NeurIPS

Density Ratio-Free Doubly Robust Proxy Causal Learning

无需密度比的双重稳健代理因果学习

Bariscan Bozkurt, Houssam Zenati, Dimitri Meunier, Liyuan Xu, Arthur Gretton

机构 * Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院盖茨比计算神经科学单元） ； Secondmind ； DeepMind 纠错

AI总结 本文提出无需密度比的双重稳健代理因果学习方法，结合两种主流方法的优势，有效处理连续和高维变量，通过核均值嵌入实现闭式解和强一致性保证，优于现有方法。

Comments Neurips published version

Correlative Information Maximization: A Biologically Plausible Approach to Supervised Deep Neural Networks without Weight Symmetry

相关信息最大化：一种生物合理的方法用于无权重对称性的监督深度神经网络

Bariscan Bozkurt, Cengiz Pehlevan, Alper T Erdogan

机构 * Gatsby Computational Neuroscience Unit, UCL（伦敦大学学院盖茨比计算神经科学单元） ； KUIS AI Center, Koc University（科奇大学KUIS人工智能中心） ； EEE Department, Koc University（科奇大学电气与电子工程系） ； John A. Paulson School of Engineering & Applied Sciences and Center for Brain Science, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院及脑科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） 纠错

AI总结 本文提出相关信息最大化作为生物神经网络信号传播的替代规范方法，解决了传统神经网络和反向传播算法的生物合理性问题，并提供了一种无权重对称性的解决方案。

Comments Neurips published version

The Value of Information in Resource-Constrained Pricing

信息价值在资源受限定价中的作用

Ruicheng Ao, Jiashuo Jiang, David Simchi-Levi

机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所） ； Department of Civil and Environmental Engineering and Operations Research Center, MIT（麻省理工学院土木与环境工程系及运筹学研究中心） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology（香港科技大学工业工程与决策分析系） 纠错

AI总结 本文研究了在资源受限条件下，预测不确定性如何影响动态定价决策，通过线性需求、随机噪声和有限容量，证明了预测误差阈值对 regret 的影响，并展示了代理模型在降低方差中的作用。

Comments Extended version of the NeurIPS 2025 paper (arXiv:2501.14155). This version adds phase transition, surrogate-assisted variance reduction under model misspecification, and numerical experiments

DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents

DRIFT: 基于注入隔离的动态规则防御以保障LLM代理安全

Hao Li, Xiaogeng Liu, Hung-Chun Chiu, Dianqi Li, Ning Zhang, Chaowei Xiao

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Independent Researcher（独立研究者） 纠错

AI总结 DRIFT通过动态安全策略和注入隔离技术，有效防御LLM代理中的提示注入攻击，验证了其在多个基准测试中的高安全性和高实用性。

Comments Accepted to NeurIPS 2025

Enhancing Jailbreak Attacks on LLMs via Persona Prompts

通过人格提示增强大语言模型的劫持攻击

Zheng Zhang, Peilin Zhao, Deheng Ye, Hao Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tencent（腾讯） 纠错

AI总结 本文通过遗传算法生成人格提示，有效降低大语言模型拒绝率，提升劫持攻击成功率，揭示人格提示对模型安全机制的影响。

Comments Workshop on LLM Persona Modeling at NeurIPS 2025

Memory-Augmented Potential Field Theory: A Framework for Adaptive Control in Non-Convex Domains

具有记忆的势场理论：非凸域中自适应控制的框架

Dongzhe Zheng, Wenjie Mei

机构 * Department of Computer Science and Engineering, School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（计算机科学与工程系，电子信息与电气工程学院，上海交通大学） ； School of Robotics and Automation, Suzhou Campus, Nanjing University（机器人与自动化学院，南京大学苏福校区） 纠错

AI总结 本文提出一种结合历史经验的随机优化控制框架，通过动态构建记忆势场来识别状态空间的关键拓扑特征，提升非凸环境中控制器的自适应优化能力。

Comments Accepted by NeurIPS 2025

Coded Computing for Resilient Distributed Computing: A Learning-Theoretic Framework

