高校专区
关于通过统计语法诱导计算操作化竞争的语法发展成熟理论
机构 * Department of Computer Science & Technology, University of Cambridge（计算机科学与技术系，剑桥大学）
AI总结 本文探讨了儿童在第一语言发展中获得中间语法类别及其顺序，通过统计语法诱导验证不同成熟理论的预测，发现GROWING模型在三个评估指标上显著优于INWARD模型。
Comments In Proceedings of the Annual Meeting of the Cognitive Science Society (CogSci) 2026. Presentation in Rio de Janeiro, Brazil
NEO: 通过潜在空间重新定位实现无优化的测试时间适应
机构 * University of Birmingham（伯明翰大学） ； Brave Software Research（Brave软件研究） ； University of Cambridge（剑桥大学）
AI总结 NEO通过潜在空间重新定位实现无超参数的测试时间适应，仅需少量计算即可显著提升分类准确率，适用于多个数据集和设备。
Comments ICLR 2026
有效解释支持在不确定性下的规划
机构 * University of Tübingen（图宾根大学） ； Technical University Darmstadt（达姆施塔特技术大学） ； Max Planck Institute for Biological Cybernetics（生物 cybernetics 最大平面研究所） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 本文提出一种计算模型，将解释转化为行动计划，通过大规模语言模型生成策略先验和价值图，结合规划代理在部分可观测条件下执行，验证了高质量解释能提升导航效率。
Comments CogSci 2026
UIESNN：一种具有尺度感知的脉冲网络用于水下图像增强
机构 * Institute of Biology, University of Graz, Graz, Austria（格拉茨大学生物学院，格拉茨，奥地利） ； University of Cambridge（剑桥大学）
AI总结 本文提出UIESNN，一种具有尺度感知的脉冲网络，用于水下图像增强，通过多尺度池化LIF块和脉冲残差架构，提升颜色保真度和空间一致性。
PhySPRING: 通过图神经网络实现物理信息双胞胎的结构保持降维
机构 * University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 PhySPRING通过图神经网络学习层次化简化图拓扑及其机械参数，实现弹簧-质量双胞胎的结构保持降维，提升重建和预测精度并提高计算效率。
Comments 16 pages and 6 pages, conference paper
SAM 3D Animal：基于图像的野外多动物3D重建的可提示框架
机构 * University of Cambridge（剑桥大学） ； Southern University of Science and Technology（南方科技大学） ； Tsinghua University（清华大学） ； IMATI-CNR, Milan, Italy（意大利米兰IMATI-CNR研究所）
AI总结 本文提出SAM 3D Animal，首个可提示的多动物3D重建框架，基于SMAL+参数化动物模型，通过关键点和掩码提示实现拥挤和遮挡场景的可靠重建，利用Herd3D数据集在多个数据集上取得最优结果。
具有连续时间潜在动态的Koopman自编码器用于流体动力学预测
机构 * University of Cambridge（剑桥大学） ； Alan Turing Institute（艾伦·图灵研究所） ； Inria（法国国家信息与自动化技术研究所）
AI总结 本文提出一种连续时间Koopman自编码器，通过闭式推断实现长周期预测，克服了传统方法的固定时间步限制，并在流体动力学中实现了高效稳定预测。
RNE: 可插拔的扩散推理时间控制与基于能量的训练
机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics
AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。
Comments Accepted at ICLR 2026
积云红外观测揭示四维降水结构
机构 * Institute of Remote Sensing and Geographical Information Systems, School of Earth and Space Sciences, Peking University（遥感与地理信息系统研究所，地球与空间科学学院，北京大学） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education（高可信软件技术重点实验室（北京大学），教育部；计算机科学学院，北京大学） ； School of Computer Science, Peking University（风云气象卫星创新中心，国家气象中心，中国气象局） ； Innovation Center for Fengyun Meteorological Satellite, National Meteorological Centre, China Meteorological Administration（大气与海洋科学系，物理学院，北京大学） ； Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University（山地灾害环境研究所，中国科学院） ； Institute of Mountain Hazards and Environment, Chinese Academy of Sciences（土木工程与环境科学学院，俄克拉荷马大学） ； School of Civil Engineering and Environmental Science, University of Oklahoma
AI总结 本文提出4DPrecipNet框架，利用积云红外数据重建四维降水结构，揭示亚云降水的可观测性，通过物理约束深度学习方法实现降水垂直和时间演变的重建。
分类场：从少量示例中进行任意精细的递归分层聚类
机构 * Department of Mathematics and Statistics, McMaster University, Canada（加拿大麦 master 大学数学与统计学系） ； Vector Institute, Canada（加拿大向量研究所） ； University of Cambridge, United Kingdom（英国剑桥大学）
