NeurIPS

Learning Generalizable Shape Completion with SIM(3) Equivariance

基于SIM(3)等变性的通用形状补全学习

Yuqing Wang, Zhaiyu Chen, Xiao Xiang Zhu

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文提出首个基于SIM(3)等变性的形状补全网络，通过模块化层实现特征标准化、几何推断和坐标恢复，在去偏评估协议下优于基线方法，同时在多个领域取得显著提升。

Comments NeurIPS 2025

RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis

RAD：迈向可信的检索增强多模态临床诊断

Haolin Li, Tianjie Dai, Zhe Chen, Siyuan Du, Jiangchao Yao, Ya Zhang, Yanfeng Wang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Shanghai AI Laboratory（上海人工智能实验室） ； CMIC, Shanghai Jiao Tong University（上海交通大学计算机学院） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Institute of Artificial Intelligence for Medicine, Shanghai Jiao Tong University（上海交通大学医学人工智能研究所） 纠错

AI总结 RAD通过检索增强多模态模型，提升临床诊断的可信度与准确性，实现任务特定知识的显式注入。

Comments Accepted to NeurIPS 2025

Can LLMs Reason Over Non-Text Modalities in a Training-Free Manner? A Case Study with In-Context Representation Learning

LLMs能否在无训练模式下推理非文本模态？一种基于上下文表示学习的案例研究

Tianle Zhang, Wanlong Fang, Jonathan Woo, Paridhi Latawa, Deepak A. Subramanian, Alvin Chan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； AI-X, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学人工智能交叉研究生项目） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学医学人工智能中心） ； University of Toronto（多伦多大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ICRL框架，使LLMs在无训练情况下利用非文本模态表示，通过少量学习实现多模态推理，为适应性泛化提供新方向。

Comments NeurIPS 2025

Dynamic Regret Reduces to Kernelized Static Regret

动态遗憾减少到核化静态遗憾

Andrew Jacobsen, Alessandro Rudi, Francesco Orabona, Nicolo Cesa-Bianchi

机构 * Università degli Studi di Milano Politecnico di Milano（米兰大学） ； Bocconi University（博科尼大学） ； King Abdullah University of Science and Technology (KAUST)（卡斯泰洛-阿卜杜勒-阿齐兹大学） 纠错

AI总结 本文提出将动态遗憾问题转化为核化静态遗憾问题，通过构造再生核希尔伯特空间实现最优动态遗憾保证，并适用于任意损失序列。

Comments 38 pages, 2 figures; v2: NeurIPS 2025 camera-ready

Leveraging Depth and Language for Open-Vocabulary Domain-Generalized Semantic Segmentation

利用深度和语言实现开放词汇域通用语义分割

Siyu Chen, Ting Han, Chengzheng Fu, Changshe Zhang, Chaolei Wang, Jinhe Su, Guorong Cai, Meiliu Wu

机构 * Jimei University（集美大学） ； University of Glasgow（格拉斯哥大学） ； Sun Yat-sen University（中山大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Xidian University（西安电子科技大学） 纠错

AI总结 Vireo通过结合深度和语言信息，实现开放词汇域通用语义分割，提升跨领域和开放词汇的语义分割性能。

Comments Accepted by NeurIPS 2025

Teaching Language Models to Evolve with Users: Dynamic Profile Modeling for Personalized Alignment

教导语言模型与用户共同进化：面向个性化对齐的动态资料模型

Weixiang Zhao, Xingyu Sui, Yulin Hu, Jiahe Guo, Haixiao Liu, Biye Li, Yanyan Zhao, Bing Qin, Ting Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 本研究提出RLPA框架，通过动态资料推断提升个性化对话性能，Qwen-RLPA在多个基准测试中超越现有方法。

Comments NeurIPS 2025 Camera-ready

When Less Language is More: Language-Reasoning Disentanglement Makes LLMs Better Multilingual Reasoners

当语言更少时更有效：语言推理解耦使LLM成为更好的多语言推理者

Weixiang Zhao, Jiahe Guo, Yang Deng, Tongtong Wu, Wenxuan Zhang, Yulin Hu, Xingyu Sui, Yanyan Zhao, Wanxiang Che, Bing Qin, Tat-Seng Chua, Ting Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Singapore Management University（新加坡管理学院） ； Monash University（墨尔本大学） ； Singapore University of Technology and Design（新加坡科技设计大学） ； National University of Singapore（国立新加坡大学） 纠错

