近日，第40届神经信息处理系统大会（The Fortieth Annual Conference on Neural Information Processing Systems, NeurIPS 2026）正式公布录用论文名单，暨南大学广东智慧教育研究院师生投稿4篇论文被录用（2篇 Main Track、2篇 Evaluations and Datasets Track）。
NeurIPS 是人工智能与机器学习领域具有重要国际影响力的顶级学术会议，也是中国计算机学会（CCF）推荐A类学术会议。会议创办于1987年，聚焦机器学习、深度学习、生成式人工智能等前沿方向，汇聚全球相关领域的研究人员展示最新研究成果，是人工智能领域重要的国际学术交流平台。本次会议 Main Track 共收到30709份有效投稿，录用率约为25.7%。
Evaluations and Datasets Track 是 NeurIPS 面向人工智能数据与评测研究设立的重要论文赛道，是国际机器学习领域数据集与基准研究的权威学术平台。今年该Track共收到3757篇有效投稿，录用率约为25.8%，录用论文将正式收录于 NeurIPS Proceedings，并与 Main Track 论文一同在大会进行展示。
入选论文介绍
论文题目：An Information-Theoretic Evaluation Framework for Benchmark and Model Diagnosis in Knowledge Tracing 作者：江厚儒（暨南大学本科生、共同一作）、王子熹（暨南大学本科生、共同一作）、程腾腾（暨南大学博士研究生）、李薛毅（暨南大学博士研究生）、侯明良（暨南大学）、郑嘉琪（暨南大学）、罗仁强（吉林大学）、郭腾（暨南大学）、刘子韬（暨南大学） 通讯作者：侯明良 摘要：知识追踪（Knowledge Tracing, KT）模型通常采用曲线下面积（Area Under the Curve, AUC）和准确率（Accuracy）等整体指标进行评估。然而，这类全局指标难以揭示模型剩余误差的具体来源，也无法判断现有基准是否正在趋于饱和。尽管在真实的知识追踪场景中估计全局理论性能上限具有较大挑战，但局部可预测性可以被有效量化。为此，我们提出一种基于信息论的知识追踪基准诊断评估框架。该框架采用上下文树加权（Context Tree Weighting, CTW）作为可操作的因果参照，估计每个学生交互的局部不可约不确定性（Local Irreducible Uncertainty, LIU）。通过将模型预测映射到统一的不确定性坐标上，我们能够比较模型在不同熵区间上的性能增益，而不再局限于全局层面的整体评估。在NIPS Task 3/4和Algebra 2005数据集上的全面实验表明，不同区域中的模型性能提升呈现出显著的非均匀性。现代知识追踪模型取得的最大性能增益持续集中于高熵区域，表明现有基准仍具有较大的性能提升空间；与此同时，我们的框架还能够识别模型对内在随机噪声进行拟合的情况。通过同时揭示这些局部建模失效现象与模型的真实性能增益，该方法提供了一种严谨的诊断工具，可用于定位当前知识追踪基准与模型的潜力及其局限性。 |
论文题目：Learn from the Gap: Differential-Aware Advantage Pruning with Adaptive Rollout Sampling for GRPO 作者：杨家华（暨南大学硕士研究生），杨志伟（暨南大学），章献鹏（OPPO AI中心）、陈东愚（OPPO AI中心）、陈星（吉林大学）、苏钿煌（OPPO AI中心）、鲁浩楠（OPPO AI中心）、官全龙（暨南大学）、唐开（OPPO AI中心）、王闯闯（OPPO AI中心） 通讯作者：杨志伟（暨南大学）、王闯闯（OPPO AI中心） 摘要：近年来，群组相对策略优化（Group Relative Policy Optimization，GRPO）及其变体被广泛应用于大模型策略优化中，并取得了显著的性能提升。然而，这类方法通常需要针对每个问题进行多次 Rollout 采样，并对各轨迹重复进行逐 Token（词元）的概率计算，从而仍存在较大的计算开销。