AI总结 本文提出分类场，一种通过局部父到子细化规则生成无限深度分层聚类结构的方法，证明了其在完成单元度量下的指数截断收敛性，并在实验中验证了其在递归展开中的有效性。
每个可定义于o-最小结构中的前馈神经网络都有有限样本复杂性
机构 * Department of Mathematics & Statistics, McMaster University（数学与统计学系，麦斯特大学） ； Department of Mathematics & Statistics, Concordia University（数学与统计学系，康科迪亚大学） ； University of Cambridge（剑桥大学） ； Graduate School of Engineering, The University of Tokyo（东京大学工学研究院）
AI总结 本文证明了在PAC模型中，可定义于o-最小结构中的广泛前馈神经网络具有有限样本复杂性，涵盖标准固定大小的MLP、CNN、GNN和Transformer等架构及其常见操作。
保守流：生成模型的新范式
机构 * The University of British Columbia（不列颠哥伦比亚大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出一种新的生成模型范式，通过离散随机动力学保持数据分布不变，利用预训练流模型，开发了两种概率保持采样机制，验证了在合成数据集上的优越性。
Christoffel-DPS: 在扩散后验采样中为任意分布优化传感器布置
机构 * Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Department of Mathematics（数学系） ； Simon Fraser University（西蒙弗雷泽大学）
AI总结 本文提出Christoffel-DPS方法，基于Christoffel函数为任意分布提供非渐近的传感器数量界，优于传统高斯方法，适用于非高斯基准的低传感器预算场景。
Contrast-X：一个多模态对比图像合成基准及通用模态流匹配
机构 * University of Cambridge（剑桥大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； University of Dundee（邓迪大学）
AI总结 Contrast-X通过多器官CT和乳腺DCE-MRI数据，提出FlowMI模型解决多模态缺失问题，评估合成图像质量及跨器官泛化能力。
视觉语言动作模型中的持续演进技能知识
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； University of Cambridge（剑桥大学） ； Beihang University（北京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； MIT SMART（麻省理工学院SMART实验室） ； AgiBot
AI总结 本文提出Stellar VLA框架，通过无需增加参数的持续模仿学习方法，实现视觉语言动作模型的持续知识积累，实验表明其在任务专精和知识转移方面表现优异。
用环境级查询评估世界模型学习
机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University
AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。
Comments 34 pages, 10 figures
MINER：挖掘多模态内部表示以实现高效检索
机构 * McGill University（麦吉尔大学） ； MIT - Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（MBZUAI - 摩洛哥 bin Zayed 大学人工智能学院） ； Mila - Quebec AI Institute（Mila - 加拿大魁北克人工智能研究所）
AI总结 本文提出MINER，通过挖掘Transformer各层内部表示，融合多模态信号生成紧凑嵌入，提升检索性能，优于现有单向量检索器并在部分设置中缩小与晚交互基线的差距。
Comments Preprint
解耦的PFNs：通过结构化合成先验实现可识别的epistemic-aleatoric分解
机构 * University of Cambridge（剑桥大学） ； Siemens AG（西门子公司）
AI总结 本文提出解耦PFNs，通过结构化合成先验实现epistemic-aleatoric分解，改进了在噪声和异方差设置下的主动学习和贝叶斯优化性能。
不要失去焦点：通过键正交投影进行激活引导
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文提出SKOP方法，通过约束有害的注意力重路由，减少激活引导对推理和检索性能的负面影响，实现最佳的引导-实用性平衡。
通过自适应任务图提高语言代理团队的效率
机构 * Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； New York University（纽约大学）
AI总结 本文提出LATTE框架，通过自适应任务图提升语言代理团队效率，减少资源消耗并提高协作准确性。
双 Lipschitz 正则化流的表达性：基于分数扩散的视角
机构 * Center for Industrial Mathematics, University of Bremen（工业数学中心，不莱梅大学） ； Department of Theoretical Physics and Applied Mathematics, University of Cambridge（理论物理与应用数学系，剑桥大学）
AI总结 本文从分数扩散模型的角度研究双 Lipschitz 正则化流的表达性，通过概率流ODE分析其分布逼近能力，并推导扩散运输的确定性收敛保证。
旋律与节奏是否共进化？
机构 * University of Cambridge, UK（剑桥大学，英国） ； RITMO Centre for Interdisciplinary Studies in Rhythm, Time and Motion, University of Oslo, Norway（节奏、时间与运动跨学科研究中心，奥斯陆大学，挪威） ； Department of Psychology, Goldsmiths College, University of London, UK（心理学系，伦敦大学金史密斯学院，英国） ； Department of Life Sciences, Leipzig University, Germany（生命科学系，莱比锡大学，德国） ； Division of Social Science, New York University Abu Dhabi, UAE（社会科学系，阿布扎赫尔新 york 大学，阿联酋） ； Department of Psychology, Cornell University, USA（心理学系，康奈尔大学，美国）
