NeurIPS

CymbaDiff: Structured Spatial Diffusion for Sketch-based 3D Semantic Urban Scene Generation

CymbaDiff：基于结构化的空间扩散用于基于草图的3D语义城市场景生成

Li Liang, Bo Miao, Xinyu Wang, Naveed Akhtar, Jordan Vice, Ajmal Mian

机构 * The University of Western Australia（西澳大学） ； AIML, The University of Adelaide（阿德莱德大学） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 CymbaDiff通过结构化空间扩散提升基于草图的3D语义城市场景生成的语义一致性与空间真实性。

Comments Accepted by NeurIPS 2025

Thompson Sampling in Function Spaces via Neural Operators

通过神经算子在函数空间中进行汤普森采样

Rafael Oliveira, Xuesong Wang, Kian Ming A. Chai, Edwin V. Bonilla

AI总结 本文提出了一种基于神经算子的汤普森采样方法，用于解决函数空间中的优化问题，通过将神经算子视为高斯过程后验样本，实现了高效的功能优化。

Comments Final revision to appear at NeurIPS 2025 proceedings, expanded proof of Proposition 2, added Remark 2 on sublinear information gain, and revised discussion at the end of Appendix C.4

Learning to Factorize and Adapt: A Versatile Approach Toward Universal Spatio-Temporal Foundation Models

学习因子分解与适应：一种通用的时空基础模型方法

Siru Zhong, Junjie Qiu, Yangyu Wu, Yiqiu Liu, Yuanpeng He, Zhongwen Rao, Bin Yang, Chenjuan Guo, Hao Xu, Yuxuan Liang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Peking University（北京大学） ； Huawei 2012 Laboratories（华为2012实验室） ； East China Normal University（华东师范大学） 纠错

AI总结 FactoST-v2通过因子分解方法实现通用时空基础模型，提升跨领域泛化能力和效率。

Comments This is an extended version of the paper presented at NeurIPS 2025. Code available at https://github.com/CityMind-Lab/FactoST

"Jutters"

抖动

Meike Driessen, Selina Khan, Gonçalo Marcelino

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 通过'抖动'概念探讨人工智能生成内容的反思性体验，结合真实垃圾与AI图像，邀请参观者决定保留或丢弃，以促进更谨慎的媒体互动。

Comments Accepted at 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Creative AI Track

Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales

超参数转移使矩阵预条件优化器在不同尺度上实现一致的增益

Shikai Qiu, Zixi Chen, Hoang Phan, Qi Lei, Andrew Gordon Wilson

机构 * New York University（纽约大学） 纠错

AI总结 通过超参数转移，研究发现不同规模下矩阵预条件优化器在训练大模型时能实现显著加速，而错误缩放会导致加速效果消失。

Comments NeurIPS 2025. Code available at: https://github.com/charliezchen/scaling-matrix-preconditioning

Cyclic Counterfactuals under Shift-Scale Interventions

循环反事实推理下的位移-缩放干预

Saptarshi Saha, Dhruv Vansraj Rathore, Utpal Garain

机构 * Computer Vision and Pattern Recognition Unit Indian Statistical Institute（计算机视觉与模式识别单位印度统计研究所） 纠错

AI总结 本文研究了在位移-缩放干预下循环结构因果模型中的反事实推断问题，提出了一种处理具有反馈环的系统的新方法。

Comments Accepted at NeurIPS 2025

Efficient Parametric SVD of Koopman Operator for Stochastic Dynamical Systems

高效参数化Koopman算子的SVD用于随机动力系统

Minchan Jeong, J. Jon Ryu, Se-Young Yun, Gregory W. Wornell

机构 * Kim Jaechul Graduate School of AI, KAIST, Daejeon 34141, South Korea（韩国科学技术院人工智能研究生院） ； Department of EECS, MIT, Cambridge, MA 02139, United States（麻省理工学院电子工程与计算机科学系） 纠错

AI总结 本文提出了一种基于低秩近似的高效方法，用于学习随机动力系统Koopman算子的前k个奇异函数，以提高大规模系统的可扩展性和稳定性。

Comments Accepted for NeurIPS 2025. The first two authors contributed equally. 30 pages, 5 figures, 4 tables. Code is available at https://github.com/MinchanJeong/NeuralKoopmanSVD

CoRe: Benchmarking LLMs Code Reasoning Capabilities through Static Analysis Tasks

CoRe：通过静态分析任务基准测试LLM的代码推理能力

Danning Xie, Mingwei Zheng, Xuwei Liu, Jiannan Wang, Chengpeng Wang, Lin Tan, Xiangyu Zhang

