期刊&会议
Conference on Neural Information Processing Systems · 会议 · Machine Learning
AlphaBeta 不如你想象的那么好：一种简单的合成游戏类用于更深入分析确定性游戏求解算法
AI总结 本文提出了一种合成游戏模型，用于更深入分析确定性游戏求解算法，揭示AlphaBeta在深树中的性能劣势。
Journal ref The Thirty-ninth Annual Conference on Neural Information Processing Systems, Dec 2025, San Diego, United States
MaxSup: 解决标签平滑中的表征崩溃
机构 * University of Mannheim（曼海姆大学） ； University of Washington（华盛顿大学） ； Meta AI ； CISPA Helmholtz Center for Information Security（信息安全霍普夫研究所） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 MaxSup通过惩罚top-1 logit解决标签平滑中的表征崩溃问题，恢复类内多样性并增强类间边界。
Comments NeurIPS 2025 Oral (0.36% acceptance); code: https://github.com/ZhouYuxuanYX/Maximum-Suppression-Regularization
基于多模态变分自编码器的规范建模用于识别阿尔茨海默病异常脑结构模式
AI总结 本文提出基于多模态变分自编码器的规范建模框架，用于识别阿尔茨海默病中异常脑结构模式，通过联合分布建模提高疾病阶段检测的敏感性和准确性。
Comments Medical Imaging Meets NeurIPS workshop in NeurIPS 2022
Journal ref Proc. SPIE 12465, Medical Imaging 2023: Computer-Aided Diagnosis, 1246503 (7 April 2023)
ZeroS：用于高效Transformer的零和线性注意力
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services（亚马逊网络服务）
AI总结 ZeroS通过去除零阶项并重新加权残差，改进了线性注意力机制，实现了更稳定的权重和对比操作，从而在保持O(N)复杂度的同时提升了序列建模性能。
Comments Camera-ready version. Accepted at NeurIPS 2025
Journal ref Proceedings of the Thirty-ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)
CyIN：循环信息潜在空间用于连接完整与不完整多模态学习
机构 * School of Electronics and Information Technology, Sun Yat-Sen University（中山大学电子与信息学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； School of Computer Science, South China Normal University（华南师范大学计算机科学学院） ； Desay SV Automotive Co., Ltd（德赛股份有限公司） ； Pazhou Laboratory（琶洲实验室）
AI总结 CyIN通过构建循环信息潜在空间，解决多模态学习中完整与不完整数据之间的性能差距，实现统一优化。
Comments Accepted by NeurIPS 2025
一个用于线性约束双层优化的单循环一阶算法
机构 * University of Virginia（弗吉尼亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Meta
AI总结 本文提出了一种单循环一阶算法，用于解决具有线性约束的双层优化问题，通过改写问题并分析收敛率，提升了算法效率。
Comments NeurIPS 2025
基于可迁移归一化流的 amortized 模拟
机构 * University of Oxford（牛津大学） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克AI研究所） ； Freie Universität Berlin（柏林自由大学） ； Valence Labs（Valence实验室） ； AITHYRA ； Institut Courtois（科特伊研究所）
AI总结 本文提出 Prose，一个基于深度学习的可迁移归一化流，用于高效跨系统分子采样，通过零样本提案实现序列长度的可转移性，并在多种采样算法中表现出竞争力。
Comments Presented at NeurIPS 2025
LittleBit：通过潜在因子分解实现超低比特量化
机构 * Samsung Research（三星研究院）
AI总结 LittleBit通过潜在因子分解实现超低比特量化，实现高达31倍的内存压缩，同时在亚1比特域内提升模型性能，达到FP16的11.6倍推理加速。
Comments Accepted to NeurIPS 2025. Banseok Lee and Dongkyu Kim contributed equally
基于AI的数字健康应将统计上有效的部署后监控作为标准
机构 * Arizona State University（亚利桑那州立大学）
AI总结 本文主张基于AI的数字健康应采用统计上有效的部署后监控作为标准，提出统计有效且标签效率高的测试框架以确保现实部署的可靠性和安全性。
Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
