NeurIPS

DINO-Foresight: Looking into the Future with DINO

DINO-Foresight: 用DINO展望未来

Efstathios Karypidis, Ioannis Kakogeorgiou, Spyros Gidaris, Nikos Komodakis

机构 * Archimedes, Athena Research Center（阿基米德研究所，雅典研究学院） ； National Technical University of Athens（雅典国立技术大学） ； University of Crete（克里特大学） ； IACM-Forth（福伊恩研究所） 纠错

AI总结 DINO-Foresight通过在预训练视觉基础模型的语义特征空间中训练，实现了对未来动态的预测，提升了自动驾驶和机器人领域的环境理解能力。

Comments NeurIPS 2025

VaMP: Variational Multi-Modal Prompt Learning for Vision-Language Models

VaMP：用于视觉-语言模型的变分多模态提示学习

Silin Cheng, Kai Han

机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室） 纠错

AI总结 VaMP提出了一种变分多模态提示学习框架，通过实例条件提示和不确定性建模提升视觉-语言模型在少样本和领域泛化任务中的性能。

Comments Accepted to NeurIPS 2025

Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning

流密度控制：超越熵正则化微调的生成优化

Riccardo De Santi, Marin Vlastelica, Ya-Ping Hsieh, Zebang Shen, Niao He, Andreas Krause

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世人工智能中心） 纠错

AI总结 流密度控制通过简化复杂优化问题，实现超越熵正则化微调的生成模型优化，适用于分子设计和图像生成等任务。

Comments NeurIPS 2025

Diff-ICMH: Harmonizing Machine and Human Vision in Image Compression with Generative Prior

Diff-ICMH: 在图像压缩中融合机器与人类视觉

Ruoyu Feng, Yunpeng Qi, Jinming Liu, Yixin Gao, Xin Li, Xin Jin, Zhibo Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Eastern Institute of Technology, Ningbo（宁波工程技术院） 纠错

AI总结 Diff-ICMH通过融合机器与人类视觉，提出了一种生成图像压缩框架，利用生成先验和语义一致性损失提升压缩质量，同时支持多种智能任务。

Comments Accepted by NeurIPS 2025

Fin3R: Fine-tuning Feed-forward 3D Reconstruction Models via Monocular Knowledge Distillation

Fin3R：通过单目知识蒸馏细调馈送式3D重建模型

Weining Ren, Hongjun Wang, Xiao Tan, Kai Han

机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室） ； Department of Computer Vision Technology (VIS), Baidu Inc.（百度公司计算机视觉技术部） 纠错

AI总结 Fin3R通过单目知识蒸馏细调馈送式3D重建模型，提升几何精度和鲁棒性，仅增加微小权重。

Comments NeurIPS 2025

FLUX: Efficient Descriptor-Driven Clustered Federated Learning under Arbitrary Distribution Shifts

FLUX：在任意分布偏移下的高效描述符驱动聚类联邦学习

Dario Fenoglio, Mohan Li, Pietro Barbiero, Nicholas D. Lane, Marc Langheinrich, Martin Gjoreski

机构 * Università della Svizzera italiana（瑞士联合大学） ； IBM Research Zurich（IBM Zurich研究部） ； University of Cambridge（剑桥大学） 纠错

AI总结 FLUX通过描述符驱动的聚类方法，在任意分布偏移下提升联邦学习的性能和稳定性，实现23个百分点的准确率提升。

Comments [v1] Pre-print of the paper accepted to NeurIPS 2025 (57 pages)

A Variational Manifold Embedding Framework for Nonlinear Dimensionality Reduction

一种变分流形嵌入框架用于非线性降维

John J. Vastola, Samuel J. Gershman, Kanaka Rajan

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出了一种变分流形嵌入框架，用于解决非线性降维问题，通过引入偏微分方程和对称性分析，提升了降维方法的灵活性和可解释性。