机构 * Department of Computer Science Purdue University（计算机科学系 帕克森大学） 纠错

AI总结 CoRe通过静态分析任务评估LLM的代码推理能力，发现主流模型在深层次语义理解和多步骤推理上存在不足。

Comments NeurIPS 2025 Datasets & Benchmarks Spotlight

Worse than Zero-shot? A Fact-Checking Dataset for Evaluating the Robustness of RAG Against Misleading Retrievals

比零样本更差？一个评估RAG在误导检索中鲁棒性的事实核查数据集

Linda Zeng, Rithwik Gupta, Divij Motwani, Yi Zhang, Diji Yang

机构 * The Harker School（哈克尔学校） ； Irvington High School（艾尔文顿高中） ； Palo Alto High School（帕洛阿尔托高中） ； University of California Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 RAGuard是首个评估RAG系统在误导检索中鲁棒性的基准，揭示LLM在面对误导信息时的表现劣于零样本基线。

Comments Advances in Neural Information Processing Systems (NeurIPS 2025)

Rethinking Residual Distribution in Locate-then-Edit Model Editing

重新思考定位后编辑模型编辑中的残差分布

Xiaopeng Li, Shanwen Wang, Shasha Li, Shezheng Song, Bin Ji, Jun Ma, Jie Yu

机构 * National University of Defence Technology（国防科技大学） 纠错

AI总结 本文提出BLUE策略，通过改进残差分布机制，提升模型编辑的精度和效果，实现平均性能提升35.59%并增强LLMs的一般能力。

Comments NeurIPS 2025

TabDPT: Scaling Tabular Foundation Models on Real Data

TabDPT：在真实数据上扩展表格基础模型

Junwei Ma, Valentin Thomas, Rasa Hosseinzadeh, Alex Labach, Hamidreza Kamkari, Jesse C. Cresswell, Keyvan Golestan, Guangwei Yu, Anthony L. Caterini, Maksims Volkovs

机构 * Layer 6 AI 纠错

AI总结 TabDPT通过结合上下文学习与自监督学习，提升表格基础模型在真实数据上的泛化能力，实现模型和数据规模的缩放优化。

Comments Inference repo: github.com/layer6ai-labs/TabDPT-inference; Training repo: github.com/layer6ai-labs/TabDPT-training

Journal ref NeurIPS 2025 Proceedings

Generalizable Domain Adaptation for Sim-and-Real Policy Co-Training

可泛化领域适应的仿真与现实策略协同训练

Shuo Cheng, Liqian Ma, Zhenyang Chen, Ajay Mandlekar, Caelan Garrett, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Corporation（英伟达公司） 纠错

AI总结 本文提出一种仿真与现实协同训练框架，通过学习领域不变的特征空间，利用仿真数据提升现实世界操作策略的泛化能力，实现实验成功率提升30%。

Comments Accepted to NeurIPS 2025

FEAT: Free energy Estimators with Adaptive Transport

FEAT: 基于自适应传输的自由能估计器

Jiajun He, Yuanqi Du, Francisco Vargas, Yuanqing Wang, Carla P. Gomes, José Miguel Hernández-Lobato, Eric Vanden-Eijnden

机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； ML Lab, Capital Fund Management（ML实验室，资本基金管理公司） ； Courant Institute of Mathematical Sciences, NYU（纽约大学数学科学学院） 纠错

AI总结 FEAT提出了一种基于自适应传输的自由能估计框架，通过结合平衡与非平衡方法，提供一致且方差最小的估计器，并在多个科学领域中验证了其有效性。

Comments Accepted to NeurIPS 2025; the first two authors contribute equally to this work

Conditional Distribution Compression via the Kernel Conditional Mean Embedding

通过核条件均值嵌入进行条件分布压缩

Dominic Broadbent, Nick Whiteley, Robert Allison, Tom Lovett

机构 * School of Mathematics University of Bristol（数学系 伯明翰大学） ； Mathematical Institute University of Oxford（数学研究所 奥克斯福德大学） 纠错

AI总结 本文提出ACKH和ACKIP方法，通过线性时间贪心算法压缩条件分布，实验表明其在条件分布压缩任务中优于联合分布压缩和贪心选择方法。

Comments 76 pages, 32 figures, accepted into NeurIPS 2025

Simple Models, Rich Representations: Visual Decoding from Primate Intracortical Neural Signals

