NeurIPS

MC-CPO: Mastery-Conditioned Constrained Policy Optimization for Pedagogically Safe Intelligent Tutoring Systems

MC-CPO：基于 mastery 的约束策略优化用于教学安全的智能辅导系统

Oluseyi Olukola, Nick Rahimi

机构 * School of Computing Sciences（计算科学学院） ； Computer Engineering, University of Southern Mississippi, Hattiesburg, MS 39406, USA（计算机工程，密西西比大学，哈特斯伯格，MS 39406，USA） 纠错

AI总结 本文提出 MC-CPO 框架，通过结构化约束解决教学安全问题，提升学习者知识掌握率，实验证明其在两个平台上的效果显著。

Comments 35 pages, 8 figures. v2: Major revision adding real-world validation on Junyi Academy (16.2M interactions, 72,758 students) and XES3G5M (NeurIPS 2023, 5.1M interactions, 14,453 students). Revised title and abstract. Submitted to Computers and Education: Artificial Intelligence

From Simulations to Surveys: Domain Adaptation for Galaxy Observations

从模拟到巡天：面向星系观测的领域自适应

Kaley Brauer, Aditya Prasad Dash, Meet J. Vyas, Ahmed Salim, Stiven Briand Massala

机构 * Center for Astrophysics, Harvard University（哈佛大学天体物理中心） ； Physics and Astronomy, University of California, Los Angeles（加州大学洛杉矶分校物理与天文系） ； International Centre for Space and Cosmology, Ahmedabad University（阿赫迈德布恰大学国际空间与宇宙学中心） ； Department of Computing, Universiti Teknologi Malaysia（马来西亚技术大学计算系） ； Université Paris-Saclay, CentraleSupélec, ENS Paris-Saclay, CNRS, LMPS - Laboratoire de Mécanique Paris-Saclay（巴黎-萨克雷大学，CentraleSupélec，ENS巴黎-萨克雷，CNRS，LMPS-巴黎-萨克雷力学实验室） 纠错

AI总结 提出一种结合特征级领域损失和基于最优传输的top-k软匹配损失的领域自适应管道，将TNG50模拟星系分类器迁移到真实SDSS观测，目标域准确率从~46%提升至~87%。

Comments 8 pages, 4 figures. Will be presented at NeurIPS 2025 ML4PS

XAI-on-RAN: Explainable, AI-native, and GPU-Accelerated RAN Towards 6G

XAI-on-RAN：面向6G的可解释、AI原生和GPU加速的无线接入网

Osman Tugay Basaran, Falko Dressler

机构 * School of Electrical Engineering and Computer Science, Technische Universität Berlin（电气工程与计算机科学学院，柏林技术大学） 纠错

AI总结 针对6G关键任务场景中AI决策不透明的问题，提出可解释AI原生RAN框架，通过数学建模权衡透明度、延迟和GPU利用率，实验证明混合XAI模型xAI-Native性能优于基线。

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

TRACE: Contrastive learning for multi-trial time-series data in neuroscience

TRACE：神经科学中多试次时间序列数据的对比学习

Lisa Schmors, Dominic Gonschorek, Jan Niklas Böhm, Yongrong Qiu, Na Zhou, Dmitry Kobak, Andreas Tolias, Fabian Sinz, Jacob Reimer, Katrin Franke, Sebastian Damrich, Philipp Berens

AI总结 TRACE是一种新的对比学习框架，通过平均不同试次子集生成正样本对，能直接学习二维嵌入，优于其他方法，在模拟数据中能分辨细响应差异，并在体内记录中捕捉生物相关连续变化和细胞类型聚类结构。

Journal ref Conference on Neural Information Processing Systems (NeurIPS) 2025

In-Context Learning of Stochastic Differential Equations with Foundation Inference Models

基于基础推理模型的随机微分方程上下文学习

Patrick Seifner, Kostadin Cvejoski, David Berghaus, Cesar Ojeda, Ramses J. Sanchez

机构 * Lamarr Institute（拉马尔研究所） ； University of Bonn（波恩大学） ； Fraunhofer IAIS（弗劳恩霍夫智能系统研究所） ； University of Potsdam（波茨坦大学） 纠错

AI总结 提出FIM-SDE，一种预训练识别模型，通过上下文学习从噪声时间序列中零样本估计低维SDE的漂移和扩散函数，并支持快速微调，在合成和真实数据上表现鲁棒。

Comments Accepted at NeurIPS 2025. The previous version appeared under the title "Foundation Inference Models for Stochastic Differential Equations: A Transformer-based Approach for Zero-shot Function Estimation.";

Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Failure by Interference: Language Models Make Balanced Parentheses Errors When Faulty Mechanisms Overshadow Sound Ones

干扰导致的失败：当有缺陷机制掩盖健全机制时，语言模型在平衡括号任务中出错

Daking Rai, Samuel Miller, Kevin Moran, Ziyu Yao

机构 * George Mason University（乔治·马歇尔大学） ； University of Central Florida（中央佛罗里达大学） ； Department of Computer Science（计算机科学系） 纠错

AI总结 研究揭示语言模型在平衡括号任务中出错的原因：部分组件实现可靠机制，而其他组件引入噪声，当噪声机制主导时导致错误。提出RASteer方法，通过增强可靠组件贡献，将部分模型准确率从0%提升至近100%，并在算术推理任务中取得约20%的性能提升。

Comments 23 pages, 10 figures, accepted for NeurIPS 2025

Discovering Data Structures: Nearest Neighbor Search and Beyond

发现数据结构：最近邻搜索及其他

Omar Salemohamed, Laurent Charlin, Shivam Garg, Vatsal Sharan, Gregory Valiant

机构 * Université de Montréal（蒙特利尔大学） ； Mila ； HEC Montréal（蒙特利尔高等商学院） ； Microsoft Research（微软研究院） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一个端到端学习数据结构的通用框架，自动适应数据分布并控制查询与空间复杂度，在最近邻搜索中逆向工程出二分搜索、插值搜索、k-d树和局部敏感哈希等算法。

Comments Neurips 2025 Version

Persistent Homology for High-dimensional Data Based on Spectral Methods

基于谱方法的高维数据持续同调

Sebastian Damrich, Philipp Berens, Dmitry Kobak

机构 * Hertie Institute for AI in Brain Health, University of Tübingen, Germany（图宾根大学希特研究所，德国） ； Tübingen AI Center, Germany（图宾根人工智能中心，德国） ； IWR, Heidelberg University, Germany（海德堡大学IWR研究所，德国） 纠错

AI总结 本文提出利用谱方法中的扩散距离和有效电阻检测高维噪声下的拓扑结构，推导出有效电阻的闭式公式，并应用于单细胞RNA测序数据以识别细胞周期环路。

Comments NeurIPS 2024, 54 pages, 44 figures

Journal ref Conference on Neural Information Processing Systems (NeurIPS) 2024

NoisyGRPO: Incentivizing Multimodal CoT Reasoning via Noise Injection and Bayesian Estimation

NoisyGRPO：通过噪声注入和贝叶斯估计激励多模态Co T推理

Longtian Qiu, Shan Ning, Jiaxuan Sun, Xuming He

机构 * ShanghaiTech University（上海科技大学） ； Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程研究中心） ； Lingang Laboratory（临港实验室） 纠错

AI总结 NoisyGRPO通过引入可控噪声增强探索并利用贝叶斯框架建模优势估计，提升多模态大语言模型的泛化能力和鲁棒性，尤其在小规模模型上表现突出。

Comments Accepted by Neurips 2025, Project page is available at https://artanic30.github.io/project_pages/NoisyGRPO/

Journal ref Advances in Neural Information Processing Systems 38 (2026) 124239-124267

Zero-Shot Embedding Drift Detection: A Lightweight Defense Against Prompt Injections in LLMs

零样本嵌入漂移检测：一种轻量级防御对抗提示注入的LLM方法

Anirudh Sekar, Mrinal Agarwal, Rachel Sharma, Akitsugu Tanaka, Jasmine Zhang, Arjun Damerla, Kevin Zhu

机构 * Algoverse AI Research（Algoverse AI研究院） ； Berkeley（伯克利大学） 纠错

AI总结 本文提出ZEDD，通过量化嵌入空间中良性与可疑输入之间的语义变化，实现对直接和间接提示注入的检测。该方法无需模型内部访问或先验知识，具有低工程开销，能高效部署于多种LLM架构，准确率达93%以上。

Comments Accepted to NeurIPS 2025 Lock-LLM Workshop

PolarQuant: Leveraging Polar Transformation for Efficient Key Cache Quantization and Decoding Acceleration

PolarQuant: 利用极坐标变换实现高效键缓存量化和解码加速

Songhao Wu, Ang Lv, Xiao Feng, Yufei Zhang, Xun Zhang, Guojun Yin, Wei Lin, Rui Yan

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； ShanghaiTech University（上海科技大学） ； Meituan（美团） 纠错

