TRoVe: Discovering Error-Inducing Static Feature Biases in Temporal Vision-Language Models
TRoVe: 发现时间视觉-语言模型中的错误引发静态特征偏差
机构 * Stanford University（斯坦福大学） ； HOPPR
AI总结 TRoVe通过识别时间视觉-语言模型中的错误引发静态特征偏差，提升模型在下游任务中的表现。
Comments NeurIPS 2025
期刊&会议
NeurIPS
Conference on Neural Information Processing Systems · 会议 · Machine Learning
Memory-Integrated Reconfigurable Adapters: A Unified Framework for Settings with Multiple Tasks
集成记忆的可重构适配器：一种统一框架，适用于多任务设置
机构 * IIT Hyderabad（印度海得拉尔理工学院） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； Microsoft Research, India（微软印度研究院）
AI总结 MIRA通过整合联想记忆与适配器调节，实现多任务设置中的快速任务切换和持久知识保留。
Comments NeurIPS 2025; 31 pages, 2 figures
Thompson Sampling for Multi-Objective Linear Contextual Bandit
多目标线性上下文老虎机中的汤普森采样
机构 * Seoul National University（首尔国立大学）
AI总结 本文提出MOL-TS算法，首次在多目标线性上下文老虎机问题中实现帕累托遗憾保证，通过有效帕累托前沿提升多目标优化性能。
Comments NeurIPS 2025
Uncertainty Quantification for Deep Regression using Contextualised Normalizing Flows
基于上下文化规范化流的深度回归不确定性量化
机构 * Arquimea Research Center（阿奎米亚研究中心） ； Department of Computer Science, University of York（约克大学计算机科学系） ； Department of Elect. Eng., and Computer Science and Eng., Cyprus University of Technology（塞浦路斯技术大学电子工程与计算机科学系）
AI总结 本文提出MCNF方法，通过上下文化规范化流实现深度回归模型的不确定性量化，生成预测区间和完整条件分布，无需重新训练模型，提升高风险领域的决策可靠性。
Journal ref Neural Information Processing Systems (NeurIPS) 2025
Seeing the Wind from a Falling Leaf
从飘落的树叶中看到风
机构 * University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文提出一种端到端可微逆图形框架，通过视频恢复不可见的物理力，应用于风场估计和基于物理的视频生成与编辑。
Comments Accepted at NeurIPS 2025
On the Regulatory Potential of User Interfaces for AI Agent Governance
关于用户界面在AI代理治理中的调节潜力
机构 * University of Washington（华盛顿大学） ； KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出通过调节AI代理的用户界面来增强透明性和行为规范，从而在系统和基础设施层面实现治理。
Comments RegML workshop at NeurIPS 2025 (oral)
Sycophancy Claims about Language Models: The Missing Human-in-the-Loop
语言模型中的趋炎附势主张：缺失的人工智能循环
机构 * Weizenbaum Institute（韦岑鲍姆研究所） ； Technical University Berlin（柏林技术大学） ； Technical University Munich（慕尼黑技术大学）
AI总结 本文探讨了大型语言模型中趋炎附势现象的测量挑战，提出五个核心操作化定义，并指出当前研究缺乏对人类感知的评估，为未来研究提供建议。
Comments NeurIPS 2025 Workshop on LLM Evaluation and ICLR 2025 Workshop on Bi-Directional Human-AI Alignment
A Graph Neural Network Approach for Localized and High-Resolution Temperature Forecasting
一种用于局部化和高分辨率温度预报的图神经网络方法
机构 * Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Western University（西部大学）
AI总结 本文提出一种图神经网络方法，用于局部化和高分辨率温度预报，通过空间学习和高效计算实现高精度预测，适用于数据丰富的地区，并为数据有限地区提供公平预报的可能。
Comments 6 pages, 2 figures. Accepted to the NeurIPS 2025 Tackling Climate Change with Machine Learning Workshop
Whose Personae? Synthetic Persona Experiments in LLM Research and Pathways to Transparency
谁的人设？LLM研究中的人设实验及透明化路径
AI总结 本文探讨了LLM研究中合成人设实验的代表性与生态效度问题，提出透明化检查表以提升评估的严谨性和实证性。
Comments Published at AAAI/ACM AIES 2025. Presented at NeurIPS 2025 Workshop Evaluating the Evolving LLM Lifecycle: Benchmarks, Emergent Abilities, and Scaling
Journal ref Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(1), 2025, 343-354
Solving Neural Min-Max Games: The Role of Architecture, Initialization & Dynamics
解决神经最小-最大游戏：架构、初始化与动态的作用
机构 * Department of Computer Science University of Wisconsin-Madison（计算机科学系 威斯康星大学麦迪逊分校）
AI总结 本文提出了一种理论框架，通过隐藏的凸性和过参数化解释神经最小-最大游戏中的全局收敛性，并首次为两层神经网络游戏提供了保证。
Comments Camera-ready for NeurIPS 2025 (including updated section on neural network initialization for experiments in Appendix C)
