高校专区
自动拉普拉斯坍缩采样：通过自动微分实现高维潜在参数的可扩展边缘化
机构 * Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡夫利宇宙学研究所）
AI总结 本文提出ALCS框架，通过自动微分结合嵌套采样，高效稳健地进行贝叶斯模型中潜在参数的边缘化，支持高维场景下的证据计算，并展示自动微分在局部近似中的应用。
Comments 28 Pages, 7 Figures. Comments welcome
基于条件神经贝叶斯比率估计的实验设计优化
机构 * Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡夫利宇宙学研究所） ； PhysicsX ； Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所）
AI总结 本文提出条件神经贝叶斯比率估计方法，用于在边缘可探测条件下优化实验设计，通过连续设计空间探索提升发现概率预测效率。
Comments 11 pages, 5 figures. Submitted to IEEE Transactions on Neural Networks and Learning Systems
基于理论指导的深度学习的国家道路网络长期交通建模
机构 * Martin Centre for Architectural and Urban Studies, University of Cambridge（剑桥大学马丁建筑与城市研究中心） ； Independent Researcher（独立研究员）
AI总结 本文提出DeepDemand框架，结合交通理论与深度学习，通过社会经济特征和道路网络结构预测长期高速公路交通量，验证了其在长期规划中的有效性与地理可转移性。
Particulate: 用于前馈的3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 Particulate通过前馈模型从3D网格推断关节结构，包括3D部分、运动结构和约束，利用Transformer网络实现高效推理，速度快于传统方法，且适用于AI生成的3D资产。
Comments CVPR 2026. Project page: https://ruiningli.com/particulate
MemoryCD：LLM代理跨领域终身个性化长期上下文用户记忆基准测试
机构 * Roblox ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Cambridge（剑桥大学）
AI总结 MemoryCD通过12个多样化领域和4种个性化任务，评估14种先进LLM基模型与6种记忆方法在单域和跨域场景下的长期上下文用户记忆能力，揭示现有方法在跨领域终身个性化中的不足。
Comments Published as a workshop paper in Lifelong Agent @ ICLR 2026
Gastric-X：一种多模态多阶段基准数据集，用于推进胃癌分析中的视觉-语言模型
机构 * Ruijin Hospital（瑞金医院） ； University of Cambridge（剑桥大学） ； Nanjing First Hospital（南京市第一医院） ； Shenzhen University（深圳大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 Gastric-X通过1700例胃癌病例数据，评估视觉-语言模型在胃癌诊断中的多阶段任务能力，推动医疗领域VLM发展。
Comments Computer Vision and Pattern Recognition 2026
MindSet: Vision. 一个用于测试DNN在关键心理实验上的工具箱
机构 * Independent（独立研究） ； University of Bristol（布里斯托大学） ； IT University of Copenhagen（哥本哈根信息技术大学） ； SUNY Albany（纽约州立大学奥尔巴尼分校） ； Cambridge University（剑桥大学） ； Universidad de Tarapacá（塔拉帕卡大学） ； Ernst Strüngmann Institute for Neuroscience（恩斯特·斯特朗曼神经科学研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Sussex（萨塞克斯大学）
AI总结 本文提出MindSet: Vision工具箱，包含30项心理发现的图像数据集及测试DNN的三种方法，旨在评估DNN与人类视觉的对齐程度。
Comments 34 pages, 12 figures. Updated version with additional model evaluations
EQ-Negotiator：动态情感人格赋能小型语言模型进行边缘部署的信用谈判
机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； The Alan Turing Institute, London, UK（伦敦阿尔法顿研究所）
AI总结 本文提出EQ-Negotiator框架，通过整合博弈论与隐马尔可夫模型，使小型语言模型具备动态情感人格，提升边缘设备上的信用谈判效率与道德标准。
ZeroFold：从预结构嵌入预测蛋白质- RNA结合亲和力