在函数空间上引导扩散采样及其在偏微分方程中的应用
机构 * California Institute of Technology（加州理工学院） ； NVIDIA（英伟达） ； University of Oxford（牛津大学） ； KAIST（韩国科学技术院）
AI总结 本文提出FunDPS框架，通过函数空间扩散模型和引导机制，在极稀疏或噪声数据下有效恢复PDE解，实现32%的准确率提升。
Comments Accepted to NeurIPS 2025
具有缺失结构知识的异常根源分析
机构 * University of Cambridge（剑桥大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Amazon Tübingen（亚马逊图宾根）
AI总结 本文提出了一种简单高效的方法，用于在因果图是聚树的情况下，通过边际异常分数识别异常根源，无需假设因果图结构或指定异常分数阈值。
Comments Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
基于微分和逐点控制的强化学习方法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出微分强化学习框架，通过微分对偶形式和dfPO算法提升样本效率和动态对齐，理论证明收敛性并实验证明在科学计算任务中的有效性。
Comments NeurIPS 2025
在推理时间解锁扩散模型中隐藏的生物分子构象景观
机构 * Stanford University（斯坦福大学） ； Yale School of Medicine（耶鲁医学院）
AI总结 ConforMix通过结合分类引导、过滤和自由能估计，提升扩散模型在推理时对生物分子构象变化的采样能力，实现更高效的构象发现。
Comments Project page: https://github.com/drorlab/conformix
Journal ref NeurIPS 2025
迈向符号回归的标度法则
机构 * University of Freiburg（弗赖堡大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Open-Sci Collective（开放科学集体） ； LAION ； Prior Labs（Prior实验室）
AI总结 本文研究符号回归中计算量与性能之间的标度关系，发现验证损失和解决率随计算量呈幂律趋势，并确定了计算最优的超参数标度。
Comments Accepted at the NeurIPS 2025 Math-AI Workshop and the EurIPS 2025 AITD Workshop
平坦性是必要的，神经崩溃不是：通过Grokking重新思考泛化
机构 * Ting Han Lamarr Institute, TU Dortmund, Germany（廷汉拉马尔研究所，杜伊斯堡-艾森大学，德国） ； Institute for AI in Medicine, UK Essen（人工智能医学研究所，英国埃森） ； Research Center Trustworthy Data Science and Security of the University Alliance Ruhr, TU Dortmund, Germany（trustworthy数据科学与安全研究所以及鲁尔大学联盟，杜伊斯堡-艾森大学，德国） ； Ruhr University Bochum, Germany（波恩鲁尔大学，德国） ； Department of Physics, TU Dortmund, Germany（物理系，杜伊斯堡-艾森大学，德国） ； Lamarr Institute, TU Dortmund, Germany（廷汉拉马尔研究所，杜伊斯堡-艾森大学，德国）
AI总结 通过Grokking训练模式发现，损失景观的平坦性是泛化的潜在必要条件，而神经崩溃并非如此。
Comments NeurIPS 2025, Camera ready version
统一差分隐私中的重识别、属性推断和数据重建风险
AI总结 本文提出统一差分隐私中重识别、属性推断和数据重建风险的框架，通过f-DP理论提供更精确的风险界限，减少噪声需求并提升任务准确性。
Comments NeurIPS 2025
一致的监督-无监督对齐用于通用类别发现
机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（国家人类-机器混合增强智能重点实验室、视觉信息与应用国家工程研究中心、人工智能与机器人研究院、西安交通大学） ； School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（计算机科学与技术学院、哈尔滨工业大学深圳校区） ； School of Software Engineering, Xi’an Jiaotong University（软件工程学院、西安交通大学） ； Kuaishou Technology（快手科技） ； Faculty of Microelectronics, Shenzhen University of Advanced Technology（微电子学院、深圳先进技术大学）
AI总结 本文提出NC-GCD框架，通过预分配ETF原型和引入一致ETF对齐损失，提升通用类别发现任务中新类别识别的性能。
Comments Accepted by NeurIPS 2025
图持久性进入谱域
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Federal Institute of Ceará（巴西塞阿腊联邦理工学院） ； Aalto University（艾尔沃斯大学）
AI总结 本文提出SpectRe，一种结合谱信息的图拓扑描述符，以提升图神经网络的表达能力。