DeepPersona: A Generative Engine for Scaling Deep Synthetic Personas
DeepPersona: 一个用于扩展深度合成人设的生成引擎
机构 * UCSD（加州大学圣地亚哥分校） ； KU Leuven（鲁汶大学） ； SJTU（上海交通大学） ； University of Michigan（密歇根大学） ； Denison University（德尼森大学） ； Amazon（亚马逊） ； Meta
AI总结 DeepPersona通过双阶段分类学引导方法生成深度合成人设，提升LLM个性化和人类模拟的准确性与多样性。
Comments add an author[Update], 12 pages, 5 figures, accepted at LAW 2025 Workshop (NeurIPS 2025) Project page: https://deeppersona-ai.github.io/
Journal ref LAW 2025 Workshop, NeurIPS 2025
Monitor-Generate-Verify (MGV): Formalising Metacognitive Theory for Language Model Reasoning
Monitor-Generate-Verify (MGV): 形式化语言模型推理的元认知理论
机构 * socius labs ； Centre for Philosophy of Natural and Social Science (CPNSS)（哲学自然与社会科学中心） ； London School of Economics（伦敦经济学院）
AI总结 MGV框架通过引入监控机制，弥补生成-验证范式中监控过程的缺失，以提升语言模型推理的准确性和鲁棒性。
Comments Presented at the Workshop on the Foundations of Reasoning in Language Models at NeurIPS 2025 (non-archival)
3EED: Ground Everything Everywhere in 3D
3EED: 在三维中万物皆 grounded
机构 * WorldBench Team（WorldBench团队）
AI总结 3EED提出一个大规模多平台多模态三维 grounding 基准测试，通过提供丰富的户外场景数据和跨平台学习技术，推动语言驱动的三维具身感知研究。
Comments NeurIPS 2025 DB Track; 38 pages, 17 figures, 10 tables; Project Page at https://project-3eed.github.io/
DynaStride: Dynamic Stride Windowing with MMCoT for Instructional Multi-Scene Captioning
DynaStride: 基于MMCoT的动态步长窗多场景描述生成
机构 * Algoverse AI Research（Algoverse人工智能研究）
AI总结 DynaStride通过多模态链式思考和动态步长窗算法，实现无需手动分割的多场景教学视频连贯描述生成，提升描述的连贯性和信息量。
Comments 16 pages, 15 figures, 5 Tables, Accepted at NeurIPS 7HVU Workshop, Accepted at AAAI AI4ED Workshop
Automaton Constrained Q-Learning
自动机约束的Q学习
机构 * Department of Computer Science（计算机科学系） ； Purdue University（普渡大学）
AI总结 ACQL通过结合目标条件的值学习与自动机引导的强化学习，解决了在连续控制任务中同时满足时间有序目标和安全约束的问题。
Comments 10 main content pages, 4 main content figures, 11 appendix pages, 5 appendix figures, camera ready version submitted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning
TRiCo：三元博弈协同训练用于鲁棒半监督学习
机构 * University of Warwick（沃里克大学） ； Emory University（埃默里大学） ； University of Minnesota – Twin Cities（明尼苏达大学双城分校） ； ANU（澳大利亚国立大学） ； Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； UCSD（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学）
AI总结 TRiCo通过三元博弈协同训练框架提升半监督学习的鲁棒性和性能，实现更稳健的伪标签选择和决策边界优化。
Comments Accepted by NeurIPS 2025
Interpreting ResNet-based CLIP via Neuron-Attention Decomposition
通过神经-注意力分解解释基于ResNet的CLIP
机构 * UC San Diego（圣迭戈大学） ； UC Berkeley（伯克利大学）
AI总结 通过神经-注意力分解解释CLIP-ResNet中的神经元，实现无训练语义分割和分布偏移监控
Comments Accepted at NeurIPS 2025 Workshop on Mechanistic Interpretability. Project page: https://edmundbu.github.io/clip-neur-attn/
The Anatomy of Alignment: Decomposing Preference Optimization by Steering Sparse Features
对齐的解剖：通过引导稀疏特征分解偏好优化
机构 * University of Groningen（格罗宁根大学） ； AI Safety Initiative Groningen（格罗宁根人工智能安全倡议） ； Apart Research（Apart研究）
AI总结 本文提出FSRL框架，通过引导稀疏特征来实现透明的偏好优化，揭示模型在风格化呈现上的偏倚，提供可解释的对齐控制方法。
Comments Spotlight at NeurIPS 2025 Mechanistic Interpretability Workshop
Exploring Variational Graph Autoencoders for Distribution Grid Data Generation
探索变分图自编码器用于配电网数据生成
机构 * Technical University of Munich（慕尼黑技术大学）
AI总结 本文探讨了变分图自编码器在配电网数据生成中的应用，发现基于GCN的方法在ENGAGE数据集上表现良好，但在DINGO数据集上存在生成问题，强调了需要更先进的生成模型。
Comments 12 pages, 7 figures. Accepted at NeurIPS 2025
Checklists Are Better Than Reward Models For Aligning Language Models