机构 * Centre for Misfolding Diseases, Yusuf Hamied Department of Chemistry, University of Cambridge（错误折叠疾病中心，尤斯夫·哈米埃德化学系，剑桥大学） ； Medicinal Chemistry, Research and Early Development, Respiratory and Immunology, BioPharmaceuticals R&D, AstraZeneca（药物化学，研发与早期开发，呼吸与免疫学，生物制药研发，阿斯利康）
AI总结 本文提出ZeroFold模型，利用预结构嵌入预测蛋白质- RNA结合亲和力，通过跨模态注意力机制结合蛋白质和RNA的预结构嵌入，构建了PRADB数据集并验证了模型性能。
Comments 16 pages, 3 figures, 2 tables
多模态语言模型中的视觉空间视角转换
机构 * University of Cambridge（剑桥大学） ； Department of Psychology（心理学系） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 研究评估多模态语言模型在视觉空间视角转换任务中的表现，发现其在需抑制自身视角以采用他人视角的层面2视角转换中存在显著缺陷，揭示了当前模型在协作场景中的局限性。
加速的神经传输并行退火
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。
Comments Camera-ready version for ICLR 2026
回望过去：利用记忆建模机器人上的流体尾流效应
机构 * Department of Computer Science and Technology, University of Cambridge, UK（剑桥大学计算机科学与技术系）
AI总结 本文研究了通过记忆建模流体尾流效应的机器人交互，探讨了七种数据驱动模型在不同介质中的时空演变，验证了历史状态支持和传输延迟预测对准确预测的重要性。
Comments 8 pages, 7 figures. Submitted to IROS 2026. Project website: https://sites.google.com/view/wake-up-to-the-past
通过机器人中心视频合成实现形态一致的人形交互
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen University（深圳大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出Dream2Act框架，通过生成视频合成实现零样本人形机器人交互，避免传统retargeting的形态差距问题，提升任务完成率。
VLM-CAD：面向模拟电路尺寸设计的VLM优化协作代理设计流程
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； SCBC, Guangdong University of Foreign Studies（广东外语外贸大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出VLM-CAD流程，通过神经符号结构解析模块和ExTuRBO方法提升多模态推理的鲁棒性和可解释性，实验表明其在模拟电路设计中具有高准确性和低功耗。
Comments submitted to the 34th ACM International Conference on Multimedia (ACMMM 2026)
平衡准确率：评估大语言模型判官的正确指标——通过Youden的J统计量解释
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Meta ； University of Cambridge（剑桥大学）
AI总结 本文通过Youden的J统计量证明平衡准确率是评估LLM判官的更优指标，通过分析和实验展示其在选择判官时提升分类器鲁棒性的效果。
Comments 10 pages, 5 figures
Journal ref In Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 5: Industry Track), pages 927-936, Rabat, Morocco, March 2026
从光脉冲波形导出健康指标：基于MIMIC-III-PPG的基准和洞察
机构 * AI4Health Department, Oldenburg University（AI4Health部门，旧恩斯特堡大学） ； Department of Data Science and AI, National Physical Laboratory（数据科学与人工智能系，国家物理实验室） ； School of Mathematics and Physics, University of Surrey（数学与物理学院，萨里大学） ； Department of Public Health and Primary Care, University of Cambridge（公共卫生与初级保健系，剑桥大学）
AI总结 本文基于MIMIC-III-PPG数据集，建立了PPG临床预测的综合基准，涵盖心律分类和生理参数回归，首次评估了PPG在非房颤和房扑的普遍性心律失常检测中的性能，展示了PPG在多任务临床预测中的应用价值。
Comments 22 pages, 1 figure
库莫托模型中的可识别性与均摊推断限制
机构 * LUT University（卢托大学） ； University of Cambridge（剑桥大学）
AI总结 研究探讨了库莫托模型中参数识别与均摊推断的限制，提出了一种基于神经网络的贝叶斯推断方法，实现快速可扩展的推断，适用于同步现象分析。
Sheaf4Rec: 基于图的推荐系统中的Sheaf神经网络
