高校专区
不确定性量化中模糊性在错误预测中的作用
机构 * University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 通过解耦输入模糊性与不确定性信号，利用门控专家和选择性预测提升大语言模型在问答任务中的错误预测性能。
Comments 8 pages not including references and appendices, 3 figures
世界-任务分解用于机器人学习
机构 * Department of Computer Science and Technology, University of Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，英国） ； Robotics and Biology Laboratory, Technische Universität Berlin（机器人与生物学实验室，柏林技术大学） ； Science of Intelligence (SCIoI), Cluster of Excellence, Berlin, Germany（智能科学（SCIoI），卓越中心，柏林，德国） ； Robotics Institute Germany（德国机器人研究所）
AI总结 提出将策略分解为世界因子和任务因子，通过可微图模型AICON与紧凑学习策略结合，实现零样本泛化到新配置并迁移到真实硬件。
“我知道这会如何发展”：通过渐进条件惊奇度刻画多样性
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 提出一种基于上下文学习的多样性度量方法 Decan（D_{Ca_n}），通过单次前向传递计算每个字节的得分，无需嵌入模型、参考语料或人工标注，在多个基准上验证了其有效性。
Comments 28 pages, 18 figures, 9 tables. Accepted to the Workshop on Generative AI, Creativity, and Human-AI Co-Creation @ ICML 2026 (non-archival). Code and data: https://github.com/AMindToThink/icl-diversity
通过临界阻尼动量优化实现插值后的快速泛化
机构 * University of Cambridge（剑桥大学） ； University of Hawaii at Manoa（夏威夷大学曼瑙分校）
AI总结 提出GROKtimizer双阶段策略，结合快速收敛到插值与临界阻尼动量后插值范数最小化，在局部二次模型下实现比经典梯度下降二次加速，选择低范数插值解以提升泛化。
物理基础模型从模拟到实验室湍流的涌现迁移
机构 * University of Cambridge（剑桥大学） ； CEA, DAM/DIF（法国CEA DAM/DIF） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； Yale University（耶鲁大学） ； AIM, Université Paris-Saclay, Université Paris Cité, CEA, CNRS（AIM，巴黎-萨克雷大学，巴黎城市大学，CEA，CNRS） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Polymathic AI（聚合人工智能）
AI总结 通过微调连续介质动力学基础模型Walrus，在仅使用少量模拟数据的情况下，零样本泛化到实验室瑞利-泰勒不稳定性实验，揭示了初始条件在模拟-实验差距中的关键作用。
数字孪生辅助的自适应多智能体深度强化学习用于Open-RAN无人机赋能6G网络中的智能频谱与资源管理
机构 * University of Cambridge（剑桥大学） ； University of Bristol（布里斯托大学）
AI总结 针对无人机辅助6G网络中动态频谱与资源管理难题，提出数字孪生辅助的自适应深度强化学习框架，结合粒子群优化轨迹与多智能体DRL分配资源，显著提升频谱效率、数据速率和能量利用率。
Comments accepted and presented at IEEE ICC-2026 conference paper
迈向交互式视频世界建模：前沿、挑战、基准与未来趋势
机构 * Department of Engineering, University of Cambridge, U.K.（剑桥大学工程系） ； Peking University（北京大学） ； University of Twente（埃因霍温理工大学） ； Mechanical Systems Control Laboratory, University of California, Berkeley, USA（加州大学伯克利分校机械系统控制实验室） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软公司） ； University of Oxford（牛津大学）
AI总结 本文系统综述了交互式世界建模的研究趋势、技术挑战、评估基准，并提出了未来方向，重点在于动作条件可控性、长程交互与记忆以及实时响应性。
Comments Under review. The GitHub repository is publicly available at: https://github.com/liujiuming123/Awesome-Interactive-World-Model
模仿学习中的不可行优化问题与分层增广拉格朗日方法
机构 * University of Cambridge（剑桥大学）