简单模型，丰富表征：从灵长类皮层神经信号进行视觉解码

Matteo Ciferri, Matteo Ferrante, Nicola Toschi

机构 * University of Rome, Tor Vergata Department of Biomedicine and Prevention（罗马大学Tor Vergata医学院与预防学院） ； A.A. Martinos Center for Biomedical Imaging（A.A. Martinos生物医学成像中心） ； Harvard Medical School/MGH, Boston (US)（哈佛医学院/麻省总医院，波士顿（美国）） 纠错

AI总结 本文提出一种简单模型，通过结合时间注意力和浅层MLP，实现70%的图像检索准确率，优于传统方法，为脑机接口和语义解码提供新框架。

Comments Presented at "Foundation Models for the Brain and Body" - NeurIPS 2025 Workshop

Streaming Stochastic Submodular Maximization with On-Demand User Requests

流式随机子模最大化与按需用户请求

Honglian Wang, Sijing Tu, Lutz Oettershagen, Aristides Gionis

AI总结 本文提出了一种流式随机子模最大化算法，通过单次遍历流并使用独立于流长度的内存，实现了竞争比为1/(8δ)的性能，有效解决了用户按需请求下的主题覆盖问题。

Comments NeurIPS'25

Evaluating Foundation Models' 3D Understanding Through Multi-View Correspondence Analysis

通过多视角对应分析评估基础模型的3D理解

Valentina Lilova, Toyesh Chakravorty, Julian I. Bibo, Emma Boccaletti, Brandon Li, Lívia Baxová, Cees G. M. Snoek, Mohammadreza Salehi

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文提出一种无需微调的3D场景理解基准，评估基础模型在多视角下的3D推理能力，展示DINO编码器在大视角变化下的竞争力。

Comments NeurIPS 2025 UniReps workshop, to be published in PMLR

ModHiFi: Identifying High Fidelity predictive components for Model Modification

ModHiFi：识别模型修改的高保真预测组件

Dhruva Kashyap, Chaitanya Murti, Pranav K Nayak, Tanay Narshana, Chiranjib Bhattacharyya

机构 * CSA, IISc（计算机科学与工程系，印度理工学院） 纠错

AI总结 ModHiFi通过子集保真度度量，在无梯度和损失函数访问的情况下，实现模型剪枝和去学习的高效修改。

Comments NeurIPS 2025 (Spotlight). Our code is available at https://github.com/DhruvaKashyap/modhifi

Towards Implicit Aggregation: Robust Image Representation for Place Recognition in the Transformer Era

迈向隐式聚合：Transformer时代用于地点识别的鲁棒图像表示

Feng Lu, Tong Jin, Canming Ye, Yunpeng Liu, Xiangyuan Lan, Chun Yuan

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Pengcheng Laboratory（鹏城实验室） ； Shenyang Institute of Automation, Chinese Academy of Sciences（沈阳自动化研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔）） 纠错

AI总结 本文提出通过隐式聚合方法，利用Transformer模型中的可学习标记实现鲁棒的图像表示，提升视觉地点识别的性能。

Comments Accepted by NeurIPS 2025

Transfer Learning for Benign Overfitting in High-Dimensional Linear Regression

迁移学习在高维线性回归中良性过拟合的应用

Yeichan Kim, Ilmun Kim, Seyoung Park

机构 * Yonsei University（延世大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本文提出了一种两步转移MNI方法，通过分析其非渐近性超额风险，揭示了在特定条件下利用异质数据可提升高维线性回归的泛化能力。

Comments 42 pages; Camera-ready version accepted at NeurIPS 2025 (Spotlight)

Dynamics-Aligned Latent Imagination in Contextual World Models for Zero-Shot Generalization

情境世界模型中的动态对齐潜在想象用于零样本泛化

Frank Röder, Jan Benad, Manfred Eppe, Pradeep Kr. Banerjee

机构 * Institute for Data Science Foundations（数据科学基础研究所） 纠错

AI总结 DALI通过动态对齐潜在想象在情境世界模型中实现零样本泛化，通过自监督编码器预测前向动力学，连接感知与控制，提升情境适应能力。

Comments 36 pages, 6 figures, accepted to NeurIPS 2025

Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics

Robot-R1: 通过强化学习提升机器人中的具身推理

Dongyoung Kim, Sumin Park, Huiwon Jang, Jinwoo Shin, Jaehyung Kim, Younggyo Seo

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） ； UC Berkeley（加州大学伯克利分校） ； RLWRLD 纠错

AI总结 Robot-R1通过强化学习提升机器人中的具身推理，优于SFT方法并超越GPT-4o在低级动作控制推理任务中

Comments NeurIPS 2025

RCCDA: Adaptive Model Updates in the Presence of Concept Drift under a Constrained Resource Budget