机构 * Sapienza University of Rome（罗马大学萨皮恩扎） ； University of Cambridge（剑桥大学）
AI总结 Sheaf4Rec通过引入范畴论启发的Sheaf神经网络，改进了传统GNN对用户和物品的表示方法，提升了推荐系统在F1-Score@10和NDCG@10上的性能，并在效率上也取得显著提升。
Comments 21 pages, 8 figures
层次化多尺度结构-功能耦合用于脑连接组整合
机构 * School of Medicine, University of Dundee, UK（邓迪大学医学院） ； School of Science and Engineering, University of Dundee, UK（邓迪大学科学与工程学院） ； College of Medicine and Biological Information Engineering, Northeastern University, China（东北大学医学院与生物信息工程学院） ； College of Medical Informatics, Chongqing Medical University, China（重庆医科大学医学信息学院） ； School of Airspace Science and Engineering, Shandong University, China（山东大学航空航天科学与工程学院） ； Chinese Institute for Brain Research, China（中国脑科学研究院） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（剑桥大学应用数学与理论物理系） ； Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系）
AI总结 本文提出层次化多尺度结构-功能耦合框架，通过联合学习结构和功能连接组的模块化组织与层级耦合，提升脑连接组整合效果，验证了其在预测脑年龄、认知分数和疾病分类中的优越性。
一种用于网状材料设计的化学语言模型
机构 * Department of Chemical Engineering & Biotechnology, University of Cambridge（化学工程与生物技术系，剑桥大学） ； Department of Chemistry, University of California – Berkeley（化学系，加州大学伯克利分校） ； Bakar Institute of Digital Materials for the Planet, Berkeley, CA（为地球的数字材料研究所，伯克利，CA） ； KACST–UC Berkeley Center of Excellence for Nanomaterials for Clean Energy Applications, King Abdulaziz City for Science and Technology（清洁能源应用纳米材料卓越中心，国王阿卜杜勒-阿齐兹城市科学与技术中心） ； Synchrotron SOLEIL-UR1, L’Orme des Merisiers, Départementale 128, 91190 Saint-Aubin（SOLEIL-UR1同步辐射光源，L’Orme des Merisiers，Départementale 128，91190 Saint-Aubin）
AI总结 本文提出Nexerra-R1模型，通过生成有机连接体实现逆向设计，结合分布引导目标和化学验证，生成可合成的网状材料候选物。
Comments 45 pages, 26 figures, Supplementary Information included; code available at: https://github.com/fairen-group/nexerra-r1
俄罗斯套娃高斯点撒技术
机构 * University of Cambridge（剑桥大学） ； Chalmers University of Technology（挑战者技术大学） ； Google（谷歌）
AI总结 本文提出Matryoshka Gaussian Splatting，通过随机预算训练实现连续LOD，保持高容量渲染质量，实现单模型的速度-质量平衡。
Comments project page: https://zhilinguo.github.io/MGS
ACT作为人类：多模态大语言模型数据标注中的批判性思维
机构 * University of Sydney（悉尼大学） ； University of Cambridge（剑桥大学） ； Riken AIP（理化学研究所AIP分所） ； University of Adelaide（阿德莱德大学） ； ByteDance Australia（字节跳动澳大利亚）
AI总结 本文提出ACT标注框架，利用大语言模型作为评判者提高标注效率，通过批判性思维识别潜在错误，减少人工成本，提升标注质量。
Comments NeurIPS 2025
可穿戴基础模型应超越静态编码器
机构 * Dartmouth College, USA（达特茅斯学院） ； University of Cambridge, UK（剑桥大学） ； The University of Melbourne, Australia（墨尔本大学） ； Google Research, UK（谷歌研究） ； Tsinghua University, China（清华大学）
AI总结 本文提出可穿戴基础模型需超越静态编码器，通过结构丰富数据、纵向感知多模态建模和代理推理系统实现连续性健康支持。
Comments 13 pages
在扩展网络上进行随机顺序决策制定与图滤波
