1.neurips2025截稿时间

共同一作：洪翔宇，清华大学电子系大四本科生，曾获清华大学蒋南翔奖学金等，曾在NeurIPS，EMNLP，NAACL等顶级会议上发表论文姜澈，清华大学电子系博士三年级在读，主要研究方向为LLM Interpretebility，LLM Agent，曾在NeurIPS，ICML，EMNLP，NAACL等顶级会议上发表论文。

2.NeurIPS2025录用通知

随着大型语言模型在各类任务中展现出卓越的生成与推理能力，如何将模型输出精确地追溯到其内部计算过程，已成为 AI 可解释性研究的重要方向然而，现有方法往往计算代价高昂、难以揭示中间层的信息流动；同时，不同层面的归因（如 token、模型组件或表示子空间）通常依赖各自独立的特定方法，缺乏统一且高效的分析框架。

3.NeurIPS2025时间表

针对这一问题，来自清华、上海 AI Lab 的研究团队提出了全新的统一特征归因框架——DePass（Decomposed Forward Pass）该方法通过将前向传播中的每个隐藏状态分解为多个可加子状态，并在固定注意力权重与 MLP 激活的情况下对其逐层传播，实现了对 Transformer 内部信息流的无损分解与精确归因。

4.NeurIPS2025投稿截止时间

借助 DePass，研究者能够在输入 token、注意力头、神经元乃至残差流子空间等多个层面上进行归因分析，为机制可解释性研究提供了统一而细粒度的新视角

NeurIPS 2025 | DePass：通过单次前向传播分解实现统一的特征归因（插图

5.NeurIPS2025 paper list

论文标题：DePass: Unified Feature Attributing by Simple Decomposed Forward Pass论文链接： https://arxiv.org/pdf/2510.18462

6.NeurIPS2025无人机目标跟踪

代码链接： https://github.com/TsinghuaC3I/Decomposed-Forward-Pass问题分析：现有归因方法的局限性现有的归因方法大致可以分为以下几类：基于噪声消融和激活修补的方法：

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。