编码计算用于鲁棒分布式计算：一种学习理论框架

Parsa Moradi, Behrooz Tahmasebi, Mohammad Ali Maddah-Ali

机构 * University of Minnesota（明尼苏达大学） ； MIT（麻省理工学院） ； CSAIL（计算机科学与人工智能实验室） 纠错

AI总结 本文提出一种结合学习理论的编码计算框架，通过优化编码解码函数减少均方误差，提升机器学习任务的鲁棒性和收敛速度。

Comments 35 pages, 7 figures

Journal ref 38th Conference on Neural Information Processing Systems (NeurIPS 2024)

Counterfactual Identifiability via Dynamic Optimal Transport

反事实可识别性 via 动态最优传输

Fabio De Sousa Ribeiro, Ainkaran Santhirasekaram, Ben Glocker

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出通过连续时间流进行多变量反事实识别，利用动态最优传输工具建立反事实运输映射，确保一致推断，并在受控场景中验证理论，提升反事实声学的鲁棒性。

Comments Accepted at NeurIPS 2025

DART-Eval: A Comprehensive DNA Language Model Evaluation Benchmark on Regulatory DNA

DART-Eval: 一个全面的DNA语言模型评估基准，针对调控DNA

Aman Patel, Arpita Singhal, Austin Wang, Anusri Pampari, Maya Kasowski, Anshul Kundaje

机构 * Department of Computer Science, School of Engineering, Stanford University（计算机科学系，工程学院，斯坦福大学） ； Department of Genetics, School of Medicine, Stanford University（遗传学系，医学院，斯坦福大学） ； Department of Pathology, School of Medicine, Stanford University（病理学系，医学院，斯坦福大学） 纠错

AI总结 本文提出DART-Eval基准，用于评估DNALM在零样本、 probing和微调场景下的性能，针对调控DNA的关键下游任务，发现现有模型表现不一致且计算资源消耗大。

Comments NeurIPS Datasets and Benchmarks 2024

Multimodal Survival Analysis with Locally Deployable Large Language Models

多模态生存分析与可本地部署的大语言模型

Moritz Gögl, Christopher Yau

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出利用可本地部署的大语言模型进行多模态生存分析，结合临床文本、表格数据和基因组数据，通过教师-学生蒸馏和原理化的多模态融合，实现校准的生存概率估计和简洁的诊断文本生成，优于标准基线并在隐私和准确性方面表现更优。

Comments NeurIPS 2025 Workshop on Multi-modal Foundation Models and Large Language Models for Life Sciences

Data-Free Layer-Adaptive Merging via Fisher Information for Long-to-Short Reasoning LLMs

无需数据的层自适应融合：通过信息论实现长到短推理LLM

Tian Xia

AI总结 本文提出FIM-Merging方法，通过计算Fisher信息矩阵来分配每层融合系数，提升长到短推理LLM的性能，减少响应长度，且无需校准数据。

Comments 14 pages, NeurIPS 2026 submission

Open-weight genome language model safeguards: Assessing robustness via adversarial fine-tuning

开放权重基因组语言模型的安全保障：通过对抗性微调评估鲁棒性

James R. M. Black, Moritz S. Hanke, Aaron Maiwald, Tina Hernandez-Boussard, Oliver M. Crook, Jaspreet Pannu

机构 * Center for Health Security（健康安全中心） ； Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院） ； Department of Chemistry（化学系） ； University of Oxford（牛津大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Department of Chemistry & Kavli Institute for Nanoscience Discovery（化学系及卡弗里纳米科学发现研究所） 纠错

AI总结 研究评估了开放权重基因组语言模型在对抗性微调下的鲁棒性，发现通过微调有害病毒序列可恢复模型的滥用相关能力，强调了需要安全框架以确保模型安全部署。

Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Biosecurity Safeguards for Generative AI

Masked Diffusion Models as Energy Minimization

掩码扩散模型作为能量最小化

Sitong Chen, Shen Nie, Jiacheng Sun, Zijin Feng, Zhenguo Li, Ji-Rong Wen, Chongxuan Li

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学首都人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心，教育部） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

AI总结 本文提出将掩码扩散模型解释为离散最优传输中能量最小化问题的理论框架，证明三种能量形式在MDM结构下等价，并通过Beta分布参数化插值调度，提升采样效率。

