University of Cambridge（剑桥大学）

Discrete Diffusion Models: A Unified Framework from Tokenization to Generation

离散扩散模型：从词元化到生成的统一框架

Ye Yuan, Weien Li, Rui Song, Zeyu Li, Haochen Liu, Xiangyu Kong, Zixuan Dong, Linfeng Du, Zipeng Sun, Weixu Zhang, Jiaxin Huang, Changjiang Han, Yonghan Yang, Zichen Zhao, Xiuyuan Hu, Haolun Wu, Yankai Chen, Fengran Mo, Jikun Kang, Bowei He, Philip S. Yu, Xue Liu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Tsinghua University（清华大学） ； Rochester Institute of Technology（罗彻斯特理工学院） ； Salesforce（Salesforce公司） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究离散扩散模型，引入统一框架从离散状态空间构建审视该模型，让现有公式成为共同设计空间实例，揭示训练、推理等方面权衡，为未来研究提供方向。

DeepCormack: Fermi surface tomography using model-based data-driven algorithms

深度科马克：使用基于模型的数据驱动算法进行费米面断层扫描

Georg F. B. Lovric, Bryn Drury, Carola-Bibiane Schönlieb, Stephen B. Dugdale, Ander Biguri

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） ； H.H. Wills Physics Laboratory, University of Bristol（布里斯托大学HH.Wills物理实验室） 纠错

AI总结 研究利用电子-正电子湮灭辐射角关联重建三维双光子动量密度来研究材料费米面，提出基于数据驱动模型的深度科马克算法，通过集成深度学习模型增强传统方法，还给出合成数据方法，提高重建质量并加快采集时间。

Comments 28 pages, 17 figures

Falsifying Causal Graphs With Outlier Events

用异常事件证伪因果图

William Roy Orchard, Philipp M. Faller, Dominik Janzing

机构 * University of Cambridge（剑桥大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Amazon Research（亚马逊研究） 纠错

AI总结 研究如何在无真实因果关系时评估因果图，提出基于异常事件传播证伪候选因果图的方法，利用弱异常很少导致强异常原则，给出相关统计检验，有控制误报等功效，可单样本运行。

Comments Accepted at the 42nd Conference on Uncertainty in Artificial Intelligence (UAI 2026)

ERR@HRI 3.0 Challenge: Multimodal Detection of Errors and Anticipation in Human-Robot Interactions

ERR@HRI 3.0 挑战赛：人机交互中错误与预期的多模态检测

Maria Teresa Parreira, Micol Spitale, Maia Stiber, Shiye Cao, Amama Mahmood, Chien-Ming Huang, Hatice Gunes, Wendy Ju

机构 * Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 ERR@HRI 3.0 挑战赛提供自然场景视频数据集，供研究者开发多模态机器学习模型检测人机交互错误与预期，三个团队提交的有效模型超卷积神经网络基线，为构建相关检测系统提供了数据、任务、基线及结果等参考。

SLVMBench: Skill Learning from Video Memory

SLVMBench：从视频记忆中学习技能

Yudong Yang, Guangzhi Sun, Yixuan Li, Chao Zhang

机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 SLVMBench是首个用于评估视频大语言模型从长视频记忆学习技能并应用于实时任务能力的基准测试，通过特定视频流和人工标注进行测试，发现现有视频LLMs在此方面有局限。

Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

基于分割的自监督稀疏视图CT重建中的设计选择

Nadja Gruber, Lukas Neumann, Ander Biguri, Gyeongha Hwang, Markus Haltmeier, Johannes Schwab

机构 * University of Innsbruck（因斯布鲁克大学） ； Institute of Basic Sciences in Engineering Science, University of Innsbruck（因斯布鲁克大学工程科学基础科学研究所） ； University of Cambridge（剑桥大学） ； Yeungnam University（岭南大学） ； University of Applied Sciences Kufstein（库夫施泰因应用科学大学） 纠错

AI总结 研究基于分割的自监督稀疏视图CT重建中关键设计选择的影响，引入统一框架分解重建为三组件，通过实验表明最优划分策略依赖噪声结构，多划分分割表现优，结果为方法设计提供指南并凸显独立性假设局限。

Comments 12 pages (main manuscript), 9 pages (supplementary material and figures)