Comments Accepted to the NeurIPS 2025 Workshop on Symmetry and Geometry in Neural Representations (NeurReps)

Cue3D: Quantifying the Role of Image Cues in Single-Image 3D Generation

Cue3D: 量化图像提示在单图像3D生成中的作用

Xiang Li, Zirui Wang, Zixuan Huang, James M. Rehg

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 Cue3D通过量化图像提示在单图像3D生成中的作用，揭示了形状意义和几何提示的重要性，为开发更稳健的3D生成模型提供指导。

Comments NeurIPS 2025 Highlight; Project page:https://ryanxli.github.io/cue3d/index.html

A Fast and Flat Federated Learning Method via Weighted Momentum and Sharpness-Aware Minimization

一种通过加权动量和尖锐意识最小化实现快速且平坦的联邦学习方法

Tianle Li, Yongzhi Huang, Linshan Jiang, Chang Liu, Qipeng Xie, Wenfeng Du, Lu Wang, Kaishun Wu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Shenzhen University（深圳大学） 纠错

AI总结 FedWMSAM通过加权动量和尖锐意识最小化解决非IID联邦学习中的局部-全局曲率不一致和动量-回声振荡问题，提升模型收敛速度和泛化能力。

Journal ref Advances in Neural Information Processing Systems (NeurIPS 2025)

Predicting Public Health Impacts of Electricity Usage

预测电力使用对公共健康的影响

Yejia Liu, Zhifeng Wu, Pengfei Li, Shaolei Ren

机构 * University of California, Riverside（加州大学河滨分校） ； Rochester Institute of Technology（罗切斯特理工学院） 纠错

AI总结 本文提出HealthPredictor模型，通过电力使用预测公共健康影响，结合燃料混合预测、空气质量转换和健康影响评估，实现以健康为导向的能源管理。

Comments 21 Pages. Accepted to NeurIPS 2025 Workshop on Socially Responsible and Trustworthy Foundation Models (ResponsibleFM)

Prompted Policy Search: Reinforcement Learning through Linguistic and Numerical Reasoning in LLMs

提示策略搜索：通过语言和数值推理在大语言模型中进行强化学习

Yifan Zhou, Sachin Grover, Mohamed El Mistiri, Kamalesh Kalirathnam, Pratyush Kerhalkar, Swaroop Mishra, Neelesh Kumar, Sanket Gaurav, Oya Aran, Heni Ben Amor

机构 * Interactive Robotics Lab, Arizona State University（亚利桑那州立大学交互机器人实验室） ； Research & Development, Procter & Gamble（普罗cter与 gamble 研究与发展） 纠错

AI总结 ProPS通过结合语言和数值推理，在大语言模型中实现高效的强化学习，展示了在多个任务中超越传统算法的性能。

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

Journal ref Advances in Neural Information Processing Systems (2025)

Adaptive Parameter Optimization for Robust Remote Photoplethysmography

自适应参数优化用于鲁棒远程光体积脉搏波形成像

Cecilia G. Morales, Fanurs Chi En Teh, Kai Li, Pushpak Agrawal, Artur Dubrawski

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； Vellore Institute of Technology（维洛雷理工学院） 纠错

AI总结 本文提出PRISM算法，通过自适应参数优化提升远程光体积脉搏波形成像的鲁棒性与性能。

Comments Accepted in Times Series for Health NeurIPs Workshop 2025

Massively Parallel Imitation Learning of Mouse Forelimb Musculoskeletal Reaching Dynamics

大规模并行模仿学习用于小鼠前肢骨骼肌运动动力学

Eric Leonardis, Akira Nagamori, Ayesha Thanawalla, Yuanjia Yang, Joshua Park, Hutton Saunders, Eiman Azim, Talmo Pereira

