liang, Yuan Lyu, Zixi Chen, Yuwei Fan, Zijie Zhou

机构 * Dept. of Industrial Engineering and Decision Analytics HKUST（工业工程与决策分析系香港科技大学） ； Dept. of Computer Science and Technology Tsinghua University（计算机科学与技术系清华大学） ； IIIS Tsinghua University（清华大学信息学院） ； Huawei Hong Kong Research Center（华为香港研发中心） ； School of Mathematical Sciences Peking University（北京大学数学科学学院） 纠错

AI总结 本文提出在随机负载下，针对注意力-前馈网络解耦架构的分析资源配置框架，通过考虑工作负载统计量θ，确定最优注意力与前馈网络比例，减少阻塞和设备空闲时间。

Comments Submitted to Neurips 2026

Thinking with Novel Views: A Systematic Analysis of Generative-Augmented Spatial Intelligence

以新视角思考：生成增强型空间智能的系统分析

Yanbing Zhang, Bo Wang, Jianhui Liu, Nan Jiang, Jiaxiu Jiang, Haoze Sun, Yijun Yang, Shenghe Zheng, Lin Song, Haoyang Huang, Nan Duan, Wenbo Li

机构 * Joy Future Academy（京东探索研究院） 纠错

AI总结 本文提出TwNV框架，通过生成新视角合成提升空间推理能力，系统实验表明指令格式、生成精度和推理时的视角缩放对性能有显著影响。

Comments Submitted to NeurIPS 2026

Reinforcement Learning with Action Chunking

基于动作分块的强化学习

Qiyang Li, Zhiyuan Zhou, Sergey Levine

机构 * UC Berkeley（伯克利大学） 纠错

AI总结 本文提出Q-chunking方法，通过动作分块技术提升长周期稀疏奖励任务的强化学习效率，实现离线到在线学习的样本效率优化。

Comments The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025); 29 pages, 17 figures

Prospective Compression in Human Abstraction Learning

前瞻性压缩在人类抽象学习中的作用

Leonardo Hernandez Cano, Ivan Zareski, Luisa El Amouri, Pinzhe Zhao, Max Mascini, Emanuele Sansone, Yewen Pu, Bonan Zhao, Marta Kryven

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Dalhousie University（达尔豪斯大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文研究了非平稳环境下人类如何前瞻性压缩未来任务，通过模式构建任务发现人类抽象学习与现有回顾性压缩算法存在差异。

Comments under review at neurips 2026

Explicit Reasoning Makes Better Judges: A Systematic Study on Accuracy, Efficiency, and Robustness

显式推理使评判更可靠：对准确性、效率和鲁棒性的系统研究

Pratik Jayarao, Himanshu Gupta, Neeraj Varshney, Chaitanya Dwivedi

机构 * Arizona State University（亚利桑那州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文通过对比显式推理与非显式推理模型在RewardBench任务中的表现，发现显式推理模型在准确性、效率和鲁棒性上均优于非显式模型，且在多语言环境下也表现出优势。

Comments Accepted in 2025 NeurIPS Foundations of Reasoning in Language Models Workshop

Data Mixing Can Induce Phase Transitions in Knowledge Acquisition

数据混合可在知识获取中引发相变

Xinran Gu, Kaifeng Lyu, Jiazheng Li, Jingzhao Zhang

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qizhi Institute（上海启智研究院） ； Simons Institute for the Theory of Computing, UC Berkeley（伯克利理论计算研究所） 纠错

AI总结 本文研究了在数据混合训练中LLM的知识获取行为，发现混合比例和模型规模会影响知识获取的相变现象，揭示了容量分配机制与信息理论框架下的预测关系。

Comments NeurIPS'25 Spotlight

Polymath: A Challenging Multi-modal Mathematical Reasoning Benchmark

PolyMATH：一个具有挑战性的多模态数学推理基准

Himanshu Gupta, Shreyas Verma, Ujjwala Anantheswaran, Kevin Scaria, Mihir Parmar, Swaroop Mishra, Chitta Baral

机构 * Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 PolyMATH基准通过5000张高质量图像评估多模态大语言模型的推理能力，揭示其在空间关系和抽象推理上的不足，指出模型无法真正理解视觉信息，存在逻辑错误风险。

Comments Accepted in Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models

Causal Dimensionality of Transformer Representations: Measurement, Scaling, and Layer Structure