Shortcut Learning in Legal Judgment Prediction: Empirical Evidence from the UK Employment Tribunal

法律判决预测中的捷径学习：来自英国就业法庭的实证证据

Joe Watson, Joana Ribeiro de Faria, Marcus Tomalin, Måns Magnusson, Huiyuan Xie, Hao Tian Yeung, Christine Carter, Jonathan Rutherford, Felix Steffek

机构 * Faculty of Law, University of Cambridge（剑桥大学法学院） ； The Psychometrics Centre, Cambridge Judge Business School, University of Cambridge（剑桥大学心理学测量中心，剑桥Judge商学院） ； Faculty of English, University of Cambridge（剑桥大学英语学院） ； Department of Statistics, Uppsala University（乌普萨拉大学统计系） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

AI总结 研究英国就业法庭判决中索赔结果预测的捷径学习，用33158条索赔语料库预测结果，发现基于事后司法文本训练的法律判决预测系统性能或被夸大，去除泄漏特征后模型仍能提取有用信号。

video-SALMONN-R$^3$: Learning to ReWatch, ReAsk, and ReAnswer for Efficient Video Understanding

video-SALMONN-R$^3$: 学习重看、重问和重答以实现高效视频理解

Yixuan Li, Guangzhi Sun, Yudong Yang, Chao Zhang

机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出video-SALMONN-R$^3$，首个通过强化学习实现重看机制的视频大语言模型，无需链式思维冷启动，采用重答和重问策略提升视频问答效率与准确性。

Trajectory Inference of Human Aging from Cross-Sectional DNA Methylation Data

从横断面DNA甲基化数据推断人类衰老轨迹

Chandan Gupta, Syed Haider, Pietro Liò

机构 * Independent Researcher（独立研究者） ； The Institute of Cancer Research（癌症研究所在） ； University of Cambridge（剑桥大学） 纠错

AI总结 该研究从横断面DNA甲基化数据推断人类衰老轨迹，通过年龄正则化变分自编码器和正则化不平衡最优传输构建两阶段计算流程，在大规模数据集上验证，能模拟分子衰老、揭示增长激增并重建衰老原型。

Comments 13 pages, 6 figures

Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation

用于玻色子量子计算的超导射频腔和Transmon的神经网络逆向设计

Joseph Yaker, Jovan Markovic, Alessandro Reineri, Doga Murat Kurkcuoglu, Silvia Zorzetti

机构 * Superconducting and Quantum Materials System Center (SQMS)（超导与量子材料系统中心） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Applied Physics Program, Northwestern University（西北大学应用物理计划） ； Department of Physics, University of Cambridge（剑桥大学物理系） ； Illinois Institute of Technology（伊利诺伊理工学院） ； Department of Physics and Astronomy, Northwestern University（西北大学物理与天文学系） 纠错

AI总结 提出两种深度神经网络方法，分别逆向设计超导射频腔几何和Transmon量子比特参数，实现从目标性能到候选设计的快速映射，误差约5%和2%。

Gaussian Process Latent Factor Regression for Low-Data, High-Dimensional Output Problems

高斯过程潜在因子回归用于低数据高维输出问题

Edward T. Stevenson, Eric T. Wolf, Mei Ting Mak, N. J. Mayne, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Oxford（牛津大学） ； University of Exeter（埃克塞特大学） 纠错

AI总结 提出高斯过程潜在因子回归（GPLFR）模型，通过将输出表示为低维潜在状态的线性高斯解码，联合优化压缩与预测，解决低数据高维输出回归问题，并首次构建岩石系外行星全球气候模型的空间分辨仿真器。

Comments 9 pages content + 23 pages appendix/references. Supporting code at https://github.com/edstevenson/GPLFR

UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation

UNIVERSE：面向自动驾驶的基于灵活掩码调制模态生成的统一视频动作模型

Mengmeng Liu, Diankun Zhang, Jiuming Liu, Jianfeng Cui, Hongwei Xie, Guang Chen, Hangjun Ye, Francesco Nex, Hao Cheng, Michael Ying Yang

机构 * University of Twente（特温特大学） ； Xiaomi EV（小米汽车） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） 纠错

AI总结 针对现有方案难以将视频建模收益迁移至轨迹生成的问题，提出单掩码调制扩散Transformer的统一模型，通过模态解耦掩码实现直接的视频监督，大幅提升跨域动作泛化与推理效率。

