期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
关于视频动作检测中的遮挡：基准数据集和训练方法
机构 * CRCV, University of Central Florida（计算机视觉研究中心、中央佛罗里达大学） ； Microsoft Research（微软研究院）
AI总结 研究视频动作检测中遮挡的影响，引入新基准数据集，发现神经网络有趣现象，得出有效训练方法，提升模型在遮挡下性能，如在O-UCF、O-JHMDB和Real-OUCF上vMAP指标分别提升32.3%、32.7%和2.6%。
Comments NeurIPS 2023
用于高效分层强化学习的解缠无监督技能发现
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 针对现有无监督技能发现方法中技能缠结、下游任务链接难的问题，提出DUSDi方法，通过分解技能为解缠组件，定义基于互信息目标并利用值分解优化，能有效学习解缠技能并解决下游任务，优于先前方法。
Comments Published at NeurIPS 2024
通过噪声增强自动编码器对音乐表示进行感知对齐
机构 * Johannes Kepler University（约翰内斯·开普勒大学） ； Queen Mary University（女王玛丽大学） ； Sony Computer Science Laboratories (CSL)（索尼计算机科学实验室（CSL））
AI总结 研究如何通过噪声增强自动编码器结合感知驱动损失对音乐表示进行感知对齐，经训练产生按感知层次结构构建的编码，此方法在估计音乐音高惊喜和预测脑电反应中效果超以前方法，还提供预训练权重。
Comments Accepted to EUSIPCO 2026. Previous version appeared in NeurIPS 2025 - AI for Music Workshop. 5 pages, 2 figures, 1 table
MASCA：基于大语言模型的信用评估多智能体系统
机构 * Kairosity（凯罗斯蒂）
AI总结 研究信用评估问题，提出基于大语言模型的MASCA多智能体系统，采用分层架构，整合对比学习，从信号博弈论角度提供理论见解，进行偏差分析，实验证明该系统在金融应用尤其是信用评分中表现优于基线方法。
Comments Accepted at NeurIPS GenAI In Finance Workshop
关于脑间网络的一种几何结构
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Okinawa Institute of Science and Technology（冲绳科学和技术研究所） ； Harvard University（哈佛大学）
AI总结 受网络科学中几何见解成功整合启发，提出利用离散几何研究社交互动中神经交互动态重构，通过熵指标识别网络连通性关键转变，增强超扫描方法揭示神经机制的能力。
Comments 4 pages, 1 figure, 2 appendixes, accepted NeurIPS 2025 Workshop on Symmetry and Geometry in Neural Representations (NeurReps) and the Proceedings of the Geometry, Topology, and Machine Learning Workshop, PMLR 325:145-152
空间思考者：通过密集奖励强化场景图基础的空间推理
机构 * University of Oxford（牛津大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
AI总结 研究针对多模态大语言模型空间推理难题，提出SpatialThinker，通过在线强化学习统一场景图生成与视觉推理，构建心理场景图并借助密集奖励推理，贡献包括基于SGG推理、高质量训练数据集及密集奖励设计。
Comments Preprint. Accepted at NeurIPS 2025 Workshops on SPACE in Vision, Language, and Embodied AI (SpaVLE) as Oral, Embodied World Models for Decision Making (EWM), Aligning Reinforcement Learning Experimentalists and Theorists (ARLET), and Scaling Environments for Agents (SEA)
因果混沌！用于基于动态视觉场景的更长因果链上的综合因果动作问答的数据集
机构 * Institute of High-Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科技研究局，新加坡） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Singapore Polytechnic（新加坡理工学院）
AI总结 针对因果视频问答中现有数据集因果推理深度不足的问题，利用卡通特性构建CausalChaos!数据集，含因果链等问题并引入错误答案挖掘，为因果关系建模等发展助力。
Comments NeurIPS 2024
谁获得奖励 & 谁受到责备？面向多LLM智能体的评估对齐训练信号
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学）
AI总结 提出一个理论框架，结合合作博弈归因与过程奖励建模，将系统级评估转化为智能体信用和消息级信号，用于多LLM智能体训练。
Comments Accepted at the NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning (LAW 2025)
KungfuBot: 基于物理的人形全身控制用于学习高动态技能
机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Shanghai Jiao Tong University（上海交通大学） ； East China University of Science and Technology（华东理工大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； ShanghaiTech University（上海科技大学）
AI总结 提出基于物理的人形控制框架，通过多步运动处理和自适应跟踪机制，实现高动态行为（如功夫、舞蹈）的模仿学习，在Unitree G1机器人上成功部署。