Journal ref Published at NeurIPS 2025

Buffer layers for Test-Time Adaptation

测试时适应中的缓冲层

Hyeongyu Kim, Geonhui Han, Dosik Hwang

机构 * School of Electrical and Electronic Engineering, Yonsei University（延世大学电气电子工程学院） ； Department of Radiology and Center for Clinical Imaging Data Science, College of Medicine, Yonsei University（延世大学医学院放射科和临床影像数据科学中心） ； Artificial Intelligence and Robotics Institute, Korea Institute of Science and Technology（韩国科学技术院人工智能与机器人研究所） 纠错

AI总结 本文提出缓冲层方法，通过保留预训练模型结构来解决归一化层适应的局限性，提升领域移位适应性和模型鲁棒性。

Comments NeurIPS 2025

TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop

TimeXL：基于LLM的多模态时间序列预测可解释方法

Yushan Jiang, Wenchao Yu, Geon Lee, Dongjin Song, Kijung Shin, Wei Cheng, Yanchi Liu, Haifeng Chen

机构 * School of Computing, University of Connecticut（大学计算机学院） ； Data Science & System Security Department, NEC Labs America（数据科学与系统安全部，NEC美国实验室） ； Kim Jaechul Graduate School of AI, KAIST（金 Jaechul人工智能研究生院，韩国科学技术院） 纠错

AI总结 TimeXL通过集成原型时间序列编码器与三个协作LLM，提升时间序列预测的准确性与可解释性，实验证明在四个真实数据集上AUC提升达8.9%。

Comments NeurIPS 2025 camera ready version

TV-Rec: Time-Variant Convolutional Filter for Sequential Recommendation

TV-Rec：用于序列推荐的时间变换单元卷积滤波器

Yehjin Shin, Jeongwhan Choi, Seojin Kim, Noseong Park

机构 * KAIST（韩国科学技术院） 纠错

AI总结 TV-Rec通过引入时间变换单元卷积滤波器，提升了序列推荐中对复杂用户行为交互模式的捕捉能力，同时减少了计算量并加速了推理过程。

Comments The 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Geometric Imbalance in Semi-Supervised Node Classification

半监督节点分类中的几何失衡

Liang Yan, Shengzhong Zhang, Bisheng Li, Menglin Yang, Chen Yang, Min Zhou, Weiyang Ding, Yutong Xie, Zengfeng Huang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； MBZUAI ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Logs AI Project（Logs AI项目） 纠错

AI总结 本文提出几何失衡概念，通过伪标签对齐、节点重排和模糊过滤缓解类别不平衡问题，实验表明在严重类别不平衡下性能优于现有方法。

Comments Accepted by NeurIPS 2025

Journal ref Proceedings of the Thirty-ninth Conference on Neural Information Processing Systems (NeurIPS 2025)

ACT as Human: Multimodal Large Language Model Data Annotation with Critical Thinking

ACT作为人类：多模态大语言模型数据标注中的批判性思维

Lequan Lin, Dai Shi, Andi Han, Feng Chen, Qiuzheng Chen, Jiawen Li, Zhaoyang Li, Jiyuan Li, Zhenbang Sun, Junbin Gao

机构 * University of Sydney（悉尼大学） ； University of Cambridge（剑桥大学） ； Riken AIP（理化学研究所AIP分所） ； University of Adelaide（阿德莱德大学） ； ByteDance Australia（字节跳动澳大利亚） 纠错

AI总结 本文提出ACT标注框架，利用大语言模型作为评判者提高标注效率，通过批判性思维识别潜在错误，减少人工成本，提升标注质量。

Comments NeurIPS 2025

Preference-Driven Multi-Objective Combinatorial Optimization with Conditional Computation

基于偏好驱动的多目标组合优化与条件计算

Mingfeng Fan, Jianan Zhou, Yifeng Zhang, Yaoxin Wu, Jinbiao Chen, Guillaume Adrien Sartoretti

机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文提出POCCO框架，通过条件计算块动态选择子问题模型结构，并利用偏好信号优化，提升多目标组合优化性能。

Comments 22 pages, 6 figures, 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

In-and-Out: Algorithmic Diffusion for Sampling Convex Bodies

入出：用于采样凸体的算法扩散

Yunbum Kook, Santosh S. Vempala, Matthew S. Zhang

机构 * School of Computer Science, Georgia Institute of Technology（佐治亚理工学院计算机科学系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Vector Institute（向量研究所） 纠错