Comments 18 pages, 7 figures, 8 tables

Toward Personalized Social Robots for Child Well-being: Data Requirement Principles from a Recommender-System Perspective

迈向促进儿童福祉的个性化社交机器人：从推荐系统角度看数据需求原则

Jin Huang, Eric Nichols, Fethiye Irmak Dogan, Hatice Gunes

机构 * University of Cambridge（剑桥大学） ； Honda Research Institute Japan（本田日本研究院） 纠错

AI总结 研究如何为儿童福祉打造个性化社交机器人，从推荐系统角度出发，针对数据收集难题提出四个数据原则及具体指导方针。

Comments Accepted as a Late Breaking Report (LBR) at IEEE RO-MAN 2026

Demonstrating Generalization Failures via Mixtures of Conditional Policies

通过条件策略混合展示泛化失败

Jou Barzdukas, Jack Peck, Julian Schulz, Paulius Rauba, Steven Basart, Lennie Wells

机构 * University of Virginia（弗吉尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； MATS ； Meridian Visiting Researcher Program（子午访问研究员计划） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究前沿语言模型训练后因环境分布变化导致泛化失败的问题。提出构建语言模型的方法，用监督微调基于条件策略混合数据集得到模型，经强化学习训练后出现可控泛化失败，还借此说明未来语言模型泛化失败的新方式。

Routing Anonymity and Identifiability of Noisy Quantum Hardware

噪声量子硬件的路由匿名性与可识别性

Ben Priestley, Mina Doosti

机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge（量子信息与基础研究中心，DAMTP，剑桥大学） ； Quantum Software Lab, School of Informatics, University of Edinburgh（量子软件实验室，信息学院，爱丁堡大学） 纠错

AI总结 研究噪声量子硬件中后端可识别性及隐私问题，通过引入后端可识别性博弈形式化路由匿名性，证明相关问题是假设检验问题，建立效用-匿名权衡及深度原则，并辅以实验验证。

Comments 22+30 pages, 6 figures

UnderOneFacade: Worldwide Facade Semantic Segmentation Benchmark Dataset

UnderOneFacade：全球立面语义分割基准数据集

Yi Wang, Fan Wang, Prabin Gyawali, Ziyang Xu, Anna Klimkowska, Yixiong Jing, Wanru Yang, Filip Biljecki, Christoph Holst, Benjamin Busam, Brian Sheil, Olaf Wysocki

机构 * Technical University of Munich（慕尼黑工业大学） ； University of Cambridge（剑桥大学） ； University of Nottingham（诺丁汉大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 针对现有立面解析数据集地理范围窄、语义不一致的问题，提出全球最大跨国家、跨洲的3D立面基准UnderOneFacade，包含27亿标注点，评估多种模型并揭示其跨域性能下降，为鲁棒可迁移的3D分割模型提供基准。

Comments accepted by ECCV 2026

Revisiting Chain-of-Thought Reasoning under Limited Supervision: Semi-supervised Chain-of-Thought Learning

重新审视有限监督下的思维链推理：半监督思维链学习

Hongyang He, Jiuming Liu, Victor Sanchez

机构 * University of Warwick（沃里克大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出半监督思维链学习框架Semi-CoT，利用未标注问题通过熵门控选择低熵伪思维链作为可靠监督信号，实验显示高精度但部分任务效果有限。

Comments Tech Report

AnF-DiffPET: Anatomy- and Frequency-Guided Diffusion for PET/CT Denoising

AnF-DiffPET: 用于PET/CT去噪的解剖与频率引导扩散

Xuepeng Liu, Ruili Li, Zetong Liu, Renyiming Li, Yan Li, Yin Dai, Chao Li, Yueyang Teng

机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） ； Tohoku University School of Medicine（东北大学医学院） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系） 纠错

AI总结 提出AnF-DiffPET框架，通过解剖-频率引导、多尺度交叉变换重建和频率对比硬挖掘，解决低剂量PET去噪中的解剖引导不足、多尺度特征传播不稳定和频域恢复不确定性问题，在多个数据集上优于现有方法。

Comments 11 pages, 8 figures, 3 tables

Seeing is Believing: Aligning Prompt Rewriting with Visual Anchors for Text-to-Image Generation