AI总结 提出PolarQuant方法，通过将键向量分组为二维子向量并编码为量化半径和极角，解决键缓存量化中的异常值问题，同时通过查表加速解码，保持全精度模型性能。

Comments NeurIPS 2025 version with minor revisions to the methodology

Reactive Flux Matching: Mechanism Discovery and Adaptive Sampling of Rare Events

反应通量匹配：稀有事件的机制发现与自适应采样

Rishal Aggarwal, David Ryan Koes, Nicholas M. Boffi, Eric Vanden-Eijnden

机构 * CMU-Pitt Program in Computational Biology（CMU-匹兹堡计算生物学项目） ； Dept. of Computational & Systems Biology University of Pittsburgh（计算与系统生物学系匹兹堡大学） ； Machine Learning Department Dept. of Mathematical Sciences Carnegie Mellon University（机器学习系数学科学系卡内基梅隆大学） ； Courant Institute, New York University（纽约大学Courant研究所） ； Machine Learning Lab Capital Fund Management（机器学习实验室资本基金管理） 纠错

AI总结 提出通量匹配框架，从反应轨迹数据中学习电流速度 u(z) 和标量势 h(z)，用于识别反应路径和反应坐标，并实现自适应采样。

Comments 21 pages, 7 figures, submitted to NeurIPS 2026

A prism hierarchy of learning regimes in large linear autoencoders

大型线性自编码器中学习机制的三棱柱层次结构

Eugene Golikov, Yaroslav Gusev, Dmitry Yarotsky

机构 * Applied AI Institute（应用人工智能研究所） ； Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院斯捷克洛夫数学研究所） 纠错

AI总结 本文通过形式损失展开层次结构，将大型权重绑定线性自编码器的极端学习机制与三棱柱的面相关联，推导出五种基本极端机制下的训练和总体损失演化显式表达式。

Comments 33 pages, under review for NeurIPS'2026

SWE-InfraBench: Evaluating Language Models on Cloud Infrastructure Code

SWE-InfraBench：评估语言模型在云基础设施代码上的表现

Natalia Tarasova, Enrique Balp-Straffon, Aleksei Iancheruk, Yevhenii Sielskyi, Nikita Kozodoi, Liam H. Byrne, Jack Butler, Dayuan Jiang, Marcin Czelej, Andrew Ang, Yash Shah, Roi Blanco, Sergei Ivanov

AI总结 提出SWE-InfraBench基准，通过AWS CDK仓库中的真实代码修改任务评估LLM在云基础设施即代码（IaC）上的能力，发现当前最先进模型成功率仅34%。

Comments Accepted to NeurIPS 2025 Workshop on Evaluating the Evolving LLM Lifecycle

PF$Δ$: A Benchmark Dataset for Power Flow under Load, Generation, and Topology Variations

PF$Δ$: 一个用于负载、发电和拓扑变化的功率流基准数据集

Ana K. Rivera, Anvita Bhagavathula, Alvaro Carbonero, Priya Donti

机构 * Department of Electrical Engineering & Computer Science（电气工程与计算机科学系） ； Laboratory for Information & Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出PF$Δ$基准数据集，用于评估在负载、发电和拓扑变化下的功率流计算，通过包含859,800个解决的实例，涵盖六种不同的变电站系统大小，并包含三种故障场景，以评估传统求解器和基于GNN的方法，识别现有方法的不足和未来研究的开放问题。

Comments 31 pages, 14 figures. Accepted at NeurIPS 2025

Journal ref NeurIPS 2025

"What if she doesn't feel the same?" What Happens When We Ask AI for Relationship Advice

如果她不再有同样的感觉呢？当我们将AI用于关系建议时会发生什么

Niva Manchanda, Akshata Kishore Moharir, Ratna Kandala

机构 * Department of Psychology, University of Kansas（堪萨斯大学心理学系） ； Independent Researcher（独立研究者） 纠错

AI总结 研究探讨了用户对LLM生成的浪漫关系建议的评价，发现用户对建议的满意度高，并且这种满意度与对模型可靠性和有用性的感知正相关，同时用户对LLM的态度也显著改善。