AI总结 本文提出一种新的随机游走算法，用于均匀采样高维凸体，实现了最先进的运行时间复杂度，并在输出保证上优于现有方法，特别是在Rényi散度方面。

Comments To appear in Random Structures & Algorithms; conference version appeared in NeurIPS 2024 (spotlight)

SHAP Meets Tensor Networks: Provably Tractable Explanations with Parallelism

SHAP 遇见张量网络：并行计算下的可证明可处理解释

Reda Marzouk, Shahaf Bassan, Guy Katz

机构 * LIRMM, UMR 5506, University of Montpellier, CNRS（蒙彼利埃大学LIRMM研究所，法国国家科研中心） ； The Hebrew University of Jeursalem（耶路撒冷希伯来大学） 纠错

AI总结 本文研究了张量网络中SHAP解释的计算问题，提出了一种通用框架，证明了在张量网络结构下，通过并行计算可实现多项式对数时间复杂度的SHAP计算，从而改进了多种机器学习模型的复杂度分析。

Comments To appear in NeurIPS 2025

CausalARC: Abstract Reasoning with Causal World Models

CausalARC：基于因果世界模型的抽象推理

Jacqueline Maasch, John Kalantari, Kia Khezeli

AI总结 CausalARC通过因果世界模型进行低数据和分布外推理，结合原则性数据增强提供少量示例反馈，用于评估语言模型在抽象推理、反事实推理、程序合成和因果发现中的表现。

Comments Peer-reviewed workshop paper

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Bridging Language, Agent, and World Models (LAW)

Size-adaptive Hypothesis Testing for Fairness

基于大小适应性的公平性假设检验

Antonio Ferrara, Francesco Cozzi, Alan Perotti, André Panisson, Francesco Bonchi

机构 * CENTAI ； Graz University of Technology（格拉茨技术大学） ； Sapienza University（拉瓦尔大学） ； EURECAT 纠错

AI总结 本文提出一种统一的大小适应性假设检验框架，用于解决公平性评估中的统计决策问题，通过中央极限定理和贝叶斯方法提高小群体的估计精度。

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

Time-o1: Time-Series Forecasting Needs Transformed Label Alignment

Time-o1: 时间序列预测需要转换标签对齐

Hao Wang, Licheng Pan, Zhichao Chen, Xu Chen, Qingyang Dai, Lei Wang, Haoxuan Li, Zhouchen Lin

机构 * Xiaohongshu Inc（小红书公司） ； Zhejiang University（浙江大学） ； Renmin University of China（中国人民大学） ； Peking University（北京大学） ； State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（北京大学通用人工智能国家重点实验室，智能科学与技术学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Department of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Pazhou Laboratory (Huangpu), Guangzhou, Guangdong, China（广州黄埔实验室（华南）） 纠错

AI总结 本文提出Time-o1，通过转换标签对齐缓解时间序列预测中的标签自相关和任务过多问题，提升模型性能。

Comments Accepted as poster in NeurIPS 2025

Journal ref NeurIPS 2025

Learning-Augmented Algorithms for $k$-median via Online Learning

基于在线学习的k-均值算法

Anish Hebbar, Rong Ge, Amit Kumar, Debmalya Panigrahi

AI总结 本文提出一种基于在线学习的学习增强算法模型，用于解决k-均值聚类问题，通过历史实例优化未来实例的解决方案，实现近似最优的平均性能。

Comments NeurIPS 2025

Object-Centric Representation Learning for Enhanced 3D Semantic Scene Graph Prediction

面向增强三维语义场景图预测的对象感知表示学习

KunHo Heo, GiHyun Kim, SuYeon Kim, MyeongAh Cho

机构 * Kyung Hee University（庆熙大学） 纠错

AI总结 本文提出一种高判别性的对象特征编码器和对比预训练策略，提升三维语义场景图预测的准确性和关系预测能力，实验表明在3DSSG数据集上优于现有方法。

Comments Accepted by NeurIPS 2025. Code: https://github.com/VisualScienceLab-KHU/OCRL-3DSSG-Codes

