The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)是人工智能与机器学习领域的三大国际会议(NeurIPS、ICML、ICLR)之一，CCF A类会议。NeurIPS 2025分别将于2025年11月30日-12月5日在墨西哥墨西哥城以及2025年12月2日-12月7日在美国圣地亚哥举办，今年 NeurIPS 主赛道共收到 21575 份有效论文投稿，录用5290 篇，录用率为 24.52%。
L2RSI: Cross-view LiDAR-based Place Recognition for Large-scale Urban Scenes via Remote Sensing Imagery
基于高分遥感影像的大规模城市场景激光雷达位置识别
简介：激光雷达位置识别旨在在GPS信号较弱甚至拒止时，从全球坐标系下预构建的数据库中检索最接近的匹配及其位置。现有激光雷达位置识别依赖于事先采集的新鲜的三维地图，其获取和维护是耗时和昂贵的。为此，本文首次提出了一个使用高分辨率遥感影像在大规模（超过100平方公里）城市场景中进行跨视角、跨模态激光雷达位置识别的框架——L2RSI。L2RSI通过语义对比学习网络将激光雷达点云鸟瞰图和遥感子图统一到一个共享的语义空间中，克服了跨域跨视角数据的巨大差异。此外，L2RSI通过空间-时间粒子估计算法，利用多个高斯模型的混合来聚合时空信息，推断当前位置的概率密度，从而进一步提高全局位置识别的性能。
该论文第一作者是厦门大学信息学院2023级博士生石子威，通讯作者是臧彧副教授。并由张潇然、续文静、夏彦副教授(中国科学技术大学)、沈思淇长聘副教授、王程教授共同完成。
PlanU: Large Language Model Decision Making through Planning under Uncertainty
简介：针对大语言模型在不确定性环境下难以实现稳健规划这一关键难题，论文了提出PlanU方法—— 一种基于大语言模型的规划框架，其核心是在蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）中融入对不确定性的建模。其技术核心包括两个部分：
值分布建模：PlanU 创新地将蒙特卡洛树搜索中各节点的 “收益”（return）建模为 “分位数分布”，通过一组分位数精准表征收益的分布特征，以此更充分地捕捉决策过程中存在的不确定性。
好奇心驱动的评估机制：为优化树搜索策略，PlanU 提出 “带好奇心的上置信界”（Upper Confidence Bounds with Curiosity, UCC）评估机制，通过量化评估蒙特卡洛树各节点的好奇心分数，有效缓解 LLM 的不确定性问题，弥补了传统搜索策略在适配 LLM 决策场景时的不足。
文章在 WebShop、TravelPlanner 等权威基准测试中验证，PlanU 在大语言模型不确定性决策任务上表现显著优于各类基线方法，且兼具环境适应性、资源效率与跨模型稳健性。
该论文第一作者是厦门大学信息学院2023级硕士生邓子微、2023级硕士生邓冕作为共同第一作者，通讯作者是沈思淇长聘副教授。并由梁辰景、高泽铭、硕士毕业生马陈楠、林晨兴、张海鹏、梅松竹副研究员(国防科技大学)、王程教授共同完成。
GTR-Loc: Geospatial Text Regularization Assisted Outdoor LiDAR Localization
地理空间文本正则化辅助的室外激光雷达定位
简介：本文提出了一种名为 GTR-Loc 的新型激光雷达定位框架，旨在解决因不同场景几何特征相似而导致的定位歧义性难题。该方法创新地引入地理空间文本（位置和方向描述）作为一种正则化手段，以独特的文本线索消除歧义，从而提升定位精度。此外，还提出了一种模态削减蒸馏策略，将文本知识迁移到定位模型中，使得模型在推理阶段无需文本输入，仅依靠激光雷达也可实现高性能定位。实验证明，该方法在多个户外大规模数据集上的表现显著优于当前最先进的定位方法。
该论文第一作者是博士毕业生于尚书副教授(东北大学)，通讯作者是王程教授。并由博士毕业生李文、孙啸天、袁直敏讲师(南阳师范学院)、王欣讲师(东北大学)、王思洁博士后(南洋理工大学)、厍睿教授(北京航空航天大学)共同完成。