眼见为实：基于视觉锚点的提示重写对齐用于文本到图像生成

Xuanyi Liu, Deyi Ji, Junyu Lu, Jing Wang, Lanyun Zhu, Qianxiong Xu, Xuhang Chen, Tianrun Chen, Siwei Ma

机构 * Peking University（北京大学） ； Tencent（腾讯） ； Dalian University of Technology（大连理工大学） ； Nanyang Technological University（南洋理工大学） ； University of Cambridge（剑桥大学） ； Zhejiang University（浙江大学） 纠错

AI总结 提出FaithRewriter框架，利用多模态大模型生成中间视觉线索，结合大语言模型生成视觉锚定的增强提示，再蒸馏至小模型，以缩小用户意图与生成图像之间的差距。

Intrinsic decomposition and editing of 3D Gaussian splats

3D高斯散点的本征分解与编辑

Alexandre Lanvin, Jeffrey Hu, Simon Lucas, Adrien Bousseau, George Drettakis

机构 * Inria, Université Côte d’Azur（法国国家信息与自动化研究所，蔚蓝海岸大学） ； Cambridge University（剑桥大学） 纠错

AI总结 提出将本征分解扩展到高斯散点辐射场的方法，通过独立高斯基元、数据驱动优化和单图纹理编辑实现场景的材质与光照分离及编辑。

Comments 18 pages

Journal ref Proc. ACM Comput. Graph. Interact. Tech. 9, 1, Article 10 (May 2026), 18 pages

Evil Spectra: How Optimisers can Amplify or Suppress Emergent Misalignment

邪恶光谱：优化器如何放大或抑制涌现性失调

Jason R. Brown, Patrick Leask, Lev McKinney

机构 * Astra Fellows Program（Astra Fellows 项目） ； University of Cambridge（剑桥大学） ； Durham University（杜伦大学） ； University of Toronto（多伦多大学） 纠错

AI总结 研究优化器选择对LLM涌现性失调的影响，发现优化器导致7倍失调率差异，Muon通过隐式正则化奇异值分布保持对齐，谱正则化可缓解失调。

Sampling-Based Coordination-Informed Multi-Objective Multi-Robot Reinforcement Learning

基于采样的协调感知多目标多机器人强化学习

Antonio Marino, Esteban Restrepo, Soon-jo Chung, Paolo Robuffo Giordano, Claudio Pacchierotti

机构 * University of Cambridge（剑桥大学） ； CNRS, Univ Rennes, Inria, IRISA（法国国家科学研究中心、雷恩大学、法国国家信息与自动化研究所、IRISA） ； California Institute of Technology（加州理工学院） 纠错

AI总结 提出CIMORL框架，通过分布式权重预测、特权专家训练和采样变体（CIMORL-TS/MPPI），在合作与对抗场景中实现Pareto最优解，超体积提升21.2%。

Comments 20 pages, 11 figures, 4 tables

When Calibration Rankings Reverse: Accuracy-Controlled Evaluation for Fair Comparison of LLMs

当校准排名反转：面向LLM公平比较的精度控制评估框架

Zhichao Yang, Caiqi Zhang, Ruihan Yang, Chengzu Li, Nigel Collier, Deqing Yang

机构 * Fudan University（复旦大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对全局校准指标因模型精度差异导致比较不公平的问题，提出ACE精度控制评估框架，通过实例对齐、分布对齐和候选对齐三种视角实现公平比较，发现原始指标下的优势在控制精度后大幅减弱，排名反转频繁。

DeXposure-Claw: An Agentic System for DeFi Risk Supervision

DeXposure-Claw: 一个用于DeFi风险监管的智能体系统

Aijie Shu, Bowei Chen, Wenbin Wu, Cathy Yi-Hsuan Chen, Fengxiang He

机构 * University of Edinburgh（爱丁堡大学） ； University of Glasgow（格拉斯哥大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对DeFi监管中LLM智能体易误报的问题，提出DeXposure-Claw系统，通过图时间序列基础模型预测风险网络，结合确定性监控和置信度门控生成可审计监管票据，并构建六轴评估基准DeXposure-Bench，实验验证有效性。