AI总结 研究通过分析27628首歌曲的旋律和节奏数据，发现两者在文化间存在差异，但节奏多样性与民族语言多样性相关，而旋律多样性无此关联，表明二者可能受不同文化压力影响。
Comments 6 pages, 3 figures, to be included in Proceedings of the Annual Meeting of the Cognitive Science Society
通过改进的一致性蒸馏流匹配实现物理保真重建
机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） ； The Center for Computational Science（计算科学中心）
AI总结 本文提出通过改进的一致性蒸馏流匹配方法，将高保真流匹配生成模型压缩为紧凑的一步模型，以实现快速的科学流重建。在三个流体基准上验证了该方法的有效性，展示了蒸馏模型在参数效率和推理速度上的优势。
使重建FID成为扩散生成FID的预测指标
机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） ； Peking University（北京大学） ； Kuaishou Technology（快手科技）
AI总结 本文提出插值FID(iFID)，通过在潜在空间中检索最近邻并插值其潜在表示，解码后计算与原数据集的FID，从而与生成FID强相关。
PulseLM：PPG-文本学习的基础数据集和基准
机构 * Singapore Management University（新加坡管理大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； University of Cambridge（剑桥大学）
AI总结 PulseLM通过统一的问答框架连接原始PPG波形与自然语言，包含100万标准化PPG片段及250万问题-答案对，为研究语言基础生理推断和多模态模型基准提供标准化基础。
Comments PulseLM v2
子流形稀疏卷积网络用于计算机断层扫描中肾脏及肾肿瘤的自动三维分割
机构 * ETH Zürich, Institute for Particle Physics and Astrophysics（苏黎世联邦理工学院，粒子物理与天体物理研究所） ； University of Cambridge, Department of Physics（剑桥大学，物理系） ； University of Cincinnati, Department of Physics（辛辛那提大学，物理系） ； University of Cambridge, Department of Radiology（剑桥大学，放射学系）
AI总结 本文提出基于体素稀疏化和子流形稀疏卷积网络的两阶段3D分割方法，用于提高CT图像中肾脏及肿瘤的分割效率与精度，实验表明其在速度和内存使用上均优于现有方法。
Comments 15 pages, 6 figures
Transformer的最优上下文适应性与分布鲁棒性
机构 * Statistical Laboratory, University of Cambridge（剑桥大学统计实验室） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系）
AI总结 本文研究了Transformer在不同测试分布下的性能，证明了预训练模型在固定难度任务上能实现最优收敛速度，并对分布偏移具有鲁棒性。
Comments 47 pages, 4 figures
重新思考大语言模型训练中的数据整理：在线重加权优于离线方法
机构 * University of Cambridge（剑桥大学） ； OATML, University of Oxford（牛津大学OATML实验室） ； University of Toronto（多伦多大学） ； Shanghai Jiao Tong University（上海交通大学） ； Samsung AI Center（三星人工智能中心）
AI总结 本文提出ADAPT框架，通过动态在线重加权提升模型泛化能力，实验显示其在指令微调和大规模预训练中优于传统离线方法。
Comments ICLR 2026
TimeTok：通过分层标记化实现可控制的时间序列生成
机构 * Department of Artificial Intelligence, Korea University, Seoul, South Korea（韩国大学人工智能系，韩国首尔） ； Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge, Cambridge, United Kingdom（剑桥大学，英国剑桥）
AI总结 TimeTok通过分层标记化策略实现时间序列的粒度可控生成，支持从粗粒度输入生成任意目标粒度的时间序列，同时在标准生成任务中达到最先进的性能。
地球系统基础模型（ESFM）：一个用于异质数据整合和预测的统一框架
机构 * Swiss Data Science Center (SDSC), ETH Zurich & EPFL（瑞士数据科学中心（SDSC）、苏黎世联邦理工学院与洛桑联邦理工学院） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； Federal Office for Meteorology and Climatology MeteoSwiss（联邦气象与气候办公室MeteoSwiss） ； Institute of Geodesy and Photogrammetry, ETH Zurich（苏黎世联邦理工学院测绘与摄影测量研究所） ； Computational and Applied Mathematics Laboratory, ETH Zurich（苏黎世联邦理工学院计算与应用数学实验室） ； Institute for Atmospheric and Climate Science (IAC), ETH Zurich（大气与气候科学研究所（IAC）、苏黎世联邦理工学院） ； Scalable Parallel Computing Lab, ETH Zurich（可扩展并行计算实验室、苏黎世联邦理工学院） ； Dep. 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ESFM，一个基于3D Swin UNet的开放模型，通过扩展编码方案和轴向注意力机制，实现对多源异质数据的整合与预测，提升气候科学应用性能。
Comments ESFM is available on https://github.com/swiss-ai/ESFM. 48 pages, 29 figures, 18 tables
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