此外，低信息量或高度同质化的轨迹会降低下游学习信号的有效性，限制了策略优化的效率与最终性能。为此，我们提出了 FastRL，一种新颖且即插即用的强化学习框架，旨在同时提升训练效率与策略学习的有效性。具体而言：1）提出优势感知的轨迹剪枝策略，通过选择性保留高贡献轨迹并最大化轨迹间的梯度多样性，以消除冗余数据并提升学习信号的利用效率；2）设计自适应 Rollout 采样机制，根据历史训练阶段的剪枝分布动态调整采样规模，在保证充分探索的同时减少探索开销。实验结果表明，FastRL 能够无缝集成到 GRPO、DAPO 和 GSPO 等主流方法中。在 Geometry3K 和 GeoQA8K-R1V 数据集上的实验表明，本方法实现了平均 2.07× 的训练加速，同时在视觉推理基准测试上的平均准确率提升了约 1.64%。 |
论文题目：pyCD: A Unified Benchmark for Reliable Evaluation of Cognitive Diagnosis Models 作者：白友恒（暨南大学博士研究生）、李薛毅（暨南大学博士研究生）、程腾腾（暨南大学博士研究生）、侯明良（暨南大学）、郭腾（暨南大学）、郑嘉琪（暨南大学）、刘子韬（暨南大学） 通讯作者：李薛毅 摘要：认知诊断（CD）通过学生作答推断其知识点（KC）掌握程度，为个性化反馈和习题推荐提供支持。现有认知诊断模型（CDM）通常在不一致的实验协议下依据作答预测 AUC 进行排名，而缺乏统一协议下对知识点掌握画像的系统评估。本文提出 pyCD，一个涵盖 11 种认知诊断模型和 6 个公开数据集的统一基准，规范数据预处理、数据划分、超参数搜索和早停规则，并同时报告标准预测指标与知识点层面的诊断指标。两项研究发现表明，AUC 的提升并不意味着诊断质量的提高。首先，模型间的 AUC 差距较小，且对实验协议的选择较为敏感：现代认知诊断模型的 AUC 差距通常仅为 0.005–0.020；各数据集上表现最好的非 IRT 模型相较于 IRT 的平均 AUC 提升仅为 0.017；取消基于验证集 AUC 的早停机制，可能使个别模型与数据集组合的 AUC 变化高达 0.13。其次，预测性能的差异无法可靠地转化为诊断质量的差异：AUC 排名第一的模型，其知识点层面的诊断一致性（DOA）通常无法进入前三名。这种不一致同样体现在习题难度估计中：以 Junyi 数据集的人工成对难度评分为参照，认知诊断模型学习得到的难度参数，其排序表现不及基于经验正确率的基线方法，也不及仅使用习题标题进行零样本推断的大语言模型。因此，认知诊断模型的评估应直接报告诊断输出，而非根据预测性能的提升推断诊断质量。 |
论文题目：MathCD: A Benchmark Dataset for Cognitive Diagnosis with Semantic Information 作者：李薛毅（暨南大学博士研究生）、白友恒（暨南大学博士研究生）、程腾腾（暨南大学博士研究生）、侯明良（暨南大学）、郭腾（暨南大学）、郑嘉琪（暨南大学）、吴永东（暨南大学）、刘子韬（暨南大学） 通讯作者：白友恒 摘要：认知诊断（CD）旨在通过学生的历史学习交互推断其知识掌握状态，为个性化教育提供重要支撑。尽管近年来相关研究取得了较大进展，现有认知诊断数据集大多采用离散标识符表示学生、习题和知识点，缺乏习题文本、答案选项和学生作答等丰富的语义信息，这不仅限制了语义增强认知诊断模型的发展，也难以有效评估基础大语言模型（LLMs）在认知诊断场景中的教育理解能力。针对这一问题，我们构建了面向K-12数学教育的认知诊断数据集MathCD。该数据集来源于真实在线学习平台，包含3个子集，覆盖超过2000名学生、4.6万道习题、3000个知识点和10万条学生习题交互记录，并提供习题文本、知识点文本、答案文本、学生作答、题型和习题难度等丰富的语义标注。基于MathCD，我们系统评估了9种现有最强的认知诊断模型和5种代表性基础大语言模型。实验结果表明，语义信息能够稳定提升传统及神经认知诊断模型的性能；同时，基础大语言模型在学生作答预测和习题难度判别等任务中展现出初步的认知诊断能力，但在缺乏任务特定适配的情况下，其表现仍存在一定局限性和不稳定性。MathCD为语义增强认知诊断研究以及基础大语言模型教育能力评测提供了新的基准。 |