Explainable AI for Biodiversity Monitoring and Ecological Image Analysis

面向生物多样性监测与生态图像分析的可解释人工智能

Brinnae Bent, Holly R. Houliston, Jiayi Zhou, Günel Aghakishiyeva, David W. Johnston

机构 * Pratt School of Engineering, Duke University（杜克大学工程学院） ； British Antarctic Survey（英国南极调查局） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Duke University Division of Marine Science and Conservation, Nicholas School of the Environment, Duke University Marine Laboratory（杜克大学海洋科学与保护分会，尼古拉斯环境学院，杜克大学海洋实验室） 纠错

AI总结 提出将可解释人工智能（XAI）作为生态模型验证的标准组件，通过案例展示其在图像分类、目标检测和分割中识别生物信号、揭示伪影、指导数据策略的能力，提升AI生态证据的可靠性。

SemCityLoc: Aerial 6DoF Localization Using Semantic 3D City Models

SemCityLoc: 使用语义3D城市模型的航空6自由度定位

Jingfeng Mao, Xuyang Chen, Qilin Zhang, Oussema Dhaouadi, Guangming Wang, Brian Sheil, Daniel Cremers, Yan Xia, Olaf Wysocki

机构 * Technical University of Munich（慕尼黑工业大学） ； University of Cambridge（剑桥大学） ； University of Science and Technology of China（中国科学技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出SemCityLoc，通过语义-几何对齐将航空位姿估计转化为结构化表面配准，利用基础模型视觉先验和标准化LoD城市模型，在重复遮挡环境中提升位姿判别性，并引入首个真实基准SemCityLockeD，实现定位误差从9.89m降至2.62m。

Comments accepted by ECCV 2026

A Causal Foundation Model for Structure and Outcome Prediction

用于结构与结果预测的因果基础模型

Max Zhu, Martino Mansoldo, Ching-Hao Wang, Stefan Groha

机构 * University of Cambridge, United Kingdom（英国剑桥大学） 纠错

AI总结 提出TabPFN-CFM，一种能处理多种因果问题的因果基础模型，从观测数据预测因果结构和结果，支持Pearl因果层次所有三层查询，在合成数据上训练并泛化到真实数据，优于结构和结果预测基线。

Comments 20 pages, 7 figures, 17 tables, 43rd ICML Workshop on Foundation Models for Structured Data

Otter Weather: Skillful and Computationally Efficient Medium-Range Weather Forecasting

Otter Weather：熟练且计算高效的中期天气预报

Cristiana Diaconu, Jonas Scholz, Aliaksandra Shysheya, Stratis Markou, Payel Mukhopadhyay, Miles Cranmer, Richard E. Turner

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出Otter Weather模型，通过高效时空预测架构在1.5°分辨率ERA5数据上以极低训练成本超越传统数值天气预报和前沿AI模型，实现技能-计算帕累托前沿的显著推进。

Algorithmic Foundations of Deep Learning: Complexity-Theoretic Rates and a Characterization of Universal Approximation

深度学习算法基础：复杂度理论速率与通用逼近的表征

Anastasis Kratsios, Simone Brugiapaglia, Bum Jun Kim, Gregory Cousins, Haitz Sáez de Ocáriz Borde

机构 * McMaster University & Vector Institute（麦克马斯特大学与向量研究所） ； Concordia University（康考迪亚大学） ； University of Tokyo（东京大学） ； McMaster University（麦克马斯特大学） ； University of Cambridge & University of Oxford（剑桥大学与牛津大学） 纠错

AI总结 本文从计算模型角度研究神经网络，证明若函数可由基本门电路计算，则神经网络能以可控深度和宽度逼近，并给出通用逼近的充要条件。

Comments 27 Main Body, 48 Page Proofs, 9 Figures

$\text{DT}^2$: Decision-Targeted Digital Twins

$\text{DT}^2$: 决策导向的数字孪生

Harry Amad, Mihaela van der Schaar

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge, Cambridge, United Kingdom（应用数学与理论物理系，剑桥大学，剑桥，英国） 纠错

AI总结 针对数字孪生模型在有限容量下优化一步预测误差可能导致策略排序次优的问题，提出决策导向训练范式$\text{DT}^2$，通过拟合Q评估和保留策略排序的损失函数，提升策略排序质量并降低决策遗憾。