University of Cambridge（剑桥大学）

Self-Policy Distillation via Capability-Selective Subspace Projection

通过能力选择性子空间投影实现自我策略蒸馏

Guangya Hao, Yitong Shang, Yunbo Long, Zhuokai Zhao, Hanxue Liang

机构 * University of Cambridge（剑桥大学） ； HKUST（香港科技大学） ； University of Chicago（芝加哥大学） 纠错

AI总结 本文提出Self-Policy Distillation（SPD），通过从模型自身梯度中提取低维能力子空间，将关键值（KV）激活投影到该子空间，并在标准下一项预测损失下进行微调，实现了无需外部信号的通用且能力选择性的自我蒸馏方法。

Aerodynamic force reconstruction using physics-informed Gaussian processes

利用物理信息高斯过程进行气动力重建

Gledson Rodrigo Tondo, Igor Kavrakov, Guido Morgenthal

机构 * Bauhaus-Universität Weimar（魏玛应用科学大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出一种基于物理信息的机器学习方法，用于从结构动态响应的噪声测量中重建底层气动载荷，通过避免过拟合和无需正则化方案，提高了模型的准确性和适用性。

Three Costs of Amortizing Gaussian Process Inference with Neural Processes

三次成本：神经过程在高斯过程推断中的摊销

Robin Young

机构 * University of Cambridge, Cambridge, UK（剑桥大学） 纠错

AI总结 本文研究了神经过程在高斯过程推断中的摊销成本，将高斯过程的后验推断从精确的O(n^3)转换为学习的O(n)映射，分析了标签污染、信息瓶颈和摊销误差三个来源，并提出了架构优化建议。

Comments To appear at ProbNum 2026

ViPS: Video-informed Pose Spaces for Auto-Rigged Meshes

ViPS: 为自动绑定网格的视频感知姿态空间

Honglin Chen, Karran Pandey, Rundi Wu, Matheus Gadelha, Yannick Hold-Geoffroy, Ayush Tewari, Niloy J. Mitra, Changxi Zheng, Paul Guerrero

机构 * Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Adobe Research（Adobe研究） ； University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出ViPS，一种通过视频扩散模型提取运动先验来发现自动绑定网格有效姿态分布的前馈框架，实现了对多样形状变化、逆向运动学和动画的关键帧生成的支持。

Comments Project page: https://honglin-c.github.io/vips/

How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing

模型能多好地遵循视觉指令？VIBE：一个系统性的视觉指令驱动图像编辑基准

Huanyu Zhang, Xuehai Bai, Chengzu Li, Chen Liang, Haochen Tian, Haodong Li, Ruichuan An, Yifan Zhang, Anna Korhonen, Zhang Zhang, Liang Wang, Tieniu Tan

机构 * School of Artificial Intelligence, University of Chinese Academy of Science（中国科学院大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Peking University（北京大学） ； South China University of Technology（华南理工大学） ； Nanjing University（南京大学） 纠错

AI总结 本文提出VIBE基准，用于评估视觉指令驱动的图像编辑模型，通过三级交互层次评估指涉 grounding、形态操作和因果推理，并发现专有模型在早期阶段表现优异但随着任务难度增加性能下降。

Comments https://vibe-benchmark.github.io/

Richer Bayesian Last Layers with Subsampled NTK Features

更丰富的贝叶斯最后层与子采样NTK特征

Sergio Calvo-Ordoñez, Jonathan Plenk, Richard Bergna, Álvaro Cartea, Yarin Gal, Jose Miguel Hernández-Lobato, Kamil Ciosek

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Oxford-Man Institute, University of Oxford（牛津大学奥克斯曼研究所） ； OATML, University of Oxford（牛津大学OATML研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

AI总结 本文提出了一种改进贝叶斯最后层的方法，通过将神经切线核特征投影到由最后层特征张成的空间中，以更准确地估计不确定性，同时保持计算效率。

Comments Appearing in the Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026

A Diffusive Classification Loss for Learning Energy-based Generative Models

一种用于学习基于能量的生成模型的扩散分类损失

RuiKang OuYang, Louis Grenioux, José Miguel Hernández-Lobato

机构 * CMAP, CNRS, École polytechnique, Institut Polytechnique de Paris, Palaiseau, France（CMAP、法国国家科学研究中心、巴黎高等理工学院、巴黎理工 institute、法国巴黎帕莱苏实验室） ； Center for Computational Mathematics, Flatiron Institute, New York, NY, USA（计算数学中心、Flatiron 机构、美国纽约纽约州） ； Department of Engineering, University of Cambridge, Cambridge, United Kingdom（工程系、剑桥大学、英国剑桥） 纠错

AI总结 本文提出了一种名为DiffCLF的扩散分类损失，用于学习基于能量的生成模型，通过将能量模型学习重新表述为跨噪声级别的监督分类问题，从而在保持计算效率的同时避免了模式盲区，提高了模型的保真度和应用范围。

Comments Accepted at ICML 2026

Bringing Stability to Diffusion: Decomposing and Reducing Variance of Training Masked Diffusion Models

为扩散模型带来稳定性：分解和减少训练掩码扩散模型的方差

Mengni Jia, Mengyu Zhou, Yihao Liu, Xiaoxi Jiang, Guanjun Jiang

机构 * University of Cambridge（剑桥大学） ； Peking University（北京大学） ； Qwen Large Model Application Team, Alibaba（阿里巴巴通义大模型应用团队） 纠错

AI总结 本文研究了掩码扩散模型（MDMs）训练方差高导致不稳定的问题，通过分解方差来源并提出六种方差减少方法，显著提升了模型在复杂推理任务中的准确率，并将运行间变异性降低至自回归模型（ARMs）水平。