AI总结 针对模仿学习中约束不可行导致训练不稳定的问题，提出基于增广拉格朗日方法的解决方案，将策略引导至最近可行约束问题的解，并在驾驶示例中验证其有效性。
弱批评者造就强学习者：用于可扩展监督的在策略批评蒸馏
机构 * University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； UC Berkeley AI Lab（加州大学伯克利分校人工智能实验室）
AI总结 提出在策略批评蒸馏（OPCD）方法，利用弱模型作为批评者提供修订方向，通过自适应自教师信号蒸馏批评引导的行为，提升强模型在推理和对齐基准上的表现。
Zamba2-VL 技术报告
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学）
AI总结 提出基于混合架构Zamba2的视觉语言模型Zamba2-VL，在图像理解等基准上媲美Transformer模型，且首次令牌延迟降低约一个数量级。
Comments 16 pages, 2 figures
量化地理文化价值对多元安全对齐的显著性
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学）
AI总结 通过多层次模型分析，发现文化区域归属对安全评分有显著影响（p<0.05），约10%的项目存在文化敏感性，当前LLM无法可靠替代人类评分员但可辅助筛选。
Comments 119 pages, 13 figures. ICML 2026 camera ready
非参数工具变量的微扰方法
机构 * University of Cambridge（剑桥大学）
AI总结 提出一种受物理微扰论启发的非参数工具变量估计方法，通过系统的高阶微扰校正改进核岭回归，在高维病态问题中预测误差降低高达99%。
Comments 8+24 pages, 4 figures, comments welcomed
基于子抽样马尔可夫链蒙特卡罗的潜变量模型大规模不确定性量化
机构 * University of Cambridge（剑桥大学）
AI总结 针对潜变量模型中SGLD-Gibbs算法超参数调优缺乏理论指导的问题，通过推导统计缩放极限理论，提出确保不确定性量化有意义的调优准则。
Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
产品感知深度自编码器用于多产品信息物理系统的鲁棒过程监控
机构 * University of Cambridge（剑桥大学）
AI总结 针对多产品制造中全局模型因决策边界扩大而产生盲点的问题，提出产品感知自编码器，通过限制学习域到产品特定分布来提升异常检测鲁棒性，在扩展田纳西伊士曼过程基准上实现100%攻击检测。
在理解边缘的基准测试
机构 * University of Cambridge（剑桥大学）
AI总结 提出Critique-Resilient Benchmarking框架，通过对抗性生成-评估游戏在人类理解受限时比较模型，利用批判韧性正确性概念和分项Bradley-Terry模型对LLM进行排序。
诚实撒谎：理解反射型智能体中的记忆虚构
机构 * University of Cambridge（剑桥大学）
AI总结 研究反射型智能体在自我反思中产生记忆虚构的问题，提出反射重复率（RRR）指标检测该现象，并通过程序化提取失败信号缓解问题。
Comments Accepted to ICML 2026 Workshop "Failure Modes in Agentic AI"
超越AI助手：迈向宇宙学中的自主发现
机构 * Institute of Astronomy, University of Cambridge（剑桥大学天文研究所） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学凯斯勒宇宙研究所） ； Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪许天体物理研究所）
AI总结 本文提出两种互补的智能体系统（CMBEvolve和CosmoEvolve），通过LLM引导的代码进化与树搜索以及虚拟多智能体研究实验室，实现宇宙学中的自主科学发现，并在弱引力透镜异常检测和ACT DR6数据分析中展示了初步成果。
Comments 4 pages, 2 figures, Contribution to the 2026 Cosmology session of the 60th Rencontres de Moriond
任意骨干网络的归一化等变性及其在图像去噪中的应用
机构 * University of Cambridge（剑桥大学） ； DeepMind
AI总结 提出无参数包装器WNE，通过输入归一化、任意骨干网络处理、输出反归一化实现归一化等变，在盲去噪中提升CNN和Transformer对噪声水平失配的鲁棒性且无GPU开销。
U-Cast：一种惊人简单且高效的边界概率AI天气预报器
机构 * University of Cambridge（剑桥大学）
AI总结 提出基于标准U-Net骨架的概率天气预报模型U-Cast，通过确定性预训练和短时概率微调，以不到1/10的计算成本匹配或超越GenCast和IFS ENS的预报技能。
Comments ICML 2026. Our code is available at: https://github.com/Rose-STL-Lab/u-cast
检索对齐的表格基础模型实现电子健康记录中在现实约束下的稳健临床风险预测
机构 * University of Cambridge（剑桥大学）
