就在刚刚，NeurIPS 2024最佳论文出炉！
4篇获奖论文中，有3篇为华人一作，分别来自北大、新国立、厦大清华等。
据了解，NeurIPS 2024将于12月10日（星期二）至12月15日（星期日）在温哥华举办。
和去年相比，今年能够获奖的难度再次升级——
本届共收到15671篇有效论文投稿，比去年又增长了27%，但最后接收率仅有25.8%（去年为26.1%），大概4043篇左右。
接下来，快来康康获奖论文有哪些吧～
两篇最佳论文（Best Paper）
1、《Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction》
（视觉自回归建模：通过Next-Scale预测生成可扩展图像）
本文由北京大学、字节跳动研究者共同完成。
论文核心提出了一种新的图像生成框架Visual Autoregressive modeling (VAR)，首次使基于GPT风格的自回归模型在图像生成任务中超越了扩散模型，并验证了VAR模型的可扩展性和零样本泛化能力。
具体而言，论文引入了一种多尺度的自回归策略。与传统的按像素或token顺序生成图像的方法不同，VAR模型通过从低到高分辨的多尺度token图进行自回归生成，每一尺度的token图都依赖于前一尺度的结果。
这种方法的一个关键优势是，它能够显著减少生成高分辨率图像时所需的自回归步骤，从而降低了计算复杂度，提高了生成速度。
最终，VAR模型在ImageNet数据集上的验证表明，它能显著超越现有的自回归模型和一些扩散模型，并且还表现出了视觉生成领域的Scaling Laws。
2、《Stochastic Taylor Derivative Estimator: Efficient amortization for arbitrary differential operators》
（随机泰勒导数估计器：任意微分算子的有效摊销）
本文由新加坡国立大学、 Sea AI Lab研究者共同完成，论文一作为Zekun Shi。
论文核心介绍了一种名为Stochastic Taylor Derivative Estimator (STDE)的高效算法，用于优化包含高维和高阶微分算子的神经网络损失函数，特别是在物理信息神经网络（PINNs）中。
具体而言，研究展示了如何通过正确构造单变量高阶AD输入切线（input tangent），有效地对多元函数的任意阶导数张量进行任意收缩，这可用于有效地随机化任何微分算子。
当应用于PINNs时，与使用一阶AD进行随机化相比，本文方法提供了1000倍以上的速度提升和30倍以上的内存减少，而且现在可以在单个NVIDIA A100 GPU上，8分钟内解决100万维的偏微分方程（PDEs）。
总之，这项工作开启了在大规模问题中使用高阶微分算子的可能性。
两篇Best Paper Runner-up
（Best Paper Runner-up通常授予在某个领域表现杰出但未能获得最佳论文的研究工作，大众通常认为其水平代表亚军）
1、《Not All Tokens Are What You Need for Pretraining》
（并非所有token都是预训练所需的）
本文由厦门大学、清华大学、微软研究者共同完成，论文共同一作为Zhenghao Lin和Zhibin Gou（苟志斌）。
论文核心提出了一种新的名为RHO-1的语言模型预训练方法，它挑战了传统的预训练方法，即对所有训练tokens应用下一个token预测损失。其主要观点是，并非所有语料库中的tokens对于语言模型训练都同等重要。
通过分析不同tokens的训练动态，论文发现不同tokens的损失模式存在差异，并且有些tokens的损失减少是显著的，而有些则不然。
基于这些发现，论文引入了一种称为选择性语言建模（Selective Language Modeling, SLM）的新方法。SLM通过使用一个参考模型对tokens进行评分，然后只对评分较高的tokens进行训练，从而选择性地训练有用的tokens。
这种方法在15B OpenWebMath语料库上的持续预训练中，使得RHO-1在9个数学任务上的少数样本准确率（few-shot accuracy）实现了高达30%的绝对提升。在MATH数据集上，经过微调后，RHO-1的1B和7B模型分别达到了40.6%和51.8%的准确率，仅使用了DeepSeekMath所需预训练tokens的3%。
此外，在对80B通用token进行持续预训练时，RHO-1在15个不同任务上实现了6.8%的平均提升，数据效率和语言模型预训练的性能都得到了提升。
不仅如此，论文还展示了SLM在数学和通用领域的有效性，并通过实验和分析强调了在大语言模型预训练过程中考虑token级别的重要性。
2、《Guiding a Diffusion Model with a Bad Version of Itself》
（使用扩散模型的一个糟糕版本引导其自身）
本文由英伟达和阿尔托大学共同完成，论文一作为Tero Karras。
论文核心提出了一种名为自引导（autoguidance）的方法，通过使用主模型自身的一个较小、较少训练的版本作为引导模型，来提高图像生成质量。
论文指出，常见的无分类器引导方法是使用无条件模型来引导条件模型，这样既能实现更好的提示词对齐，也能得到更高质量的图像，但代价是多变程度下降。而自引导方法通过引导模型的不完美性，能够在不减少多样性的情况下提高图像质量。
实验表明，这能显著提升ImageNet生成效果。论文使用公开可用的网络，为64×64分辨率下的生成创造了1.01的FID记录，为512×512创造了1.25的FID记录。此外，该方法也适用于无条件扩散模型，可极大提高其质量。
最后，感兴趣的家人们可以进一步查阅原论文~