机构 * Salk Institute for Biological Studies（萨克勒生物医学研究所） 纠错

AI总结 本研究通过大规模并行模仿学习，利用小鼠前肢骨骼肌模型在模拟环境中实现高保真动力学建模，验证了能量和速度约束对模拟生物运动控制的重要性。

Comments Accepted at NeurIPS 2025 Workshop Data on the Brain & Mind: Concrete Applications of AI to Neuroscience and Cognitive Science. 12 pages, 4 figures

InfinityStar: Unified Spacetime AutoRegressive Modeling for Visual Generation

InfinityStar: 一种统一的时空自回归模型用于视觉生成

Jinlai Liu, Jian Han, Bin Yan, Hui Wu, Fengda Zhu, Xing Wang, Yi Jiang, Bingyue Peng, Zehuan Yuan

机构 * ByteDance（字节跳动） 纠错

AI总结 InfinityStar是一种统一的时空自回归模型，能够高效生成高分辨率图像和动态视频，其在VBench上的表现优于现有自回归模型，且生成速度显著快于扩散方法。

Comments NeurIPS 2025 Oral

Periodic Skill Discovery

周期性技能发现

Jonghae Park, Daesol Cho, Jusuk Lee, Dongseok Shim, Inkyu Jang, H. Jin Kim

AI总结 周期性技能发现（PSD）通过无监督学习发现具有不同周期的技能，提升复杂机器人任务中的表现和多样性。

Comments NeurIPS 2025

Memo: Training Memory-Efficient Embodied Agents with Reinforcement Learning

备忘录：通过强化学习训练内存高效的具身智能体

Gunshi Gupta, Karmesh Yadav, Zsolt Kira, Yarin Gal, Rahaf Aljundi

机构 * University of Oxford（牛津大学） ； Georgia Tech University（佐治亚理工学院） ； Toyota Motor Europe（丰田欧洲公司） 纠错

AI总结 Memo通过在训练过程中交错周期性总结标记与输入，实现内存高效的具身智能体强化学习训练，优于长上下文基线并更高效。

Comments Accepted for Spotlight Presentation at NeurIPS 2025

Automated Composition of Agents: A Knapsack Approach for Agentic Component Selection

代理自动组合：一种背包方法用于代理组件选择

Michelle Yuan, Khushbu Pahwa, Shuaichen Chang, Mustafa Kaba, Jiarong Jiang, Xiaofei Ma, Yi Zhang, Monica Sunkara

机构 * AWS Agentic AI（AWS 代理人工智能） 纠错

AI总结 本文提出基于背包问题的代理组件自动组合框架，通过动态评估组件性能与成本，提升代理系统在不同场景下的成功率和资源利用效率。

Comments Accepted to NeurIPS 2025 Conference

ChronoGraph: A Real-World Graph-Based Multivariate Time Series Dataset

ChronoGraph：一个基于图的多变量时间序列真实世界数据集

Adrian Catalin Lutu, Ioana Pintilie, Elena Burceanu, Andrei Manolache

机构 * Bitdefender ； University of Bucharest（布加勒斯特大学） ； University of Stuttgart（斯图加特大学） ； International Max Planck Research School for Intelligent Systems（智能系统国际马克斯·普朗克研究学校） 纠错

AI总结 ChronoGraph是一个基于图的多变量时间序列数据集，用于研究微服务系统中的结构感知预测和事件感知评估。

Comments Accepted as an oral presentation at the NeurIPS 2025 Workshop on Recent Advances in Time Series Foundation Models (BERT2S)

Composition and Alignment of Diffusion Models using Constrained Learning

扩散模型的组成与对齐：基于约束学习

Shervin Khalafi, Ignacio Hounie, Dongsheng Ding, Alejandro Ribeiro

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Tennessee, Knoxville（田纳西大学，基洛那分校） 纠错

