高校专区
MindAlign: 弥合脑电图、视觉和语言实现零样本视觉解码
机构 * KTH, SWeden（瑞典皇家理工学院） ； University of Cambridge, UK（剑桥大学） ； EPFL, Switzerland（瑞士联邦理工学院） ； McGill University, Canada（麦吉尔大学） ； Karolinska Institutet, Sweden（卡罗林斯卡研究所）
AI总结 提出一种三模态对比学习框架MindAlign，通过对齐脑电图、图像和文本表示，在Things-EEG2零样本基准上实现54.1% Top-1和83.4% Top-5准确率，显著超越先前方法。
Comments 20 pages, 10 figures, 15 tables
神经过程表示能力的刻画
机构 * University of Cambridge（剑桥大学）
AI总结 本文通过严格层级分析，刻画了条件神经过程、注意力神经过程、Transformer神经过程及其潜在变体的表示能力，揭示了不同架构在函数表示上的包含关系与局限。
Comments To appear at ProbML/AABI 2026
压缩即适应：基于扩散基础模型的隐式视觉表示
机构 * Microsoft Research Asia（微软亚洲研究院） ； University of Cambridge（剑桥大学）
AI总结 提出一种将视觉信号编码为函数的新框架，通过冻结的视觉生成模型附加低秩适应参数实现隐式表示，并进一步哈希为紧凑向量，在极低比特率下实现强感知视频压缩，同时支持推理时缩放和调控，统一了视觉压缩与生成。
Comments ICML 2026
理解序贯强化学习中的目标泛化
机构 * University of Cambridge（剑桥大学） ； Geodesic Research（Geodesic研究）
AI总结 通过引入潜在策略梯度方法，研究序贯训练下强化学习代理在分布外环境中的目标泛化行为，发现显著特征驱动泛化且早期目标影响后期目标。
PathNavigate: 一种无需训练的病理学代理，具有惊喜引导扫描和共享幻灯片记忆用于全切片图像VQA
机构 * School of Comp. Science & Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Tencent Jarvis Lab（腾讯Jarvis实验室） ； University of Cambridge（剑桥大学）
AI总结 提出PathNavigate，一种无需训练的病理学代理，通过惊喜引导扫描和共享幻灯片记忆，在严格检查预算下高效定位证据并回答临床查询。
S$^3$GNN：用于长程图学习的高效全局混合与局部消息传递
机构 * Department of Engineering, University of Cambridge, Cambridge, UK.（剑桥大学工程系，英国剑桥） ； University of Sydney, Australia.（悉尼大学，澳大利亚）
AI总结 提出S$^3$GNN模型，通过轻量级重新引入被忽略的组件并降低计算复杂度，在不依赖强理论假设的情况下缓解过挤压现象，实现长程依赖的高效学习。
欧洲多中心乳腺癌MRI数据集
机构 * University of Cambridge（剑桥大学） ； MITERA Hospital（MITERA医院） ； Ribera Salud Group（Ribera Salud集团） ； Radboud University Medical Center（拉德堡德大学医学中心） ； University Hospital RWTH Aachen（亚琛工业大学医院） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； University Hospital Carl Gustav Carus（卡尔·古斯塔夫·卡鲁斯大学医院） ； EKFZ Technical University Dresden（德累斯顿技术大学EKFZ）
AI总结 为促进AI在乳腺癌MRI中的应用，构建了一个包含741例检查、来自5国6个临床机构的公开多中心数据集，涵盖恶性、良性及非病灶病例，并提供了基于Transformer模型的基准实验。
从可穿戴设备和常规血液生物标志物预测胰岛素抵抗
机构 * Google Research（谷歌研究） ； Institute of Metabolic Science, University of Cambridge（剑桥大学代谢科学研究所）
AI总结 本研究利用可穿戴设备时间序列数据和血液生物标志物，通过深度神经网络模型预测胰岛素抵抗，在最大规模远程招募数据集上实现了优于单一数据源的性能，并展示了模型在肥胖和久坐人群中的高灵敏度及可解释性。
异质层丛神经网络
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, Northeastern University（电气与计算机工程系，东北大学） ； Department of Computer, Control and Management Engineering, Sapienza University of Rome（计算机、控制与管理工程系，罗马萨皮恩扎大学）
AI总结 提出HetSheaf框架，通过细胞层丛表示异质图的类型感知局部特征空间和学习限制映射，在节点分类、链接预测和图分类任务上优于现有方法且参数更少。
Comments 48 pages, 2 figures
通过能力选择性子空间投影实现自我策略蒸馏
机构 * University of Cambridge（剑桥大学） ； HKUST（香港科技大学） ； University of Chicago（芝加哥大学）
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。
利用物理信息高斯过程进行气动力重建
机构 * Bauhaus-Universität Weimar（魏玛应用科学大学） ； University of Cambridge（剑桥大学）
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。
三次成本：神经过程在高斯过程推断中的摊销
机构 * University of Cambridge, Cambridge, UK（剑桥大学）
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: 为自动绑定网格的视频感知姿态空间
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）
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/
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
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）
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/
更丰富的贝叶斯最后层与子采样NTK特征
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）
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
一种用于学习基于能量的生成模型的扩散分类损失
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）
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
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
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）
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。
对几乎任何事物进行高斯过程的条件化