AI总结 针对电子健康记录中高维、异质、类别不平衡和分布偏移等挑战，提出任务对齐检索框架AWARE，通过监督嵌入学习和轻量适配器提升表格上下文学习性能，在极端不平衡下AUPRC提升高达12.2%。
Comments Not peer-reviewed
激励、均衡与医疗AI的局限：博弈论视角
机构 * Cambridge Centre for AI in Medicine, University of Cambridge, UK（剑桥大学医学人工智能中心） ； Magdalene College, University of Cambridge, UK（剑桥大学玛格丽特学院）
AI总结 本文通过住院容量管理的协调问题，描述三种AI部署形式，并分析其对系统行为的影响，指出只有改变激励结构的干预才能改变稳定均衡，为医疗AI的采购、治理和评估提供实践启示。
Transformer的长度泛化界
机构 * University of Cambridge（剑桥大学）
AI总结 本文证明C-RASP（与Transformer紧密相关的语言类）不存在可计算的长度泛化界，但为正片段（等价于固定精度Transformer）提供了可计算的指数级最优界。
Comments 22 pages
LLM Agent 中阴谋行为的宪法黑盒监控
机构 * University of Cambridge（剑桥大学）
AI总结 研究使用基于宪法黑盒的监控器，通过仅观察外部输入和输出检测LLM Agent的阴谋行为，并在合成数据上优化后泛化到更真实环境。
Comments Accepted at ICML 2026. Camera-ready version
基于流的难解分布密度比估计及其在基因组学中的应用
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
AI总结 提出利用条件感知流匹配推导单一动力学公式，沿生成轨迹追踪密度比，以高效估计难解分布间的密度比，并在单细胞基因组学数据分析中展示竞争力。
立场：超越敏感属性，机器学习公平性应通过社会决定因素量化结构性不公正
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学）
AI总结 本文主张算法公平性研究应超越敏感属性，通过社会决定因素量化结构性不公正，并通过理论模型和实证研究证明仅关注敏感属性的缓解策略可能引入新的结构性不公正。
Comments Accepted to ICML 2026 Position Paper Track
原型Transformer：迈向可解释设计的语言模型架构
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出原型Transformer（ProtoT），一种用线性代价原型模块替代二次代价自注意力的自回归语言模型架构，原型自动捕获可命名概念，提升可解释性并支持行为编辑。
Comments Accepted at ICML 2026. Equal contribution: Yordan Yordanov and Matteo Forasassi. 40 pages, 28 figures, 22 tables
WildCat: 理论与实践中近乎线性的注意力机制
机构 * University of Cambridge（剑桥大学）
AI总结 提出WildCat方法，通过随机枢轴Cholesky算法选择加权核心集，在近线性时间内以超多项式误差衰减近似精确注意力，并应用于图像生成、分类和语言模型KV缓存压缩。
迈向物理基础模型
机构 * University of Cambridge（剑桥大学）
AI总结 提出通用物理变换器（GPhyT），通过在大规模多样化模拟数据上训练，实现单一模型在多个物理领域（如流固耦合、冲击波、热对流和多相流）的零样本泛化与长期稳定预测，性能超越专用架构7倍以上。
Comments ICML-AI4Physics 2026
面向临床神经科学中基于Transformer的语言模型的稳定可解释性的单语义归因框架
机构 * Department of Computer Science and Technology（计算机科学与技术系） ； Cancer Research UK（癌症研究英国公司） ； Cambridge Institute（剑桥研究所） ； University of Cambridge（剑桥大学） ； United Kingdom（英国） ； DIMES（迪梅斯） ； University of Calabria（卡拉布里亚大学） ； Italy（意大利） ； Department of Computer Automatic and Management Engineering (DIAG)（计算机自动与管理工程系） ； Sapienza Università di Roma（罗马大学萨皮恩扎） ； Department of Psychiatry（精神病学系） ； School of Computing（计算学院） ； University of Kent（肯特大学） ； Department of Psychology（心理学系）
AI总结 提出一种通过单语义特征提取整合归因与机制视角的统一可解释性框架，生成稳定的输入级重要性分数，促进语言模型在认知健康和神经退行性疾病中的安全应用。
立场：当前基准测试阻碍了时间序列预测深度学习的真正进展
机构 * University of Cambridge（剑桥大学）
AI总结 本文指出当前基准测试实践未能识别影响性能的关键设计因素，尤其是全局性与局部性等被忽视的方面对预测方法类别和实验结果有重大影响，并提出辅助预测模型卡以改进架构比较。
Comments ICML 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