AI总结 通过解耦语言和推理能力，使LLM在多语言推理中表现更优，无需额外训练开销。

Comments NeurIPS 2025 Camera-ready

Learning (Approximately) Equivariant Networks via Constrained Optimization

通过约束优化学习（近似）等变网络

Andrei Manolache, Luiz F. O. Chamon, Mathias Niepert

机构 * Computer Science Department, University of Stuttgart（斯图加特大学计算机科学系） ； International Max Planck Research School for Intelligent Systems（国际马克斯·普朗克智能系统研究学校） ； Department of Applied Mathematics, École Polytechnique de Paris（巴黎高等理工学院应用数学系） 纠错

AI总结 本文提出自适应约束等变方法，通过逐步增强模型的等变性，提升性能、样本效率和鲁棒性。

Comments NeurIPS 2025 Oral Camera-Ready

GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation

基于图的检索增强生成模型：图基础模型

Linhao Luo, Zicheng Zhao, Gholamreza Haffari, Dinh Phung, Chen Gong, Shirui Pan

机构 * Monash University（墨尔本大学） ； Nanjing University of Science and Technology（南京理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 GFM-RAG是一种基于图的检索增强生成模型，通过创新的图神经网络捕捉复杂查询-知识关系，实现了在未见数据集上的高效性能和泛化能力。

Comments Accepted by NeurIPS 2025

Vision-centric Token Compression in Large Language Model

以视觉为中心的标记压缩在大语言模型中

Ling Xing, Alex Jinpeng Wang, Rui Yan, Xiangbo Shu, Jinhui Tang

机构 * Nanjing University of Science and Technology（南京理工大学） ； Central South University（中南大学） ； Nanjing Forestry University（南京林业大学） 纠错

AI总结 Vist通过视觉与语言结合的压缩方法，在减少标记数量的同时保持模型准确性，提升了大语言模型的效率。

Comments NeurIPS 2025 spotlight

Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning

通过低困惑度标记学习缓解大语言模型微调中的遗忘问题

Chao-Chung Wu, Zhi Rui Tam, Chieh-Yen Lin, Yun-Nung Chen, Shao-Hua Sun, Hung-yi Lee

机构 * Appier AI Research（Appier AI研究院） ； National Taiwan University（国立台湾大学） 纠错

AI总结 本文通过降低标记困惑度来缓解大语言模型微调后的遗忘问题，发现使用LLM生成数据可提升目标任务性能并减少非目标任务退化。

Comments The Thirty-ninth Annual Conference on Neural Information Processing Systems

When Worse is Better: Navigating the compression-generation tradeoff in visual tokenization

当更差的是更好的：在视觉分块化中的压缩-生成权衡导航

Vivek Ramanujan, Kushal Tirumala, Armen Aghajanyan, Luke Zettlemoyer, Ali Farhadi

机构 * University of Washington（华盛顿大学） ； Meta FAIR 纠错

AI总结 本文提出CRT方法，通过正则化潜在空间提升生成性能，实现更高效的图像生成模型。

Comments Spotlight at NeurIPS 2025

Reparameterized LLM Training via Orthogonal Equivalence Transformation

通过正交等价变换重新参数化LLM训练

Zeju Qiu, Simon Buchholz, Tim Z. Xiao, Maximilian Dax, Bernhard Schölkopf, Weiyang Liu

机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 POET通过正交等价变换重新参数化神经元，提升LLM训练的稳定性与泛化能力，并验证了其在大规模神经网络训练中的有效性。

Comments NeurIPS 2025 (40 pages, 26 figures, project page: https://spherelab.ai/poet/, v4: added experiments of finetuning and larger-scale pretraining)

Improved Regret Bounds for Gaussian Process Upper Confidence Bound in Bayesian Optimization

改进的高斯过程上置信界在贝叶斯优化中的 regrets 上限

Shogo Iwazaki

机构 * LY Corporation（LY公司） 纠错

AI总结 本文改进了高斯过程上置信界在贝叶斯优化中的 regrets 上限，通过分析 Matérn 核和平方指数核下的性能，填补了现有界限与 Scarlett (2018) 界限之间的空白。

Comments 36 pages, NeurIPS 2025

Gaussian Process Upper Confidence Bound Achieves Nearly-Optimal Regret in Noise-Free Gaussian Process Bandits