Comments NeurIPS 2025. Project Page: https://kungfubot.github.io/
在自毁之前检查自己：选择性退出提升LLM智能体安全性
AI总结 提出让LLM智能体在不确定时主动退出，通过ToolEmu框架在12个模型上评估，发现该方法在几乎不降低有用性的情况下显著提升安全性。
Comments Reliable ML and Regulatable ML workshops, Neurips 2025
Sutra: 以张量操作RNN作为向量符号架构的编译目标
机构 * Emma Leonhart
AI总结 Sutra是一种纯函数式编程语言，通过编译将整个程序降级为融合张量操作图，同时支持符号推理和神经网络训练，实现逻辑程序与可训练网络的统一。
Comments Modified NeurIPS submission, see AI declaration and replication materials at end of paper
两人零和随机博弈中基于最优响应的去中心化学习：有限样本分析
机构 * Purdue University（普渡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Caltech（加州理工学院） ； MIT（麻省理工学院）
AI总结 本文对两人零和矩阵博弈和随机博弈中的去中心化学习进行有限样本分析，提出基于最优响应的学习算法，并证明其样本复杂度。
Comments A preliminary version [arXiv:2303.03100] of this paper, with a subset of the results that are presented here, was presented at NeurIPS 2023
AMVICC: 一种用于VLM和IGM跨模态故障模式分析的新型基准
机构 * Centennial High School, Frisco, Texas, USA（Centennial High School, Texas, USA） ； Lebanon Trail High School, Frisco, Texas, USA（Lebanon Trail High School, Texas, USA） ； West Windsor-Plainsboro High School, Princeton Junction, New Jersey, USA（West Windsor-Plainsboro High School, New Jersey, USA） ； Algoverse AI Research, Palo Alto, California, USA（Algoververse AI Research, California, USA）
AI总结 提出AMVICC基准，通过图像到文本和文本到图像任务系统比较多模态大模型和图像生成模型的视觉推理失败模式，发现故障模式在模型和模态间共享，但存在特定于模型和模态的失败。
Comments 14 pages, 4 figures, 8 tables. Presented at the 39th Conference on Neural Information Processing Systems Workshop: VLM4RWD. Presented at the 43th International Conference on Machine Learning Workshops: ICML 2026 CTB, ICML 2026 FAGEN, ICML 2026 EMM-QA. Authors Aahana Basappa and Pranay Goel contributed equally. Code: https://github.com/AahanaB24/AMVICC, Data: https://doi.org/10.5281/zenodo.17646068
GeoRanker：面向全球图像地理定位的距离感知排序
机构 * Department of Data Science, City University of Hong Kong（城市大学数据科学系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） ； Department of Geography, University of Wisconsin-Madison（威斯康星大学麦迪逊分校地理系）
AI总结 提出GeoRanker框架，利用大视觉语言模型联合编码查询-候选交互并预测地理邻近性，引入多阶距离损失以建模结构化空间关系，在IM2GPS3K和YFCC4K基准上达到最优。
Comments NeurIPS 2025
为何池选，不如流选？基于GFlowNets的主动学习
机构 * School of Computer Science, Simon Fraser University, Burnaby, BC, Canada（Simon Fraser大学计算机科学学院，Burnaby, BC, Canada） ； Vancouver Prostate Centre, University of British Columbia, Vancouver, BC, Canada（温哥华前列腺中心，不列颠哥伦比亚大学，Vancouver, BC, Canada） ； Faculty of Medicine, University of British Columbia, Vancouver, BC, Canada（不列颠哥伦比亚大学医学院，Vancouver, BC, Canada） ； Diagen AI
AI总结 提出BALD-GFlowNet框架，用生成流网络直接采样高信息分子，替代传统池选，实现与池大小无关的可扩展性，在虚拟筛选中达到与BALD相当的性能并生成更多样化分子。
Comments Accepted at the NeurIPS 2025 Workshop on AI Virtual Cells and Instruments: A New Era in Drug Discovery and Development (AI4D3 2025), San Diego, California, USA. 6 pages; 5 figures
打破镜像：基于激活的LLM评估者自我偏好缓解方法
机构 * University of Virginia（弗吉尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； School of Computer Science（计算机科学学院）
AI总结 针对LLM评估者自我偏好偏见，提出轻量级引导向量方法，在推理时无需重训练即可将不公正自我偏好降低97%，但存在稳定性问题。