AI总结 本文提出了一种基于约束学习的框架，通过统一对齐和组成扩散模型，以提高生成样本的质量和符合用户需求的能力。

Comments 48 pages, 6 figures, 15 tables; Accepted to NeurIPS 2025

On Defining Neural Averaging

如何定义神经网络平均

Su Hyeong Lee, Richard Ngo

机构 * Department of Statistics University of Chicago（统计学系芝加哥大学） 纠错

AI总结 本文提出无数据的Amortized Model Ensembling框架，通过将模型差异视为伪梯度来指导神经权重更新，实现了优于传统方法的神经网络平均策略。

Comments Proceedings of the NeurIPS 2025 Workshop on Unifying Representations in Neural Models

Accelerating Parallel Diffusion Model Serving with Residual Compression

通过残差压缩加速并行扩散模型服务

Jiajun Luo, Yicheng Xiao, Jianru Xu, Yangxiu You, Rongwei Lu, Chen Tang, Jingyan Jiang, Zhi Wang

机构 * Southern University of Science and Technology（南方科技大学） ； Jiangnan University（江南大学） ； Shenzhen Technology University（深圳技术大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 CompactFusion通过残差压缩技术提升并行扩散模型服务效率，实现3倍加速并显著提高生成质量。

Comments Accepted by NeurIPS 2025

The Catechol Benchmark: Time-series Solvent Selection Data for Few-shot Machine Learning

儿茶酚基准：用于少样本机器学习的时序溶剂选择数据

Toby Boyne, Juan S. Campos, Becky D. Langdon, Jixiang Qing, Yilin Xie, Shiqiang Zhang, Calvin Tsay, Ruth Misener, Daniel W. Davies, Kim E. Jelfs, Sarah Boyall, Thomas M. Dixon, Linden Schrecker, Jose Pablo Folch

机构 * Department of Computing, Imperial College London（计算系，帝国理工学院伦敦分校） ； Department of Chemistry, Imperial College London（化学系，帝国理工学院伦敦分校） ； SOLVE Chemistry（SOLVE化学） 纠错

AI总结 本文提出了一种用于少样本机器学习的时序溶剂选择数据集，通过大规模连续工艺条件样本，挑战机器学习模型，应用于溶剂替代和可持续制造。

Comments 10 pages main, 22 pages total, 8 figures, 7 tables. Accepted to NeurIPS Datasets and Benchmarks track 2025

Mind the Gap: Bridging Thought Leap for Improved Chain-of-Thought Tuning

注意间隔：为改进链式推理微调而弥合思维跳跃

Haolei Xu, Yuchen Yan, Yongliang Shen, Wenqi Zhang, Guiyang Hou, Shengpei Jiang, Kaitao Song, Weiming Lu, Jun Xiao, Yueting Zhuang

机构 * Zhejiang University（浙江大学） ； SF Technology（SF技术） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 本文提出CoT思维跳跃桥任务，通过生成缺失的中间推理步骤提升数学推理任务的性能，实验表明在NuminaMath上改进达+5.87%。

Comments Accepted to NeurIPS 2025. Camera ready version. Code: https://github.com/ZJU-REAL/Mind-the-Gap Project: https://zju-real.github.io/CoT-Bridge/

Sparse Autoencoders Learn Monosemantic Features in Vision-Language Models

稀疏自编码器在视觉-语言模型中学习单义特征

Mateusz Pach, Shyamgopal Karthik, Quentin Bouniot, Serge Belongie, Zeynep Akata

机构 * Technical University of Munich（慕尼黑技术大学） ； Helmholtz Munich（亥姆霍兹慕尼黑） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； University of Tübingen（图宾根大学） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 本研究通过稀疏自编码器提升视觉-语言模型中神经元的单义性，展示其在增强模型可解释性和可控性方面的有效性。

Comments Accepted at NeurIPS 2025

Fast Solvers for Discrete Diffusion Models: Theory and Applications of High-Order Algorithms

离散扩散模型的快速求解器：高阶算法的理论与应用

Yinuo Ren, Haoxuan Chen, Yuchen Zhu, Wei Guo, Yongxin Chen, Grant M. Rotskoff, Molei Tao, Lexing Ying