检查表比奖励模型更能对齐语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出基于检查表反馈的强化学习方法，通过灵活的指令特定准则提升语言模型的指令遵循能力，在多个基准测试中均取得性能提升。
Comments Presented at NeurIPS 2025
AI Should Sense Better, Not Just Scale Bigger: Adaptive Sensing as a Paradigm Shift
AI应更善于感知，而非仅仅更大：适应性感知作为范式转变
机构 * SNU（首尔国立大学）
AI总结 本文提出适应性感知作为AI范式转变，通过动态调节传感器参数以提升效率和公平性，推动可持续且稳健的人工智能发展。
Comments Published in NeurIPS 2025 (Position Paper Track)
CORAL: Disentangling Latent Representations in Long-Tailed Diffusion
CORAL: 解构长尾扩散模型中的潜在表示
机构 * Arizona State University（亚利桑那州立大学）
AI总结 CORAL通过对比学习对齐潜在表示，解决长尾分布下扩散模型生成尾类样本多样性与质量低的问题。
Comments Accepted at NeurIPS 2025
4DGT: Learning a 4D Gaussian Transformer Using Real-World Monocular Videos
4DGT: 基于4D高斯变换器的学习用于动态场景重建
AI总结 4DGT通过基于4D高斯的变换器模型，在真实世界单目视频上实现高效动态场景重建，显著提升重建速度并优于现有方法。
Comments NeurIPS 2025 (Spotlight); Project Page: https://4dgt.github.io
Deep RL Needs Deep Behavior Analysis: Exploring Implicit Planning by Model-Free Agents in Open-Ended Environments
深度强化学习需要深度行为分析：通过无模型智能体在开放性环境中探索隐式规划
机构 * Department of Neurobiology, Harvard Medical School（哈佛医学院神经生物学系） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院） ； Department of Mathematics, NTNU（NTNU数学系） ； School of Computer Science, McGill University & Mila（麦吉尔大学计算机科学学院及Mila） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Biophysics Graduate Program, Harvard University（哈佛大学生物物理学研究生项目）
AI总结 本文通过ForageWorld环境研究DRL智能体的行为，发现无模型智能体可通过涌现动态展现规划行为，提出通用分析框架用于研究复杂智能体的学习动态。
Comments Published at NeurIPS 2025
Multiscale guidance of protein structure prediction with heterogeneous cryo-EM data
多尺度指导基于异质冷冻电镜数据的蛋白质结构预测
机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学）
AI总结 CryoBoltz通过结合冷冻电镜密度图与蛋白质结构预测模型，实现对动态生物分子复合物构象多样性的多尺度指导预测。
Comments NeurIPS 2025
T-SHIRT: Token-Selective Hierarchical Data Selection for Instruction Tuning
T-SHIRT: 令牌选择性层次数据选择用于指令微调
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 T-SHIRT通过令牌选择性层次数据选择方法提升指令微调效率，使小规模数据集训练效果优于大规模数据集。
Comments NeurIPS 2025
SPIRAL: Semantic-Aware Progressive LiDAR Scene Generation and Understanding
SPIRAL: 基于语义的渐进式LiDAR场景生成与理解
机构 * Technical University of Munich（慕尼黑技术大学） ； Fudan University（复旦大学） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 Spiral提出了一种基于范围视图的LiDAR扩散模型，能够同时生成深度、反射图像和语义地图，实现高效的3D场景生成与理解。
Comments NeurIPS 2025; 24 pages, 10 figures, 9 tables; Code at https://github.com/worldbench/SPIRAL
In Search of Adam's Secret Sauce
寻找亚当的神秘配方
机构 * ELLIS Institute Tübingen（图宾根埃利斯研究所） ； MPI-IS Tübingen（图宾根马克斯·普朗克研究所） ； AI Center, Germany（德国人工智能中心） ； CCM, Flatiron Institute, Simons Foundation（CCM，Flatiron研究所，Simons基金会） ； New York, US（美国纽约）
AI总结 本研究发现，将亚当的动量参数设为相等可保持性能，同时提供新的理论见解和统计解释。
Comments Accepted at NeurIPS 2025
Preconditioned Langevin Dynamics with Score-Based Generative Models for Infinite-Dimensional Linear Bayesian Inverse Problems
预条件兰格朗日动力学与基于分数的生成模型用于无限维线性贝叶斯反问题
机构 * University of Basel（巴塞尔大学） ； Ecole Polytechnique, IP Paris（巴黎高等理工学院） ； University of California Irvine（加州大学尔湾分校） ； Rice University（里奇大学）
AI总结 本文提出利用基于分数的生成模型驱动的预条件兰格朗日动力学，解决无限维线性贝叶斯反问题，推导误差估计并保证全局收敛性。
Comments NeurIPS 2025 (Spotlight)
Do different prompting methods yield a common task representation in language models?
不同的提示方法是否会在语言模型中产生共同的任务表示？
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； New York University（纽约大学） ； Princeton University（普林斯顿大学）
AI总结 研究通过函数向量分析不同提示方法对语言模型任务表示的影响，发现不同提示形式导致不同的任务机制，支持结合指令和演示的实践。
Comments 10 pages, 4 figures; presented at NeurIPS 2025