高斯过程上置信界在无噪声高斯过程老虎机中实现近最优懊悔

Shogo Iwazaki

机构 * LY Corporation（LY公司） 纠错

AI总结 本文提出高斯过程上置信界在无噪声高斯过程老虎机中实现近最优懊悔，展示了平方指数核和Matérn核下的常数累积懊悔。

Comments 17 pages, NeurIPS 2025

FALCON: Few-step Accurate Likelihoods for Continuous Flows

FALCON: 连续流中少步准确的似然性

Danyal Rehman, Tara Akhound-Sadegh, Artem Gazizov, Yoshua Bengio, Alexander Tong

机构 * Mila – Quebec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； AITHYRA ； McGill University（麦吉尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 FALCON通过混合训练目标提升连续流的似然精度，实现高效分子采样，比现有模型快两个数量级。

Comments Preprint; NeurIPS 2025 MLSB

Contextual Dynamic Pricing with Heterogeneous Buyers

具有异质买家的上下文动态定价

Thodoris Lykouris, Sloan Nietert, Princewill Okoroafor, Chara Podimata, Julian Zimmert

机构 * MIT（麻省理工学院） ； EPFL（瑞士联邦理工学院） ； Harvard（哈佛大学） ； Google（谷歌） 纠错

AI总结 本文提出了一种针对异质买家的上下文动态定价算法，通过乐观后验抽样实现低遗憾，同时改进非上下文定价情况下的方差感知放大算法。

Comments Appeared at NeurIPS 2025

Estimation of Stochastic Optimal Transport Maps

随机最优运输映射的估计

Sloan Nietert, Ziv Goldfeld

机构 * EPFL（瑞士联邦理工学院） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出了一种新的度量来评估随机映射的运输质量，并开发了具有接近最优有限样本风险界的高效映射估计器，适用于现实世界中可能需要随机最优运输的广泛应用场景。

Comments Appeared at NeurIPS 2025

Procurement Auctions with Predictions: Improved Frugality for Facility Location

带有预测的采购拍卖：改进的设施选址frugality

Eric Balkanski, Nicholas DeFilippis, Vasilis Gkatzelis, Xizhi Tan

AI总结 本文提出了一种改进的设施选址拍卖机制，通过引入预测增强框架，提高了frugality比率并增强了鲁棒性。

Comments In proceeding at NeurIPS 2025

WOLF: Werewolf-based Observations for LLM Deception and Falsehoods

基于狼人游戏的LLM欺骗与虚假信息观测

Mrinal Agarwal, Saad Rana, Theo Sundoro, Hermela Berhe, Spencer Kim, Vasu Sharma, Sean O'Brien, Kevin Zhu

机构 * Algoverse AI Research（Algoverse AI研究院） 纠错

AI总结 WOLF通过狼人游戏构建多智能体社交推理基准，评估LLM在欺骗生成与检测中的能力，展示动态交互提升欺骗识别性能。

Comments Spotlight Multi-Turn Interactions in Large Language Models (MTI-LLM) Workshop at NeurIPS 2025

Stronger is not better: Better Augmentations in Contrastive Learning for Medical Image Segmentation

更强并非更好：对比学习中用于医学图像分割的改进增强

Azeez Idris, Abdurahman Ali Mohammed, Samuel Fanijo

机构 * Department of Computer Science（计算机科学系） 纠错

AI总结 本文研究了医学图像分割中对比学习的增强方法，发现强数据增强不一定提升性能，并提出了改进的增强技术以提高分割效果。

Comments NeurIPS Black in AI workshop - 2022

LLMscape

LLMscape：探索人类与AI在不确定性条件下构建意义的相似性

Gottfried Haider, Jie Zhang

机构 * NYU Shanghai（纽约大学上海校区） ； NYU Shanghai Center for Data Science（纽约大学上海数据科学中心） ； Design Innovation Insitute（设计创新研究所） ； Shanghai Tongji University College of Design and Innovation（上海同济大学设计创新学院） 纠错

AI总结 LLMscape通过互动装置探讨人类与AI在不确定性条件下构建意义的相似性，展示AI作为共同见证者的角色

Comments Accepted to NeurIPS 2025, Creative AI Track (updated to include poster, video)

Smaller Models, Smarter Rewards: A Two-Sided Approach to Process and Outcome Rewards