机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Faculty of EEMCS, Delft University of Technology（EEMCS学院，代尔夫特理工大学）
AI总结 本文提出一种随机顺序决策框架，通过多智能体强化学习训练策略，以适应扩展网络中的图滤波，提升长期奖励和动态捕捉能力。
STEP: 通过跨领域知识蒸馏实现科学时间序列的编码器预训练
机构 * Shanghai Aritificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sichuan University（四川大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出STEP框架，通过跨领域知识蒸馏整合多领域基础模型，构建统一的科学时间序列编码器，提升科学时间序列的表示学习能力。
迈向高效且稳定的海洋状态预测：一种连续时间Koopman方法
机构 * Department of Engineering University of Cambridge（工程系剑桥大学） ； Alan Turing Institute（艾伦·图灵研究所） ； INRIA Paris（巴黎国家信息与自动化研究所）
AI总结 本文提出连续时间Koopman自编码器用于高效稳定的海洋状态预测，通过线性微分方程建模非线性动力学，实现时间不变预测并优于Transformer基线。
通过信息确定评分（IDS）框架用文本衍生项目增强评分尺度测量
机构 * Psychometrics Centre, Judge Business School, University of Cambridge（剑桥大学心理测量中心、剑桥大学商学院） ； Faculty of Law, University of Cambridge（剑桥大学法学院） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） ； Faculty of Psychology, Beijing Normal University（北京师范大学心理学学院）
AI总结 本文提出IDS框架，利用大型语言模型生成文本衍生项目，提升心理测量的精度和效度，通过案例研究展示其在抑郁症测量中的有效性。
反射哈密顿蒙特卡洛中的共振
机构 * Astrophysics Group, Cavendish Laboratory（天体物理组，卡文迪许实验室） ； Kavli Institute for Cosmology（卡文迪许宇宙研究所） ； Engineering Laboratory, University of Cambridge（工程实验室，剑桥大学） ； Institute of Astronomy, University of Cambridge（天文研究所，剑桥大学）
AI总结 本文研究了高维空间中不精确反射哈密顿蒙特卡洛方法的混合问题，通过Sinkhorn分歧度量化分布非均匀性，揭示了混合失败的主要机制，并展示了粒子在球体和立方体中集体运动的相变行为，以及低维模型对高维问题的再现。
Journal ref Phys. Rev. E 111, 045308 (2025)
CADGL：基于上下文的深度图学习用于预测药物-药物相互作用
机构 * Shahjalal University of Science and Technology（沙赫 jalal 科学与技术大学） ； BRAC University（BRAC 大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出CADGL框架，利用定制化变分图自编码器提取药物结构和理化信息，从局部邻域和分子上下文两个视角进行特征提取，提升药物-药物相互作用预测的泛化能力和实用性。
Comments Preliminary version; full version accepted to the IEEE Transactions on Computational Biology and Bioinformatics (IEEE TCBB) (https://doi.org/10.1109/TCBBIO.2026.3675142). Code: https://github.com/azminewasi/cadgl
Journal ref IEEE Transactions on Computational Biology and Bioinformatics, 2026
关于用于风场功率预测的加法高斯过程
机构 * Dynamics Research Group, Department of Mechanical Engineering, The University of Sheffield, Mappin Street, Sheffield, S1 3JD, UK Computational Statistics ； Machine Learning Group, Department of Engineering, University of Cambridge, Cambridge, CB3 0FA, UK Vattenfall R\&D, Vattenfall AB, Älvkarleby, Sweden
AI总结 本文采用加法高斯过程分析风场功率模型，揭示涡轮机和场级功率变化，为风场控制提供依据。
Journal ref In: Rainieri, C., Gentile, C., Aenlle López, M. (eds) Proceedings of the 10th International Operational Modal Analysis Conference (IOMAC 2024)
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