Comments 32 pages, 4 figures, 7 tables. Accepted at NeurIPS 2025. Final version, clarified minor bug
HAODiff: 人类感知的单步扩散 via 双提示引导
机构 * Shanghai Jiao Tong University（上海交通大学） ； vivo Mobile Communication Co., Ltd（vivo移动通信有限公司）
AI总结 HAODiff通过双提示引导方法，针对人类运动模糊和通用噪声问题，提升图像修复的鲁棒性和视觉质量。
Comments 9 pages, 8 figures. Accepted at NeurIPS 2025
基于学习的设施选址机制用于 envy 比率
AI总结 本文提出基于学习的设施选址机制，旨在优化 envy 比率，通过 α-BIM 和 BAM 机制提升近似比至约 1.8944。
Comments Accepted in NeurIPS 2025
EAG3R：事件增强的3D几何估计用于动态和极端光照场景
机构 * The University of Hong Kong（香港大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 EAG3R通过引入事件流和改进的损失函数，提升了动态低光照环境下3D几何估计的鲁棒性。
Comments Accepted at NeurIPS 2025 (spotlight)
通过感知直化检测生成视频
机构 * Bielefeld University（比勒菲尔德大学） ； Google DeepMind（谷歌DeepMind） ； Honda Research Institute EU（本田欧洲研究院） ； Cold Spring Harbor Laboratory（冷泉港实验室）
AI总结 ReStraV通过分析神经表示域中的视频轨迹曲率和距离差异，实现对生成视频的有效检测，达到97.17%的准确率。
Comments NeurIPS 2025 (https://openreview.net/forum?id=LsmUgStXby)
Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)
DeepVideo-R1: 通过难度感知的回归GRPO实现视频强化微调
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Korea University（韩国大学）
AI总结 DeepVideo-R1通过回归GRPO和难度感知数据增强，提升视频大语言模型的推理能力。
Comments NeurIPS 2025
推理编译器：基于大语言模型的高效模型服务优化
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 推理编译器利用大语言模型进行编译优化，通过上下文感知决策提升样本效率，实现高效模型服务。
Comments NeurIPS 2025
具有扭转感知流动匹配的灵活MOF生成
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
AI总结 本文提出了一种两阶段MOF生成框架，通过建模化学和几何自由度，实现了对新型MOF的设计和生成。
Comments 24 pages, 9 figures
Journal ref Neural Information Processing Systems (NeurIPS) 2025
PaTH Attention: 通过累积Householder变换实现位置编码
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM Watson人工智能实验室） ； Stanford University（斯坦福大学） ； Microsoft（微软公司）
AI总结 PaTH Attention通过累积Householder变换实现数据依赖的位置编码，提升Transformer模型的表达能力。
Comments NeurIPS 2025 camera ready
核回归中不变性带来的精确样本复杂性提升
AI总结 本文从理论角度研究了核回归中利用不变性提升样本复杂性的机制，推导了在紧致流形上核岭回归的最小最大最优速率，并揭示了群作用对样本复杂性的影响。
Journal ref NeurIPS 2023
SlowFocus: 提升视频大语言模型中的细粒度时间理解
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Noah’s Ark Lab, Huawei（华为诺亚实验室） ； Yinwang Intelligent Technology Co., Ltd.（亿万象智能科技有限公司）
AI总结 SlowFocus通过提升等效采样频率和引入多频率混合注意力模块，提升视频大语言模型对细粒度时间理解的能力。
Comments NeurIPS 2024
捷径特征作为神经切线核的顶级本征函数：线性神经网络案例及更多
机构 * Seoul National University（首尔国立大学） ； Kyung Hee University（庆熙大学）
AI总结 本文研究了线性神经网络中捷径学习的本征函数特性，并将该结论扩展至更复杂的网络结构。
Journal ref NeurIPS 2025
对零样本和少样本钓鱼网址检测的大型语言模型进行基准测试
机构 * University of North Carolina at Pembroke（北卡罗来纳大学帕克分校）
AI总结 本文通过统一的零样本和少样本提示框架，评估了大型语言模型在钓鱼网址检测中的性能，揭示了不同模型在泛化能力和实用性上的差异。
Comments 9 pages, accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025 LAW Workshop)
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