RCCDA: 在受约束资源预算下应对概念漂移的自适应模型更新

Adam Piaseczny, Md Kamran Chowdhury Shisher, Shiqiang Wang, Christopher G. Brinton

机构 * Purdue University（普渡大学） ； IBM Research（IBM研究院） 纠错

AI总结 RCCDA提出了一种在受约束资源预算下应对概念漂移的自适应模型更新策略，通过优化ML训练动态并保证资源约束，提升推理准确性。

Comments Accepted to NeurIPS 2025

Journal ref https://neurips.cc/virtual/2025/loc/san-diego/poster/120087

V2X-Radar: A Multi-modal Dataset with 4D Radar for Cooperative Perception

V2X-Radar: 一种包含4D雷达的多模态数据集用于协作感知

Lei Yang, Xinyu Zhang, Jun Li, Chen Wang, Jiaqi Ma, Zhiying Song, Tong Zhao, Ziying Song, Li Wang, Mo Zhou, Yang Shen, Kai Wu, Chen Lv

机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动性学院，清华大学） ； Nanyang Technological University（南洋理工大学） ； CUMTB（中国交通车辆技术研究所） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Beijing Jiaotong University（北京交通大学） ； ByteDance（字节跳动） 纠错

AI总结 V2X-Radar是首个包含4D雷达的多模态数据集，用于提升自动驾驶中的协作感知能力。

Comments NeurIPS 2025 Spotlight

Bootstrap Off-policy with World Model

通过世界模型进行Bootstrap离策略学习

Guojian Zhan, Likun Wang, Xiangteng Zhang, Jiaxin Gao, Masayoshi Tomizuka, Shengbo Eben Li

机构 * College of AI & School of Vehicle and Mobility, Tsinghua University（人工智能学院与车辆与移动系统学院，清华大学） ； Berkeley AI Research (BAIR), UC Berkeley（伯克利人工智能研究（BAIR），加州大学伯克利分校） 纠错

AI总结 BOOM通过整合规划与离策略学习，利用世界模型和无参数动作分布提升策略性能，在高维控制任务中实现训练稳定性和最终性能的突破。

Comments NeurIPS 2025

Curvature Tuning: Provable Training-free Model Steering From a Single Parameter

曲率调节：从单个参数出发的可证明无训练模型操控方法

Leyang Hu, Matteo Gamba, Randall Balestriero

机构 * Brown University（布朗大学） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 曲率调节通过单个超参数调节模型决策边界，提升模型泛化与鲁棒性。

Comments Accepted at NeurIPS 2025

VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation

VQ-Seg: 基于向量量化令牌扰动的半监督医学图像分割

Sicheng Yang, Zhaohu Xing, Lei Zhu

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

AI总结 VQ-Seg通过向量量化和量化扰动模块提升半监督医学图像分割性能，有效解决传统dropout正则化问题。

Comments Accepted by NeurIPS 2025

Unlabeled Data Can Provably Enhance In-Context Learning of Transformers

未标记数据可以证明性地增强Transformer的上下文学习

Renpu Liu, Jing Yang

机构 * University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出了一种增强ICL框架，通过结合标记和未标记数据，利用CoT提示使Transformer模拟EM算法，从而证明性地提升ICL性能。

Comments Published as a conference paper at NeurIPS 2025

A Sustainable AI Economy Needs Data Deals That Work for Generators

可持续的人工智能经济需要能够为生成者服务的数据协议

Ruoxi Jia, Luis Oala, Wenjie Xiong, Suqin Ge, Jiachen T. Wang, Feiyang Kang, Dawn Song

AI总结 本文提出公平的数据价值交换框架，旨在解决机器学习价值链条中数据生成者的经济不平等问题。

Comments Published at NeurIPS 2025 (https://neurips.cc/virtual/2025/loc/san-diego/poster/121926)

Are Language Models Efficient Reasoners? A Perspective from Logic Programming

语言模型是高效的推理者吗？从逻辑编程的角度看

Andreas Opedal, Yanick Zengaffinen, Haruki Shirakami, Clemente Pasti, Mrinmaya Sachan, Abulhair Saparov, Ryan Cotterell, Bernhard Schölkopf

机构 * ETH Zürich（苏黎世联邦理工学院） ； MPI for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所） ； EPFL（苏黎世联邦理工学院） ； Idiap Research Institute（Idiap研究机构） ； Purdue University（普渡大学） 纠错

AI总结 本文从逻辑编程角度评估语言模型的推理效率，发现其在存在无关信息时推理能力下降，生成证明常包含不必要的推理步骤。

Comments NeurIPS 2025