更小的模型，更聪明的奖励：一种双面方法来处理和结果奖励

Jan Niklas Groeneveld, Xi Qin, Alexander Schaefer, Yaad Oren

机构 * University of California, Irvine（加州大学尔湾分校） ； SAP Lab（SAP实验室） ； Stanford Human-Centered AI Institution（斯坦福人本AI机构） 纠错

AI总结 本文提出了一种双面方法，利用小型语言模型生成高质量代码，通过融合过程和结果奖励，提升了代码生成的搜索能力。

Comments Accepted and presented at NeurIPS 2025 Workshop: Foundations of Reasoning in Language Models

The emergence of sparse attention: impact of data distribution and benefits of repetition

稀疏注意力的出现：数据分布的影响与重复性的益处

Nicolas Zucchet, Francesco d'Angelo, Andrew K. Lampinen, Stephanie C. Y. Chan

机构 * ETH Zürich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文研究了稀疏注意力在训练过程中的涌现机制，揭示其与任务结构、架构和优化器选择的关系，并发现重复能加速这一过程。

Comments NeurIPS 2025

Sinusoidal Initialization, Time for a New Start

正弦初始化，新的开始

Alberto Fernández-Hernández, Jose I. Mestre, Manuel F. Dolz, Jose Duato, Enrique S. Quintana-Ortí

机构 * OpenChip（OpenChip公司） 纠错

AI总结 本文提出正弦初始化方法，通过结构化权重矩阵提升深度学习模型的收敛速度、稳定性及准确率。

Journal ref NeurIPS (2025)

Constrained Discrete Diffusion

受约束的离散扩散

Michael Cardei, Jacob K Christopher, Thomas Hartvigsen, Bhavya Kailkhura, Ferdinando Fioretto

机构 * University of Virginia（弗吉尼亚大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） 纠错

AI总结 受约束的离散扩散通过在扩散过程中直接施加约束，实现无训练的可控生成，优于现有方法。

Comments Published at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Aligning Text to Image in Diffusion Models is Easier Than You Think

在扩散模型中将文本对齐到图像比你想象的更容易

Jaa-Yeon Lee, Byunghee Cha, Jeongsol Kim, Jong Chul Ye

机构 * Kim Jaechul Graduate School of AI, KAIST（金佳哲人工智能研究生院，韩国科学技术院） ； Department of Bio and Brain Engineering, KAIST（生物与脑工程系，韩国科学技术院） 纠错

AI总结 本文提出SoftREPA方法，通过对比学习提升文本与图像表示的对齐效果，减少计算开销，增强语义一致性。

Comments NeurIPS 2025

Finite-Sample Analysis of Policy Evaluation for Robust Average Reward Reinforcement Learning

有限样本分析鲁棒平均奖励强化学习中的策略评估

Yang Xu, Washim Uddin Mondal, Vaneet Aggarwal

机构 * Purdue University（普渡大学） ； Indian Institute of Technology Kanpur（印度理工学院坎普尔） 纠错

AI总结 本文提出了一种基于多级蒙特卡洛技术的鲁棒策略评估方法，实现了最优样本复杂度，解决了鲁棒平均奖励强化学习中的样本复杂度问题。

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

Low-Dimensional Structure in the Space of Language Representations is Reflected in Brain Responses

语言表示空间中的低维结构反映在脑响应中

Richard Antonello, Javier Turek, Vy Vo, Alexander Huth

机构 * UT Austin（德克萨斯大学） ； Intel Labs（英特尔实验室） 纠错

AI总结 研究揭示语言表示空间的低维结构，并通过fMRI验证其与大脑自然语言处理层次的关系。

Comments Accepted to the Advances in Neural Information Processing Systems 34 (2021) Revised to include voxel selection details

Demo: Generative AI helps Radiotherapy Planning with User Preference

演示：生成式AI助力放疗计划制定与用户偏好

Riqiang Gao, Simon Arberet, Martin Kraus, Han Liu, Wilko FAR Verbakel, Dorin Comaniciu, Florin-Cristian Ghesu, Ali Kamen

机构 * Digital Technology and Innovation, Siemens Healthineers（西门子医疗数字化技术与创新部） ； Varian Medical Systems, Siemens Healthineers（Varian医疗系统，西门子医疗） 纠错

AI总结 生成式AI通过用户自定义偏好提升放疗计划的灵活性与个性化，优于现有方法在适应性和计划质量上

Comments Best paper in GenAI4Health at NeurIPS 2025