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出高阶算法用于离散扩散模型，提升推断效率和样本质量，适用于文本、图像等生成任务。

Comments Accepted at NeurIPS 2025 as a Poster (https://openreview.net/forum?id=OuklL6Q3sO)

Linearly Constrained Diffusion Implicit Models

线性约束扩散隐式模型

Vivek Jayaram, Ira Kemelmacher-Shlizerman, Steven M. Seitz, John Thickstun

机构 * University of Washington（华盛顿大学） ； Cornell University（康奈尔大学） 纠错

AI总结 CDIM通过动态调整投影步骤减少数量，实现快速准确解决噪声线性逆问题，适用于多种图像处理任务。

Comments NeurIPS 2025

Accelerating Diffusion Models with Parallel Sampling: Inference at Sub-Linear Time Complexity

通过并行采样加速扩散模型：在亚线性时间复杂度下进行推理

Haoxuan Chen, Yinuo Ren, Lexing Ying, Grant M. Rotskoff

机构 * ICME Stanford University（ICME 斯坦福大学） ； Department of Mathematics and ICME Stanford University（数学系和ICME 斯坦福大学） ； Department of Chemistry and ICME Stanford University（化学系和ICME 斯坦福大学） 纠错

AI总结 通过并行采样技术，提出一种在亚线性时间复杂度下高效推理的扩散模型方法，实现了高维数据的快速高效采样。

Comments Accepted at NeurIPS 2024 as a Spotlight Poster (https://openreview.net/forum?id=F9NDzHQtOl)

A Sampling-Based Domain Generalization Study with Diffusion Generative Models

基于扩散生成模型的采样域泛化研究

Ye Zhu, Yu Wu, Duo Xu, Zhiwei Deng, Yan Yan, Olga Russakovsky

机构 * LIX, École Polytechnique, IP Paris, France（巴黎高等理工学院LIX实验室） ； School of Computer Science, Wuhan University, China（武汉大学计算机科学学院） ； Canadian Institute for Theoretical Astrophysics (CITA), University of Toronto, Canada（多伦多大学理论天体物理研究所） ； Google DeepMind, USA（谷歌DeepMind公司） ； Department of Computer Science, University of Illinois Chicago, USA（伊利诺伊大学芝加哥分校计算机科学系） 纠错

AI总结 本文提出基于采样的域泛化方法，利用预训练扩散模型生成未见域图像，通过潜在空间中的非域先验分离实现高质量图像合成。

Comments NeurIPS 2025 Workshop on Frontiers in Probabilistic Inference: Learning meets Sampling. Code can be found at https://github.com/L-YeZhu/DiscoveryDiff

Continual Learning with Global Alignment

全局对齐的持续学习

Xueying Bai, Jinghuan Shang, Yifan Sun, Niranjan Balasubramanian

机构 * Department of Computer Science（计算机科学系） ； Stony Brook University（石桥大学） 纠错

AI总结 本文提出了一种基于全局对齐的方法，通过促进任务间数据表示的相关性，实现持续学习中对先前任务性能的保持，无需经验回放即可达到最优性能。

Comments Neurips 2024

Through the telecom lens: Are all training samples important?

通过电信之眼：所有训练样本都重要吗？

Shruti Bothe, Illyyne Saffar, Aurelie Boisbunon, Hasan Farooq, Julien Forgeat, Md Moin Uddin Chowdhury

机构 * Ericsson Research Santa Clara, USA（爱立信研究圣克拉拉分校，美国） ； Massy, France（马赛，法国） 纠错

AI总结 本文提出一种样本重要性框架，通过分析电信训练样本的影响和冗余，减少计算开销并提升人工智能的可持续性。

Comments 8pages, 1 table, 8 figures

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: AI and ML for Next-Generation Wireless Communications and Networking (AI4NextG)