Journal ref First Workshop on LLM Persona Modeling, NeurIPS 2025

Rethinking Distribution Shifts: Empirical Analysis and Modeling for Tabular Data

重新思考分布偏移：针对表格数据的经验分析与建模

Tianyu Wang, Jiashuo Liu, Peng Cui, Hongseok Namkoong

机构 * Department of Industrial Engineering and Operations Research（工业工程与运筹学系） ； Department of Computer Science and Technology（计算机科学与技术系） ； Decision, Risk, and Operations Division（决策、风险与运营部） ； Columbia University（哥伦比亚大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文通过经验分析和建模，重新审视分布偏移问题，发现Y|X偏移在表格数据中最为常见，与机器学习文献中对X（协变量）偏移的重视形成鲜明对比，并指出鲁棒算法的性能并不优于普通方法。

Comments Forthcoming at Management Science. Conference version appeared in NeurIPS 2023, previously titled "On the Need for a Language Describing Distribution Shifts: Illustrations on Tabular Datasets"

Efficiently Escaping Saddle Points under Generalized Smoothness via Self-Bounding Regularity

通过广义平滑性实现高效逃离鞍点的自界正则性

Daniel Yiming Cao, August Y. Chen, Karthik Sridharan, Benjamin Tang

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文研究了非凸函数（不一定光滑）的一阶优化方法，提出了一种新的框架，系统分析了在广义平滑性下一阶优化算法的收敛性，首次建立了在广义平滑性下一阶方法达到二阶 stationary 点的收敛保证。

Comments Camera ready version of NeurIPS 2025 paper. 97 pages

Generator-Mediated Bandits: Thompson Sampling for GenAI-Powered Adaptive Interventions

生成器介导的老虎机：面向生成式人工智能的自适应干预的汤普森采样

Marc Brooks, Gabriel Durham, Kihyuk Hong, Ambuj Tewari

机构 * Department of Statistics, University of Michigan, Ann Arbor, MI (USA)（密歇根大学统计学系，安阿伯，MI (美国)） 纠错

AI总结 本文提出了一种生成器介导的老虎机算法（GAMBITTS），用于解决生成式人工智能（GenAI）驱动的自适应干预问题。该算法通过建模治疗和奖励生成过程，利用观察到的治疗信息加速策略学习，并在模拟研究中优于传统算法。

Comments 39 pages, 12 figures

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025)

LiSeCo: Linear Semantic Control for Language Generation

LiSeCo：语言生成的线性语义控制

Emily Cheng, Carmen Amo Alonso

机构 * Universitat Pompeu Fabra（庞培法布拉大学） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一种轻量级、无梯度的线性语义控制方法LiSeCo，通过控制理论在线干预嵌入空间中的激活值，将生成轨迹引导至预定义的安全语义区域，实现高效且保证性能的文本生成控制。

Comments TMLR 2026 camera ready; earlier version in NeurIPS MINT Workshop 2024

Journal ref Published in NeurIPS MINT 2024

MATCH: Multi-faceted Adaptive Topo-Consistency for Semi-Supervised Histopathology Segmentation

MATCH: 面向半监督组织病理学分割的多面自适应拓扑一致性

Meilong Xu, Xiaoling Hu, Shahira Abousamra, Chen Li, Chao Chen

机构 * Stony Brook University（斯通布罗克大学） ； Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） 纠错

AI总结 提出一种半监督分割框架MATCH，通过随机丢弃和时间训练快照生成多种扰动预测，并强制拓扑一致性来识别和保留相关拓扑特征，引入结合空间重叠与全局结构对齐的匹配策略以减少预测差异，有效降低拓扑错误，提升分割鲁棒性和准确性。

Comments 20 pages, 6 figures. Accepted by NeurIPS 2025

Uncertainty Estimation using Variance-Gated Distributions

使用方差门控分布的不确定性估计

H. Martin Gillis, Isaac Xu, Thomas Trappenberg

机构 * Faculty of Computer Science（计算机科学学院） ； Dalhousie University（达尔豪斯大学） 纠错

AI总结 提出基于类概率分布信噪比的方差门控不确定性估计框架，通过集成置信因子缩放预测，解决神经网络预测不确定性分解中的加性分解问题。

Comments NeurIPS Workshop: Mathematical Foundations and Operational Integration of Machine Learning for Uncertainty-Aware Decision-Making

Policy Optimization Provably Converges to Nash Equilibria in Zero-Sum Linear Quadratic Games

策略优化在零和线性二次博弈中可证明收敛至纳什均衡

Kaiqing Zhang, Zhuoran Yang, Tamer Başar

机构 * Department of Electrical and Computer Engineering & Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子工程与协调科学实验室部门） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） 纠错

AI总结 本文研究了策略优化在零和线性二次博弈中寻找纳什均衡的全局收敛性，通过分析LQ博弈的优化景观，证明了线性反馈控制策略的 stationary 点构成博弈的纳什均衡，并提出三种保证收敛到纳什均衡的投影嵌套梯度方法，同时展示了这些算法具有全局次线性和局部线性收敛率。