Comments Presented at {Mechanistic Interpretability, Evaluations, Reliable-ML} Workshops, NeurIPS 2025
VDW-GNNs：面向几何图神经网络的向量扩散小波
机构 * Program in Computing, Boise State University, Boise, Idaho, USA（博伊西州立大学计算项目） ； Department of Mathematics, UCLA, Los Angeles, CA, USA（洛杉矶大学数学系） ； Department of Computer Science, Yale University, New Haven, CT, USA（耶鲁大学计算机科学系） ； Department of Genetics, Yale University, New Haven, CT, USA（耶鲁大学遗传学系） ； Department of Mathematics, Boise State University, Boise, Idaho, USA（博伊西州立大学数学系）
AI总结 提出向量扩散小波（VDW），受向量扩散映射算法启发，可有效融入几何图神经网络（VDW-GNNs），在合成点云和真实风场、神经活动数据上表现良好，并证明其具有框架理论和旋转平移对称性。
Comments Presented at ICML 2026. A previous, shorter version of this work was presented in the "New Perspectives in Advancing Graph Machine Learning" workshop at NeurIPS 2025
LLM的变色龙本质：量化搜索增强语言模型中的多轮立场不稳定性
机构 * University of Southern California（美国南加州大学）
AI总结 提出变色龙基准数据集和两个度量指标，揭示搜索增强LLM在多轮对话中因知识多样性不足而严重依赖查询框架，导致立场频繁摇摆。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: MTI-LLM @ NeurIPS 2025
GyroSwin：用于回旋动理学等离子体湍流模拟的五维代理模型
机构 * ELLIS Unit, Institute for Machine Learning, JKU Linz（JKU林茨机器学习研究所ELLIS单元） ； United Kingdom Atomic Energy Authority, Culham campus（英国原子能局库勒姆校区） ； EMMI AI, Linz（林茨EMMI人工智能）
AI总结 提出GyroSwin，首个可扩展的五维神经代理模型，通过扩展层次视觉Transformer至五维、引入交叉注意力和集成模块以及基于非线性物理的通道分离，精确模拟回旋动理学湍流热输运，计算成本降低三个数量级。
Comments Accepted at NeurIPS 2025, First authors contributed equally
预测性特征缓存用于分子几何生成的无训练加速
机构 * PrunaAI
AI总结 提出一种无训练缓存策略，通过预测求解器步骤间的中间隐藏状态加速分子几何生成，在GEOM-Drugs数据集上实现2倍加速且质量不变，结合其他优化可达7倍。
Comments Accepted at the AI for Science Workshop @ NeurIPS 2025
Oracle-RLAIF：一种利用排名反馈强化学习改进多模态视频模型微调框架的方法
机构 * Stanford University（斯坦福大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Microsoft（微软公司）
AI总结 提出Oracle-RLAIF框架，用通用排序器替代奖励模型，结合基于GRPO的排名损失函数GRPO_rank，实现更高效的多模态视频模型微调，在多个基准上优于现有方法。
Comments Proceedings of the 39th Annual Conference on Neural Information Processing Systems, ARLET Workshop (Aligning Reinforcement Learning Experimentalists and Theorists)
Journal ref Transactions on Machine Learning Research, Vol. 2026, June 2026
AgentMisalignment：衡量基于LLM的代理中失调行为的倾向性
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学） ； Institute of Intelligent Systems and Robotics（智能系统与机器人研究所） ； Sorbonne Université（索邦大学） ； The Leverhulme Centre for the Future of Intelligence（未来智能中心） ； University of Cambridge（剑桥大学） ； Independent Researcher（独立研究者） ； Department of Computer Science and Technology（计算机科学与技术系） ； Department of Engineering（工程系）
AI总结 提出AgentMisalignment基准，评估LLM代理在真实场景中自发追求非预期目标的倾向，发现更强大的代理平均表现出更高的失调倾向，且个性特征对失调影响显著。
Comments Prepint, under review for NeurIPS 2025
量子视觉场与神经振幅编码
机构 * MPI for Informatics, SIC（马克斯·普朗克信息研究所，科学信息中心）
AI总结 提出一种基于神经振幅编码和全纠缠量子电路的量子隐式神经表示架构QVF，用于2D图像和3D几何场学习，在量子硬件模拟器上优于现有量子方法并与经典基线竞争。
Comments NeurIPS 2025; 19 pages, 13 figures and four tables; project page: https://4dqv.mpi-inf.mpg.de/QVF/
利用规范等变神经网络学习拓扑绝缘体的陈数
