高校专区
视觉语言模型能预测未来状态吗？从逆动力学引导世界模型
机构 * Institute for Language, Cognition and Computation, University of Edinburgh（语言、认知与计算研究所，爱丁堡大学） ； Language Technology Lab, University of Cambridge（语言技术实验室，剑桥大学） ； NVIDIA（NVIDIA公司） ； University of Groningen（格罗宁根大学）
AI总结 本文发现视觉语言模型（VLM）难以直接进行前向动力学预测（FDP），但逆动力学预测（IDP）更容易学习，并利用IDP通过弱监督学习和推理时验证两种策略引导FDP，在Aurora-Bench上取得与最先进图像编辑模型竞争的性能。
在基于注意力的模型中学习记忆、学习和遗忘
机构 * University of Cambridge（剑桥大学）
AI总结 提出Palimpsa模型，将上下文学习视为持续学习问题，通过贝叶斯元可塑性解决稳定性-可塑性困境，显著提升记忆容量，在MQAR和常识推理任务上优于基线。
将提示转化为权重
机构 * Google Research（谷歌研究） ； Cambridge University（剑桥大学）
AI总结 本文提出一种将提示信息转化为与token无关的思维向量和思维矩阵的算法，为现有基于向量和矩阵的模型编辑技术提供理论解释，并实现文本输入到可复用权重更新的直接转化。
揭秘多智能体辩论：置信度与多样性的作用
机构 * University of Cambridge（剑桥大学） ； University of Sheffield（谢菲尔德大学）
AI总结 针对多智能体辩论（MAD）在提升大语言模型性能时效果不佳的问题，提出多样性感知初始化和置信度调节辩论协议两种轻量级干预方法，显著提升辩论有效性。
从片段到场景：自动驾驶中基于视觉语言模型的时间理解
机构 * 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） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学）
AI总结 提出自动驾驶时间理解基准TAD，通过场景思维链和轨迹认知图两种无训练方法提升视觉语言模型的时间推理能力。
使用结构化矩阵定制软注意力机制的归纳偏置
机构 * University of Cambridge（剑桥大学）
AI总结 针对标准注意力机制在低维投影信息损失和缺乏距离依赖偏置的问题，提出基于块张量列（BTT）和连续多级低秩（MLR）结构化矩阵的高秩评分函数，在上下文回归、语言建模和长程时间序列预测中提升性能。
Comments ICML 2025. Code available at https://github.com/YilunKuang/structured-attention
从小语料库测量语法多样性：派生熵率、平均话语长度和注释不变性
机构 * Department of Computer Science and Technology & Jesus College University of Cambridge（计算机科学与技术系及耶稣学院，剑桥大学）
AI总结 本文从理论和实证上证明语法的派生熵与其生成的话语平均长度（MLU）之间存在根本联系，提出派生熵率作为衡量语法复杂性的新指标，并引入平滑诱导树库熵（SITE）从小树库中准确估计这些度量。
Journal ref Computational Linguistics (2025) 51 (4): 1191-1233
四足履轮腿机器人自主运动模式切换：基于仿真的步阶跨越分析
机构 * University of Cambridge（剑桥大学） ； ClearPath AI
AI总结 本文提出了一种用于四足混合机器人自主切换运动模式的方法，特别是在跨越不同高度台阶时，通过能量效率评估机制实现平稳过渡。
差分时间差分学习
机构 * Department of Electrical and Computer Engineering, University of Florida（佛罗里达大学电气与计算机工程系） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出了一种新的差分时间差分学习算法，旨在解决传统时间差分学习方法中收敛缓慢和相对价值函数计算中一致性算法仅在特殊情况下存在的问题。
Comments Preliminary versions of some of the results in this article were submitted as arXiv:1604.01828
基于Kantorovich-Rubinstein偏差的成像
机构 * Department for Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Institute for Analysis and Algebra, TU Braunschweig（分析与代数研究所， Braunschweig 技术大学） ； Center for Mathematical Modeling (Modemat), EPN Quito（数学建模中心（Modemat），厄瓜多尔奎托）
AI总结 本文提出将最优传输中的Kantorovich-Rubinstein范数应用于成像问题，提出了一种变分正则化模型，结合Kantorovich-Rubinstein偏差项和总变分正则化，用于图像去噪和卡通-纹理分解，并与其他方法建立联系，证明优化问题可转化为凸-凹鞍点问题并用标准工具求解。
基于数据的物理系统发现