Transformer表示的因果维度：测量、扩展与层数结构

Nilesh Sarkar, Dawar Jyoti Deka

机构 * Erdős AI Lab（埃德罗斯人工智能实验室） 纠错

AI总结 研究通过测量Transformer残差流的因果维度，揭示了表示能力与因果能力的分离现象，证明了因果维度与模型规模无关，且在不同层数间保持恒定。

Comments 9 pages, 17 figures, 14 tables (excluding references and appendices). Companion short paper under review at the ICML 2026 Mechanistic Interpretability Workshop. Code: https://anonymous.4open.science/r/NeurIPS-Causal-Capacity-in-SAEs-7D20/

MC-RFM: Geometry-Aware Few-Shot Adaptation via Mixed-Curvature Riemannian Flow Matching

MC-RFM：通过混合曲率黎曼流匹配实现的几何感知少样本适应

Salim Khazem, Ibrahim Mohamed Serouis, Zakaria Ezzahed

机构 * Talan Research Center（塔兰研究中心） 纠错

AI总结 本文提出MC-RFM框架，通过混合曲率黎曼流匹配实现少样本适应，结合双曲因子和欧几里得因子构建产品流形，提升视觉识别性能。

Comments Submitted to NeurIPS (Under Review)

Is Chain-of-Thought Reasoning of LLMs a Mirage? A Data Distribution Lens

大语言模型的链式推理是否是一种幻象？一种数据分布视角

Chengshuai Zhao, Zhen Tan, Pingchuan Ma, Dawei Li, Bohan Jiang, Yancheng Wang, Yingzhen Yang, Huan Liu

机构 * Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文通过数据分布视角探讨了大语言模型链式推理的有效性，揭示其在分布差异下的脆弱性，提出DataAlchemy环境验证了推理能力受训练分布影响的结论。

Comments Accepted by the Association for Computational Linguistics (ACL) 2026 and Foundations of Reasoning in Language Models (FoRLM) at NeurIPS 2025

PLD: A Choice-Theoretic List-Wise Knowledge Distillation

PLD: 一种基于选择理论的列表级知识蒸馏

Ejafa Bassam, Dawei Zhu, Kaigui Bian

机构 * School of Computer Science, Peking University（北京大学计算机科学学院） 纠错

AI总结 本文提出PLD，一种基于Plackett-Luce模型的列表级知识蒸馏方法，通过将教师logits视为'价值'评分，直接优化教师最优排名，实现凸且平移不变的替代目标，涵盖加权交叉熵。

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025), 136090--136112 (2026)

GRIT: Teaching MLLMs to Think with Images

GRIT: 教授大语言模型通过图像思考

Yue Fan, Xuehai He, Diji Yang, Kaizhi Zheng, Ching-Chen Kuo, Yuting Zheng, Sravana Jyothi Narayanaraju, Xinze Guan, Xin Eric Wang

机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； UC Santa Barbara（加州大学圣芭芭拉分校） ； eBay 纠错

AI总结 GRIT提出一种基于图像和文本的 grounded reasoning 方法，通过强化学习实现高效训练，使大语言模型生成视觉基础的推理链。

Journal ref NeurIPS 2025

Mind the Gap No More: Achieving Zero-Gap Multimodal Integration via One Tokenizer

不再有间隙：通过一个分词器实现零间隙多模态整合

Yanan Li, Christina Yi Jin, Yuan Jin, Manli Luo, Tie Xu, Shuai Jiao, Wei He, Qing Zhang

机构 * Research Center for Frontier Fundamental Studies, Zhejiang Lab（前沿基础研究研究中心，浙江实验室） ； Research Center for Scientific Data Hub, Zhejiang Lab（科学数据枢纽研究中心，浙江实验室） 纠错

AI总结 本文提出One Tokenizer，通过统一词汇实现多模态无缝整合，克服传统架构的几何模态间隙问题，提升生物推理性能。

Comments Under review at NeurIPS 2026

Position: Mechanistic Interpretability Must Disclose Identification Assumptions for Causal Claims

位置：机制可解释性必须披露因果主张的识别假设

Zezheng Lin, Fengming Liu

AI总结 本文指出机制可解释性研究需明确披露因果主张的识别假设，通过审核10篇论文发现缺乏专门的识别假设部分，且常用验证指标未明确说明其假设基础。

Comments 10 pages, 2 figures. Submitted to NeurIPS 2026 (Position Track)