机构 * Department of Mathematical Sciences, Chalmers University of Technology and University of Gothenburg（数学科学系，查尔姆斯理工大学和哥德堡大学） ； Department of Physics, Stockholm University, AlbaNova University Center（物理系，斯德哥尔摩大学，阿尔巴诺瓦大学中心） ； VERSES AI Research Lab, Los Angeles, USA（VERSES AI研究实验室，美国洛杉矶） ； Department of Physics, University of Gothenburg（物理系，哥德堡大学）
AI总结 本文提出利用规范等变网络预测多带拓扑绝缘体的陈数，通过引入新的规范等变归一化层和通用逼近定理，证明模型能泛化至非平凡陈数样本。
Journal ref Advances in Neural Information Processing Systems 38, 147997-148026, 2026
EQPO: 面向临床推理的公平群体相对策略优化
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 提出EQPO分层强化学习方法，通过自适应重加权样本促进异质临床人群的均衡学习，在7个诊断基准上降低F1标准差43.9%，缩小预测公平差距27.2%。
Comments Accepted as Oral on NeurIPS 2025 GenAI4Health Workshop
广义Kullback-Leibler散度损失
机构 * Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
AI总结 本文提出广义KL散度损失，通过解耦KL损失为加权MSE和交叉熵损失，并引入非对称优化修正和类别全局信息，在对抗训练和知识蒸馏中取得SOTA性能。
Comments TPAMI 2026, extension of our NeurIPS paper "Decoupled Kullback-Leibler Divergence Loss". arXiv admin note: substantial text overlap with arXiv:2305.13948
BioArtlas：生物艺术中多维复杂性的计算聚类
机构 * Graduate School of Culture Technology（文化科技研究生院）
AI总结 本文提出BioArtlas，通过新型轴感知表示对81件生物艺术作品进行多维分析，揭示四种组织模式，并通过交互式网页界面提供分析与探索。
Comments Bae, J. BioArtlas: Computational Clustering of Multi-Dimensional Complexity in Bioart. In The Thirty-ninth Annual Conference on Neural Information Processing Systems Creative AI Track: Humanity
非洲数据中心用水效率数据集
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Carnegie Mellon University Africa Kigali Rwanda（卡内基梅隆大学非洲分校，基亚利，卢旺达） ； Rochester Institute of Technology（罗切斯特理工学院） ； Rochester New York USA（罗切斯特，纽约州，美国） ； Carnegie Mellon University Pittsburgh Pennsylvania USA（卡内基梅隆大学匹兹堡，宾夕法尼亚州，美国） ； University of California, Riverside（加州大学河滨分校）
AI总结 构建首个结合天气与发电数据的非洲41国数据中心用水效率数据集，评估Llama-3-70B和GPT-4推理用水量，发现多数非洲国家用水低于全球平均。
Comments Accepted by NeurIPS 2024 Workshop on Tackling Climate Change with Machine Learning
等变流匹配用于对称破缺分岔问题
机构 * Department of Mechanical Engineering, Eindhoven University of Technology（埃因霍温理工大学机械工程系） ； DIFFER – Dutch Institute for Fundamental Energy Research（荷兰基础能源研究所） ； Faculty of Civil Engineering, Department of Mechanics, Czech Technical University in Prague（布拉格捷克技术大学土木工程学院力学系） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（埃因霍温理工大学数学与计算机科学系）
AI总结 针对非线性动力系统中对称破缺导致的多稳态共存问题，提出等变流匹配方法，结合等变架构与最优传输耦合机制，准确捕捉多模态分布和对称破缺分岔，优于非概率和变分方法。
Comments 9 pages, 7 figures including appendices. Accepted to Machine Learning and the Physical Sciences Workshop, NeurIPS 2025 (https://ml4physicalsciences.github.io/2025/). Repository with corresponding code: https://github.com/FHendriks11/bifurcationML/. Video explanation: https://www.youtube.com/watch?v=wsL3h17KtjY
OpenVTON-Bench：用于可控虚拟试穿评估的大规模高分辨率基准
机构 * Renxing Intelligence, Hangzhou, China ； Hangzhou Dianzi University, Hangzhou, China（杭州电子科技大学）
AI总结 提出OpenVTON-Bench，包含约10万对高分辨率图像，通过DINOv3聚类和Gemini描述构建，并设计多模态评估协议，沿五个维度衡量试穿质量，与人类判断高度一致。
Comments Under review for the NeurIPS 2026 Datasets and Benchmarks Track
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