机构 * School of Automation, Huazhong University of Science and Technology（华中科技大学自动化学院） ； State Key Lab of Digital Manufacturing Equipment and Technology（数字制造装备与技术国家重点实验室） ； School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院） ； Department of Cognitive Robotics, Delft University of Technology（代尔夫特理工大学认知机器人系） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； Luxembourg Centre for Systems Biomedicine, University of Luxembourg（卢森堡系统生物医学中心，卢森堡大学）
AI总结 本文提出了一种从数据直接反向工程物理系统的通用框架，通过识别物理系统和推断转移逻辑，成功应用于机械、电气系统和医疗应用，为预测CPS轨迹、评估性能、设计容错系统和制定新系统设计指南提供了新方法。
一种基于总变分的正则化器，促进分段Lipschitz重建
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 本文提出了一种新的总变分家族正则化器，促进具有给定Lipschitz常数（可空间变化）的重建。通过证明该功能的正则化性质，并研究其与总变分和infimal convolution类型正则化器TVLp的联系，特别是建立了拓扑等价性。数值实验表明，所提出的正则化器在性能上与总广义变分相似，但具有非常直观的自由参数解释，即只是梯度范数的局部估计。它还提供了一种自然的空间自适应正则化方法。
Comments 12 pages, 4 figures, accepted for publication in SSVM conference proceedings 2019
用于合作驾驶实验的微型汽车车队
机构 * University of Cambridge（剑桥大学）
AI总结 本文介绍了一种由16辆微型Ackermann转向车辆组成的独特实验平台，旨在解决多车导航和轨迹规划研究与教育中低成本平台不足的问题，通过实验展示合作驾驶在多车道道路地形中的优势。
Comments Accepted to ICRA 2019
对抗正则化在反问题中的应用
机构 * DAMTP Department of Mathematics（DAMTP数学系） ； University of Cambridge（剑桥大学） ； KTH - Royal Institute of Technology（皇家理工学院）
AI总结 本文提出了一种利用神经网络作为正则化函数的新框架，用于解决反问题，该方法通过学习真实图像分布与未正则化重建分布之间的差异来提升反问题求解的性能。
Comments published at NeurIPS 2018
局部的代数简化方法用于高斯随机场
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学）
AI总结 本文提出了一种局部代数简化方法，用于高斯随机场的概率密度函数计算，从而避免了协方差矩阵求逆的计算复杂性，并展示了该方法在生成多场势能景观和机器学习中的应用。
Comments 15 pages, 2 figures
一种多对比MRI方法用于丘脑分割
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Queensland Brain Institute, University of Queensland（昆士兰脑研究所，昆士兰大学） ； Mater Hospital, South Brisbane, Queensland, Australia（马特医院，南布里斯班，昆士兰，澳大利亚） ； Wellcome Centre for Human Neuroimaging, UCL Institute of Neurology, University College London, United Kingdom（wellcome人类神经影像中心，伦敦大学学院神经学研究所，伦敦大学学院，英国） ； German Center for Neurodegenerative Diseases (DZNE), Magdeburg, Germany（德国神经退行性疾病研究中心（DZNE），马格德堡，德国）
AI总结 本文提出一种多模态MRI分割方法，通过多对比数据提高丘脑子核分割精度，结合迭代配准、手动分割模板、监督学习和凸优化，提升分割性能与鲁棒性。
基于高斯过程地图的可扩展三维磁场SLAM
机构 * Delft University of Technology（代尔夫特理工大学） ； Aalto University（阿尔托大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出一种利用磁场局部异常进行三维磁场SLAM的方法，采用高斯过程模型和六边形分块映射，结合降维高斯过程回归与 Rao-Blackwellised 粒子滤波，实现高效计算和存储的SLAM算法。
Comments 11 pages, 5 figures
通过非平衡热力学刻画图上最优分层策略推断
机构 * Computational and Biological Learning Lab, University of Cambridge（计算与生物学习实验室，剑桥大学）
AI总结 本文提出一种基于图的非平衡热力学方法，用于构建和推断最优分层策略，解决状态空间在不同空间分辨率下的层次结构构建问题。
Comments NIPS 2017 Workshop on Hierarchical Reinforcement Learning. 8 pages, 1 figure
关于欧几里得坐标系统之间线性可逆变换的传递一致性
机构 * Luxembourg Centre for Systems Biomedicine, University of Luxembourg, Esch-sur-Alzette, LUXEMBOURG（卢森堡系统生物医学研究中心，卢森堡大学，埃施-sur-阿尔泽特） ； Centre Hospitalier de Luxembourg, Luxembourg City, LUXEMBOURG（卢森堡医院，卢森堡市） ； Control Group, Department of Engineering, University of Cambridge, Cambridge, UNITED KINGDOM（控制组，工程系，剑桥大学，剑桥）