机构 * Lancaster University（兰卡斯特大学） ； University of New South Wales（新南威尔士大学） ； University of Cambridge（剑桥大学） ； University of Tübingen（图宾根大学）
AI总结 本文提出了一种通用的方法，通过将高斯过程与线性扩散模型建立等价关系，实现了对任意条件语句的高效条件化，包括非线性物理模型和自然语言，从而扩展了高斯过程在现实世界建模中的应用。
因果机器学习并非万能：健康领域观察性因果推断的路线图
机构 * Division of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Mathematics & Statistics, Elon University（埃洛伊大学数学与统计学系） ； Department of Ophthalmology, Cambridge University Hospitals（剑桥大学医院眼科部） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； School of Engineering and Applied Science, Harvard University（哈佛大学工程与应用科学学院） ； Laboratory for Computational Physiology, Institute for Medical Engineering and Science, Massachusetts Institute of Technology（麻省理工学院医学工程与科学研究所计算生理学实验室） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心医学部） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系）
AI总结 本文探讨了因果机器学习在观察性数据中的应用，强调了验证有效性假设和合理使用因果机器学习的重要性，提出了加强因果分析严谨性和可解释性的模板。
通过联合嵌入实现零样本卫星图像检索：应用于危机响应
机构 * Trillium Technologies ； University of Cambridge（剑桥大学） ； Universidad de Antioquia（Antioquia大学）
AI总结 本文提出GeoQuery系统，通过两阶段语义和视觉搜索，在无需配对数据和计算资源的情况下实现全球范围内的自然语言查询，利用部分全球数据的自然语言嵌入，优化描述生成提示以使文本嵌入空间与冻结CLAY视觉嵌入空间的距离相关联，从而在灾难地点查询中实现高精度检索。
基于图神经网络的面向层次的知识图谱嵌入：应用于酵母表型预测
机构 * Department of Computer Science and Engineering, Chalmers University of Technology and University of Gothenburg（计算机科学与工程系，查尔姆斯理工大学和哥德堡大学） ； Department of Life Sciences, Chalmers University of Technology（生命科学系，查尔姆斯理工大学） ； Department of Industrial Biotechnology, KTH Royal Institute of Technology（工业生物技术系，皇家理工学院） ； Department of Chemical Engineering and Biotechnology, University of Cambridge（化学工程与生物技术系，剑桥大学）
AI总结 本文提出了一种利用图神经网络和来自底层本体的语义损失来生成层次感知的知识图谱嵌入的方法，用于酵母表型预测，并展示了其在基因敲除效应预测和知识图谱修订评估中的应用。
从输出监督学习的链式思维混淆可以泛化到未见过的任务
机构 * University of Cambridge（剑桥大学） ； Geodesic Research
AI总结 本文研究了链式思维（CoT）推理中混淆现象的泛化能力，发现模型在学习混淆推理轨迹时，能够将这种混淆行为及其在未见过的任务中表现出来，从而影响模型的可监控性。
训练语言代理以从经验中学习
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种名为In-context Training（ICT）的任务框架，用于评估语言代理在跨任务中的自我改进能力，并通过基于强化学习的训练管道直接从经验中学习反思，从而在多个基准任务中优于基线模型，展示了从经验中学习的能力本身可以被学习。
图转导锐化：利用未标记预测进行节点分类
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种转导锐化方法，通过利用未标记节点的预测来改进节点分类任务，无需改变基础架构即可在多个基准上提升性能。
Comments 19 pages, 4 figures, 17 tables
多头变压器架构作为时间依赖的Wasserstein梯度流
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） ； Department of Mathematics, University of Twente（数学系，埃因霍温理工大学）
AI总结 本文提出将多头变压器架构中的数据流建模为时间依赖的Wasserstein梯度流，以捕捉注意力机制的设计，并证明了在合适积分性假设下，梯度流的ω-极限集元素是交互能量的稳态点，同时分析了梯度流的稳定性，并通过数值实验验证了预测的能量耗散身份和动力学的渐近行为。
CMAD：通过随机最优控制的协作多智能体扩散
机构 * University of Cambridge（剑桥大学） ； Xaira Technologies（Xaira技术公司）
AI总结 本文提出了一种新的框架，将多模型组合生成问题转化为协作随机最优控制问题，通过联合优化扩散轨迹来实现更有效的生成效果。
高效且最优的基于上下文的非参数回归变换器
机构 * Statistical Laboratory, University of Cambridge, Cambridge, UK（剑桥大学统计实验室，剑桥，英国）
AI总结 本文研究了基于上下文学习的非参数回归，针对α-Holder光滑回归函数，证明了使用预训练的变换器可以达到最优收敛率，且参数和预训练序列数量显著少于现有文献。
Comments 30 pages, 7 figures
适应性实验的算法：在统计分析与奖励之间进行权衡：结合均匀随机分配与奖励最大化
机构 * University of Toronto（多伦多大学） ； Carleton College（卡洛尔学院） ； University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种统计敏感算法TS-PostDiff，通过结合均匀随机分配和奖励最大化，在统计分析与用户奖励之间进行权衡，以提高实验效率和准确性。
EnvFactory: 通过可执行环境合成和鲁棒强化学习扩展工具使用智能体
机构 * LARK, HKUST (GZ)（LARK，香港科技大学（广州）） ； University of Cambridge（剑桥大学） ； UCL（伦敦大学学院） ； Huawei Technologies Co., Ltd（华为技术有限公司）
AI总结 本文提出EnvFactory框架，通过自动合成可执行环境和鲁棒强化学习，解决工具使用智能体扩展中的环境可扩展性和训练数据不足问题，显著提升训练效率和下游性能。
Comments 11 pages
超越扩展：智能体正走向边缘
机构 * University of Cambridge（剑桥大学） ； University of Macau（澳门大学） ； Nanjing University（南京大学）
AI总结 本文探讨了智能体技术发展的瓶颈从单一模型压缩世界知识转向协调系统执行，提出个人智能体架构必须转向边缘计算，以适应高保真局部环境的结构耦合和零延迟执行循环需求。
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