Comments Fixed some typos, addressed some comments from NeurIPS reviews

Convolutional Phase Retrieval via Gradient Descent

通过梯度下降进行卷积相位恢复

Qing Qu, Yuqian Zhang, Yonina C. Eldar, John Wright

AI总结 本文研究了通过梯度下降恢复未知信号的问题，利用随机核和足够多的观测来高效恢复信号，克服了测量算子中的依赖性挑战。

Comments 64 pages , 9 figures, appeared in NeurIPS 2017. Accepted at IEEE Transactions on Information Theory. This is the final (minor) update: fixed typos and grammar issues

A Polynomial-Based Approach for Architectural Design and Learning with Deep Neural Networks

基于多项式的深度神经网络架构设计与学习方法

Joseph Daws, Clayton G. Webster

机构 * Oak Ridge National Lab（橡树岭国家实验室） ； University of Tennessee at Knoxville（田纳西大学 Knoxville分校） 纠错

AI总结 本文提出了一种基于多项式的新型方法，通过识别合适的网络架构和初始化来从训练数据中重建多元函数，利用多项式近似，通过标准训练过程改进网络，从而更可能获得理想的局部极小值。

Comments 11 pages, 6 figures, submitted to NeurIPS 2019, corrected several typos and included new examples

Implicit Probabilistic Integrators for ODEs

隐式概率积分器用于微分方程

Onur Teymur, Han Cheng Lie, Tim Sullivan, Ben Calderhead

AI总结 本文提出了一种隐式概率积分器家族，用于初始值问题，基于多步Adams-Moulton方法。该方法通过动态反馈未来时间步的信息，不同于以往基于显式方法的概率积分器。本文还讨论了此类积分器的校准问题，并提供了一个示例展示概率积分器在反问题参数推断中的应用效果。

Comments 32nd Conference on Neural Information Processing Systems (NeurIPS 2018), Montréal, Canada

Journal ref Advances in Neural Information Processing Systems 31 (2018) pp. 7244-7253

Approximate Robust Control of Uncertain Dynamical Systems

不确定动力系统近似鲁棒控制

Edouard Leurent, Yann Blanco, Denis Efimov, Odalric-Ambrym Maillard

机构 * INRIA Lille（INRIA里尔） ； Renault（雷诺） ； Non-A team, INRIA Lille SequeL team, INRIA Lille（非A团队，INRIA里尔SequeL团队，INRIA里尔） 纠错

AI总结 本文研究了在不确定环境中大型非线性系统安全控制策略的设计，提出两种可处理的鲁棒控制方法，应用于自动驾驶问题。

Journal ref 32nd Conference on Neural Information Processing Systems (NeurIPS 2018) Workshop, Dec 2018, Montr{é}al, Canada

Extending Gossip Algorithms to Distributed Estimation of U-Statistics

将 gossip 算法扩展到分布式 U-统计量估计

Igor Colin, Aurélien Bellet, Joseph Salmon, Stéphan Clémençon

机构 * INRIA Lille - Nord Europe（INRIA里尔-北欧洲） 纠错

AI总结 本文提出新的同步和异步随机 gossip 算法，用于在分布式网络中同时传播数据并维护局部的 U-统计量估计，证明了同步和异步情况下的收敛率分别为 O(1/t) 和 O(log t / t)，并通过数值实验验证了算法的优越性。

Comments to be presented at NIPS 2015

Adversarial Regularizers in Inverse Problems

对抗正则化在反问题中的应用

Sebastian Lunz, Ozan Öktem, Carola-Bibiane Schönlieb

机构 * DAMTP Department of Mathematics（DAMTP数学系） ； University of Cambridge（剑桥大学） ； KTH - Royal Institute of Technology（皇家理工学院） 纠错

AI总结 本文提出了一种利用神经网络作为正则化函数的新框架，用于解决反问题，该方法通过学习真实图像分布与未正则化重建分布之间的差异来提升反问题求解的性能。

Comments published at NeurIPS 2018

A Nonstationary Designer Space-Time Kernel

非平稳设计时空核

Michael McCourt, Gregory Fasshauer, David Kozak

AI总结 本文提出一种非平稳核，通过半轴定义以更自然地纳入时间因素，解决传统平稳协方差结构在动态不对称情况下的局限性。

Comments 5 pages, 2 figures, NIPS 2018 spacetime workshop