STEPS: A Temporal Smooth Error Propagation Solver on the Manifolds for Test-Time Adaptation in Time Series Forecasting

STEPS：一种用于时间序列预测中测试时间适应的时空平滑误差传播求解器

Jiaqi Liu, Yifan Ouyang, Zhifei Song, Sim Kuan Goh, Ashwaq Qasem

机构 * School of Artificial Intelligence and Robotics, Xiamen University Malaysia（厦门大学马来西亚分校人工智能与机器人学院） ； S.M.A.R.T. NEXUS Centre of Excellence, Xiamen University Malaysia（厦门大学马来西亚分校S.M.A.R.T. NEXUS卓越研究中心） 纠错

AI总结 STEPS通过将测试时间适应转化为时间流形上的Dirichlet边界值问题，结合局部求解器、全局求解器和时空流形融合，提升稀疏或噪声前缀下的预测精度，平均相对MSE降低26.82%。

Comments 9 pages main text, appendix included. 7 figures. Submitted to NeurIPS 2026

Fortifying Time Series: DTW-Certified Robust Anomaly Detection

强化时间序列：DTW认证的鲁棒异常检测

Shijie Liu, Tansu Alpcan, Christopher Leckie, Sarah Erfani

机构 * Department of Electrical and Electronic Engineering（电气与电子工程系） ； University of Melbourne（墨尔本大学） ； School of Computing and Information Systems（计算与信息系统学院） 纠错

AI总结 本文提出DTW认证的鲁棒异常检测方法，通过将ℓp范数转换为DTW距离，提升时间序列异常检测的鲁棒性，实验显示在DTW对抗攻击下F1分数提升18.7%。

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Flat Channels to Infinity in Neural Loss Landscapes

神经损失景观中的无限平坦通道

Flavio Martinelli, Alexander Van Meegen, Berfin Şimşek, Wulfram Gerstner, Johanni Brea

机构 * EPFL（苏黎世联邦理工学院） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 研究揭示神经网络损失景观中存在无限平坦通道结构，其中损失缓慢下降而输出权重趋于无穷大，通过梯度动力学和几何分析揭示其特性及计算能力。

Comments Accepted to NeurIPS'25 (fixed resolution of equations in figs.1,2,3)

TTF: Temporal Token Fusion for Efficient Video-Language Model

TTF: 时空融合用于高效的视频-语言模型

Simin Huo, Ning LI

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出TTF方法，通过利用视频中的时间冗余性，减少视频语言模型的推理成本，保留高精度的同时显著降低视觉token数量。

Comments 14 pages; manuscript submitted to NeurIPS 2026

The Translation Tax Is Not a Scalar: A Counterfactual Audit of English-Source Cue Inheritance in Chinese Multilingual Benchmarks

翻译税并非标量：对中国多语言基准测试中英语源提示继承的反事实审计

Zezheng Lin, Fengming Liu, Handi Li

机构 * OpenAI ； NeurIPS 2025 workshop（NeurIPS 2025 工作坊） 纠错

AI总结 本文通过反事实审计揭示翻译税并非单一标量，指出翻译基准测试中存在估计器和项目依赖的有效性风险，并提供相关证据和检查清单。

Comments 13 pages, 3 figures. Submitted to NeurIPS 2026

Less Random, More Private: What is the Optimal Subsampling Scheme for DP-SGD?

更随机，更隐私：DP-SGD中最优的子采样方案是什么？

Andy Dong, Ayfer Özgür

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文研究了DP-SGD中子采样方案的最优选择，证明了平衡迭代子采样（BIS）在隐私放大方面优于泊松子采样，并在噪声谱两端最优。

Comments 17 pages, 1 table. Submitted to NeurIPS 2026

Accelerating the Simulation of Ordinary Differential Equations Through Physics-Preserving Neural Networks

通过物理守恒神经网络加速常微分方程的模拟

Andrew Tagg, Andrew Frandsen, Andrew Ning

AI总结 本文提出一种基于伪可逆神经网络的方法，将系统状态映射到高维潜在空间，通过推导原始系统方程和链式法则得到潜在动态方程，从而减少计算成本，提升ODE模拟效率。

Comments 9 pages, 12 figures, submitted to NeurIPS 2026