AI总结 本文研究了如何同步非传递一致的线性可逆变换，提出两种同步方法及迭代Gauss-Newton方法，适用于不同图拓扑，并通过仿真验证了方法的有效性。
Comments 25 pages
变分图像分割模型与图像修复成果相结合
机构 * Department of Plant Sciences（植物科学系） ； Department of Applied Mathematics（应用数学系） ； Theoretical Physics, University of Cambridge, Cambridge, UK（理论物理，剑桥大学，剑桥，英国）
AI总结 本文提出结合图像修复与分割的多相分割模型，有效处理高噪声、模糊和缺失像素图像，改进传统分割模型并高效求解。
Comments 23 pages
FFR：前向-前向学习用于回归
机构 * University of Bristol（布里斯托大学） ； University College London（伦敦大学学院） ； University of Cambridge（剑桥大学）
AI总结 提出FFR框架，通过序数竞争 goodness 函数、分层阶梯架构和层次化预测将前向-前向算法扩展到回归任务，在多个数据集上恢复BP 98.6%的精度并显著降低内存和时间开销。
AI代理实现自适应计算机蠕虫
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Cambridge（剑桥大学） ； ServiceNow
AI总结 本研究展示了AI代理能够生成针对每个目标的定制攻击策略，利用被感染机器上的大语言模型自我维持并传播，形成自持的AI驱动网络威胁。
通过幻觉拒绝采样构建可靠的长文本生成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； DeepMind（深度思维）
AI总结 提出分段幻觉拒绝采样框架SHARS，利用任意幻觉检测器在生成过程中拒绝并重采样幻觉片段，以缓解长文本生成中的幻觉累积问题，提升事实一致性。
Comments accepted by ICML 2026
从提示到服务：基于SLM的AI驱动虚拟世界代理编排网关
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出一种基于小语言模型的代理编排网关，通过意图驱动的服务路由解耦虚拟世界客户端与异构AI后端，并在虚拟博物馆测试床中验证了其可行性和效率。
唯我论超级智能不太可能合作
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文指出，基于唯我论方法设计的超级智能（极端能力的任务求解器）因忽视部署引发的内生非平稳性而难以合作，呼吁将相互依存作为核心设计原则的非唯我论研究范式。
Comments 24 pages, 1 figure, Accepted at Proceedings of the 43rd International Conference on Machine Learning, 2026
GFFMERGE: 图神经力场的高效合并及其扩展
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学）
AI总结 提出GFFMERGE框架，通过凸嵌入对齐问题解析解实现图神经网络的闭式模型合并，在力场回归任务中恢复接近联合训练的性能，并实现5-27倍加速。
聊天机器人输出有意义（但有问题）的语言
机构 * University of Parma（帕尔马大学） ； University of Cambridge（剑桥大学） ； University of Pittsburgh（匹兹堡大学） ； Franklin and Marshall College（弗兰克林与马歇尔学院）
AI总结 本文论证大型语言模型（LLM）的输出是有意义的，但无需假设其具有心理状态或意图，并探讨了这一观点对语言理论和AI伦理的影响。
Comments 49 pages
QUIVER: 用于大型机器学习模型中增强表示的量子信息视角
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出QUIVER框架，通过变分量子电路提取量子Fisher信息矩阵作为几何特征，与经典特征融合以提升大型机器学习模型性能，并在QM9和JetClass数据集上验证了有效性。
Comments 9 pages, 1 figure and 2 tables. Accepted as a poster at the AI4Physics Workshop, ICML 2026 (Seoul, South Korea)
多样性优于频率：重新思考视觉思维链智能体中的工具使用
机构 * 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）
AI总结 本文研究视觉思维链智能体在复杂推理任务中的工具使用，发现工具使用崩溃现象，并提出熵正则化方法通过鼓励多样化探索提升推理性能。
Comments Presented in ICML 2026
潜在拉普拉斯扩散用于不规则多元时间序列
机构 * University of Cambridge（剑桥大学）
AI总结 提出潜在拉普拉斯扩散（LLapDiff）生成框架，通过低维潜在轨迹和拉普拉斯域参数化实现不规则时间序列的长时预测与缺失值插补。
Comments Accepted as a Spotlight at ICML 2026. The Version of Record will appear in Proceedings of Machine Learning Research (PMLR). 27 pages, 5 figures. Code: https://github.com/pixelhero98/LLapDiffusion
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