BarcodeBERT: Transformers for Biodiversity Analysis

BarcodeBERT：用于生物多样性分析的Transformer模型

Pablo Millan Arias, Niousha Sadjadi, Monireh Safari, ZeMing Gong, Austin T. Wang, Joakim Bruslund Haurum, Iuliia Zarubiieva, Dirk Steinke, Lila Kari, Angel X. Chang, Scott C. Lowe, Graham W. Taylor

机构 * University of Waterloo（滑铁卢大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Aalborg University（奥胡斯大学） ； Pioneer Centre for AI（先锋人工智能中心） ； University of Guelph（格雷厄姆大学） ； Vector Institute（向量研究所） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔人工智能研究所） 纠错

AI总结 BarcodeBERT通过领域特定数据自监督预训练，在物种鉴定任务中优于基础模型，尤其在低阶分类如属和种层面表现突出，且比BLAST快55倍。

Comments Main text: 14 pages, Total: 23 pages, 10 figures, formerly accepted at the 4th Workshop on Self-Supervised Learning: Theory and Practice (NeurIPS 2023)

Journal ref Bioinformatics Advances (2026) vbag054

Counteractive RL: Rethinking Core Principles for Efficient and Scalable Deep Reinforcement Learning

对抗式强化学习：为高效和可扩展的深度强化学习重新思考核心原理

Ezgi Korkmaz

机构 * Ezgi Korkmaz 纠错

AI总结 本文提出基于对抗性行动经验的理论新范式，解决高维MDP中状态空间爆炸导致的计算复杂性与策略成功率矛盾，通过实验验证方法在高维环境中的高效性和样本效率。

Comments NeurIPS 2025 Spotlight

The PokeAgent Challenge: Competitive and Long-Context Learning at Scale

PokeAgent挑战：在大规模中实现竞争性和长上下文学习

Seth Karten, Jake Grigsby, Tersoo Upaa, Junik Bae, Seonghun Hong, Hyunyoung Jeong, Jaeyoon Jung, Kun Kerdthaisong, Gyungbo Kim, Hyeokgi Kim, Yujin Kim, Eunju Kwon, Dongyu Liu, Patrick Mariglia, Sangyeon Park, Benedikt Schink, Xianwei Shi, Anthony Sistilli, Joseph Twin, Arian Urdu, Matin Urdu, Qiao Wang, Ling Wu, Wenli Zhang, Kunsheng Zhou, Stephanie Milani, Kiran Vodrahalli, Amy Zhang, Fei Fang, Yuke Zhu, Chi Jin

机构 * Princeton（普林斯顿大学） ； UT-Austin（得克萨斯大学奥斯汀分校） ； CMU（卡内基梅隆大学） ； NYU（纽约大学） ； Google DeepMind（谷歌DeepMind） ； Team Heatz（团队Heatz） ； Team PA-Agent（团队PA-Agent） ； Team FoulPlay（团队FoulPlay） ； Team 4thLesson（团队4thLesson） ； Team Q（团队Q） ； Team Anthonys（团队Anthonys） ； Team Hamburg（团队Hamburg） ； Team Porygon2AI（团队Porygon2AI） ； Team Deepest（团队Deepest） ； Team August（团队August） 纠错

AI总结 PokeAgent挑战通过两个互补赛道，解决部分可观测性、博弈推理和长周期规划问题，提供大规模基准测试和首个RPG速run评估框架，揭示通用（LLM）、专业（RL）和精英人类表现间的差距。

Comments 41 pages, 26 figures, 5 tables. NeurIPS 2025 Competition Track

Connecting Jensen-Shannon and Kullback-Leibler Divergences: A New Bound for Representation Learning

连接Jensen-Shannon和Kullback-Leibler散度：表示学习中的新界限

Reuben Dorent, Polina Golland, William Wells

机构 * Inria（法国国家信息与自动化研究所） 纠错

AI总结 本文通过推导JSD与KLD之间的新下界，揭示了JSD基于信息最大化与互信息之间的关系，并展示了其在表示学习中的应用和有效性。

Comments Accepted at NeurIPS 2025. This revised version provides a proof of Lemma B.5, previously stated as a conjecture in the original submission. Code available at https://github.com/ReubenDo/JSDlowerbound/