高校专区
AGE-MIL: 锚点引导的证据学习用于患者级别预测
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤学系） ； Xiangya School of Medicine, Central South University（中南大学湘雅医学院）
AI总结 提出AGE-MIL框架，通过构建患者级锚点整合多张全切片图像证据，将风险建模为证据积累过程，实现弱监督下的稳定优化，在六个任务中优于八种现有方法。
Comments 11 pages, 2 figures, MICCAI early accepted
无保护属性的去偏：从文本画像中消除潜在概念
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； University of Groningen（格罗宁根大学） ； NVIDIA Research（英伟达研究院）
AI总结 提出H-SAL方法，利用自我描述文本作为隐式信号进行后处理概念和属性消除，在无直接敏感属性下实现去偏，并在多领域Stack Exchange基准上验证其效果与显式标签去偏相当或更优。
Comments 23 pages, 5 figures, 12 tables. The paper is currently under review
WorldReasoner: 评估语言模型代理是否通过有效推理预测事件
机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
AI总结 提出WorldReasoner框架，通过时间有效检索、证据质量和因果图推理三个维度评估语言模型代理的事件预测能力，发现时间有效检索是结果准确性的最强驱动因素。
面向边缘设备上心电图异常检测的隐私保护联邦自编码器
机构 * Google Research, New York, NY（谷歌研究，纽约，纽约州） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； University of Melbourne（墨尔本大学） ； University of Sydney（悉尼大学）
AI总结 提出一种结合联邦学习、差分隐私和INT8量化的端到端系统，在PTB-XL数据集上实现无监督12导联ECG异常检测，满足隐私、实时性和非IID数据要求。
Comments 9 pages, 4 figures, 6 tables. Preprint prepared in IEEE conference format. Submitted to: FLTA 2026
ProcessThinker: 通过基于展开的过程奖励增强多模态大语言模型推理
机构 * LMU Munich（慕尼黑大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Mina AI ； Konrad Zuse School of Excellence in Reliable AI (relAI)（康拉德·楚泽可靠人工智能卓越学校（relAI））
AI总结 提出ProcessThinker，一种无需显式过程奖励模型的后训练方法，通过步骤标记格式和基于展开的过程奖励，为多步推理提供密集的步骤级奖励，提升多模态推理一致性。
Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 7 pages, 1 figure
用不确定性感知神经网络建模磁性材料性质
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tokyo（东京大学） ； National Institute for Materials Science（国家材料科学研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
AI总结 针对新材料发现中数据稀缺和分布外预测的不确定性问题，采用高斯负对数似然损失和基于dropout的贝叶斯近似量化预测不确定性，并迁移至微观结构预测矫顽力任务，证明不确定性量化可增强预测可信度且可迁移。
Comments pre print, unreviewed version
可解释的神经标记统计用于宇宙学推断
机构 * University of Cambridge（剑桥大学） ； University of Waterloo（多伦多大学）
AI总结 提出一种神经标记方案，通过可解释的物理变换从形态学层面提取宇宙学信息，在对比学习目标下优化标记统计，显著提高对σ₈和Ωₘ的约束精度。
Comments 11 pages, 6 figures. Accepted to the Workshop on AI for Physics (ICML 2026)
潜在颜色子空间：高维混沌中的涌现秩序
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。
Comments Accepted at ICML 2026
神经集成卡尔曼滤波器：含激波可压缩流的数据同化
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Cambridge（剑桥大学）
AI总结 针对含激波可压缩流中集成卡尔曼滤波器（EnKF）因双峰预报分布失效的问题，提出神经EnKF，通过将预报集合映射到神经网络参数空间并在此空间进行同化，结合物理信息迁移学习避免伪振荡和非物理特征。
Kalman线性注意力：用于高效语言建模和状态跟踪的并行贝叶斯滤波
机构 * University of Cambridge（剑桥大学）
AI总结 提出Kalman线性注意力层，将序列混合重写为信息形式的精确贝叶斯滤波，实现时间并行推理，在相同计算成本下比GLA更具表达力，并在状态跟踪任务中超越线性SSM和注意力。
Comments Accepted at ICML 2026. An earlier version of this work was presented at the 1st Workshop on Epistemic Intelligence in Machine Learning (EIML) at EurIPS 2025
用于平滑且可解释的归一化流的解析双射
机构 * University of Cambridge（剑桥大学）
AI总结 提出三类全局光滑、解析可逆的双射函数，替代耦合流中的仿射变换或样条，并设计径向流架构，在径向结构目标上以千分之一参数达到耦合流质量。
Comments Final ICML 2026 version. 9 + 14 pages, 10 + 11 figures, 3 + 2 tables. New CIFAR-10 and tabular-data results; main text shortened for readability
噪声引导的模仿学习传输方法
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。
Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt
基于大数据驱动的可解释卡尔曼滤波变种发现：通过大规模语言模型和遗传编程
机构 * University of Reading（reading大学） ； University of Cambridge（剑桥大学）
AI总结 本文探讨通过遗传编程和大规模语言模型自动发现卡尔曼滤波变种的可能性，展示框架在不同条件下发现最优解及可解释替代方案的能力。
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