University of Cambridge（剑桥大学）

MyoInteract: A Framework for Fast Prototyping of Biomechanical HCI Tasks using Reinforcement Learning

MyoInteract：一种使用强化学习快速原型设计生物力学人机交互任务的框架

Ankit Bhattarai, Hannah Selder, Florian Fischer, Arthur Fleig, Per Ola Kristensson

机构 * University of Cambridge（剑桥大学） ； Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig, Leipzig University（可扩展数据与人工智能分析中心（ScaDS.AI）德累斯顿/莱比锡，莱比锡大学） 纠错

AI总结 提出MyoInteract框架，通过强化学习生物力学模拟，将设置和训练时间从数天缩短至数分钟，使非专家也能快速原型化人机交互任务。

Comments Published at Designing Interactive Systems (DIS) 2026

Policy Gradient with Self-Attention for Model-Free Distributed Nonlinear Multi-Agent Games

基于自注意力的策略梯度用于无模型分布式非线性多智能体博弈

Eduardo Sebastián, Maitrayee Keskar, Eeman Iqbal, Eduardo Montijano, Carlos Sagüés, Nikolay Atanasov

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Electrical and Computer Engineering, University of California San Diego（电气与计算机工程系，加州大学圣地亚哥分校） ； RoPeRt group, at DIIS - I3A, Universidad de Zaragoza（RoPeRt组，DIIS - I3A，阿拉贡大学） 纠错

AI总结 提出一种分布式策略结构，通过策略梯度学习，利用自注意力层处理时变通信拓扑，解决无模型非线性多智能体博弈问题，在多种场景中表现优异。

Comments The paper has been accepted and will be presented at IEEE/RSJ IROS 2026

Societal Alignment Frameworks Can Improve LLM Alignment

社会对齐框架可以改进大语言模型对齐

Karolina Stańczak, Nicholas Meade, Mehar Bhatia, Hattie Zhou, Konstantin Böttinger, Jeremy Barnes, Jason Stanley, Jessica Montgomery, Richard Zemel, Nicolas Papernot, Nicolas Chapados, Denis Therien, Timothy P. Lillicrap, Ana Marasović, Sylvie Delacroix, Gillian K. Hadfield, Siva Reddy

机构 * ETH Zurich（苏黎世联邦理工学院） ； Mila, McGill University（麦吉尔大学米尔人工智能实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； University of Toronto, Google DeepMind（多伦多大学与DeepMind） ； McGill University, ServiceNow（麦吉尔大学与ServiceNow） ； Google DeepMind（谷歌DeepMind） ； University of Utah（犹他大学） ； King's College London（伦敦国王学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Mila, McGill University, ServiceNow（麦吉尔大学米尔人工智能实验室与ServiceNow） 纠错

AI总结 本文提出借鉴社会、经济和契约对齐框架来改进大语言模型对齐，探讨不确定性在其中的作用，并将目标未指定性视为机遇而非缺陷，同时强调参与式对齐界面设计的必要性。

Adversarial dynamical systems characterize when data-driven learning succeeds or fails

对抗动力系统刻画数据驱动学习何时成功或失败

Matthew J. Colbrook, Igor Mezić, Alexei Stepanenko

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

AI总结 通过对抗动力系统界定数据驱动学习的可行性边界，在Koopman算子学习中给出收敛性与不可能性结果，并在北极海冰预测中超越现有模型。

Comments 16 pages + SM Appendix, final version accepted in Nature Communications