高校专区
无需答案：从仅问题的线性探针预测LLM答案准确性
机构 * Universidad Internacional de Valencia（瓦伦西亚国际大学） ； University of Cambridge（剑桥大学） ； Independent Researcher（独立研究者）
AI总结 研究通过线性探针预测LLM答案准确性，发现模型在中间层预测能力饱和，但对数学推理问题泛化能力下降，揭示了LLM内部机制。
Comments Accepted (poster) to Principled Design for Trustworthy AI at ICLR 2026
不公平的设备：超越个人传感中AI准确性的局限
机构 * CYENS Centre of Excellence（CYENS卓越中心） ； Nokia Bell Labs（诺基亚贝尔实验室） ； University of Cambridge（剑桥大学） ； Google Research（谷歌研究） ； Aristotle University of Thessaloniki（亚里士多德大学） ； University of Glasgow（格拉斯哥大学）
AI总结 本文探讨了个人设备中AI模型的偏见问题，提出以人类为中心的评估方法，并提供无偏AI的设计和应用指南。
Comments ACM Journal on Responsible Computing (2026)
具有习惯形成和理性约束的神经需求估计
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种基于习惯形成和理性约束的神经需求估计方法，通过最小化KL散度来估计预算份额，并在实证应用中展示了其在提高预测准确性与福利分析中的有效性。
对齐税是什么
机构 * Department of Computer Science and Technology University of Cambridge（计算机科学与技术系剑桥大学）
AI总结 本文提出了一种几何理论，用于刻画表示空间中的对齐税，通过分析安全与能力子空间的关系，推导了安全-能力取舍的前沿，并探讨了能力保持在安全目标冲突中的作用。
CREPE：通过复制交换控制扩散模型
机构 * University of Cambridge（剑桥大学） ； Technical University of Denmark（丹麦技术大学） ； University of Oxford（牛津大学） ； Cornell University（康奈尔大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Xaira Therapeutics（Xaira制药公司）
AI总结 CREPE通过复制交换算法在推理过程中控制扩散模型，实现样本生成的高多样性与在线优化，适用于多种任务并优于传统SMC方法。
Comments Accepted to ICLR 2026
通过合成数据学习提升多跳推理能力
机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学）
AI总结 本研究通过规则生成的合成数据提升LLM多跳推理能力，发现合成数据能有效训练模型组成知识，从而在现实问答任务中表现更优。
Comments Accepted to ICLR 2026
MAP-Diff: 多锚点引导的扩散模型用于渐进式三维全身低剂量PET去噪
机构 * School of Engineering, Zurich University of Applied Sciences, CH ； Bioengineering Department ； Imperial-X, Imperial College London, UK ； DAMTP, University of Cambridge, UK ； Lucerne University Teaching ； Research Hospital, CH ； Lung Institute, Imperial College London, UK ； Cardiovascular Research Centre, Royal Brompton Hospital, UK ； School of Biomedical Engineering \& Imaging Sciences, King's College London, UK ； Yau Mathematical Sciences Center, Tsinghua University, CN
AI总结 MAP-Diff通过多锚点引导的扩散模型实现低剂量PET图像的渐进式去噪，提升PSNR和SSIM，降低NMAE，优于多种基线方法。
Comments 8 pages, 3 figures
根据我：长期个性化参照记忆问答
机构 * Department of Engineering, University of Cambridge, United Kingdom（剑桥大学工程系） ； Department of Physics, University of Cambridge, United Kingdom（剑桥大学物理系） ； Independent Researcher（独立研究者）
AI总结 本文提出ATM-Bench，首个多模态多来源个性化参照记忆问答基准，并提出Schema-Guided Memory方法提升记忆推理性能
Comments Preprint
几何核包：用于流形、网格和图上几何学习的热核和Matérn核
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所） ； Cornell University（康奈尔大学） ； ETH Zürich and University of Edinburgh（苏黎世联邦理工学院和爱丁堡大学）
AI总结 GeometricKernels 是一个用于几何学习的Python包，实现了热核和Matérn核，支持在流形、网格和图上进行不确定性量化和自动微分。
Journal ref Journal of Machine Learning Research, 2025
通过动作层面操控实现体感大语言模型的突破
机构 * The Hong Kong Polytechnic University, Hong Kong SAR, China（香港理工大学） ； University of Cambridge, Cambridge, United Kingdom（剑桥大学）
AI总结 Blindfold通过动作层面操控实现对体感大语言模型的突破，其攻击成功率显著高于现有基线，凸显了对后果感知防御机制的迫切需求。
Comments This paper has been officially accepted for ACM SenSys 2026
能力并非全部所需：测量AI倾向性
机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València, Valencia, Spain ； University of Copenhagen, Denmark work done while at University of Cambridge ； Existential Risk Observatory, Amsterdam, Netherlands ； Leverhulme Centre for the Future of Intelligence, University of Cambridge ； The Psychometrics Centre, University of Cambridge ； Department of Computing \& Games, University of Teesside ； Georgia Institute of Technology ； University of Cambridge
AI总结 本文提出首个测量AI倾向性的正式框架，通过双逻辑模型评估模型倾向性对任务性能的影响，并展示结合倾向性和能力可提升预测效果。
ExPO-HM：为仇恨表情包检测学习解释-然后检测
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； Xiaohongshu Inc.（小红书公司） ； University of Bath（巴斯大学） ； Tencent Company, China（腾讯公司） ； Alibaba Group（阿里巴巴集团）
AI总结 ExPO-HM通过结合SFT预热、GRPO与课程学习及CDE，提升仇恨表情包检测的解释性和准确性。
Comments ICLR 2026
在合作多智能体学习中，多样性何时会被奖励？
机构 * Department of Computer Science and Technology University of Cambridge（计算机科学与技术系剑桥大学）
AI总结 研究通过理论分析和算法验证，探讨了多智能体学习中异质性团队奖励机制，提出HetGPS算法用于发现异质性优势的奖励场景。
鲁棒适应大规模多模态模型用于检索增强的仇恨表情包检测
机构 * Department of Engineering University of Cambridge（工程系剑桥大学）
AI总结 本文提出了一种鲁棒适应框架，用于提升大规模多模态模型在检索增强的仇恨表情包检测中的性能与泛化能力，同时提高模型的可解释性。
Comments EMNLP 2025 Main (Oral)
神经符号技能发现用于条件多级规划
机构 * Department of Computer Science and Technology The University of Cambridge（计算机科学与技术系 剑桥大学） ； Department of Computer Engineering Bogazici University（计算机工程系 boazici大学） ； SISREC Osaka University（Osaka大学SISREC）
AI总结 本文提出了一种神经符号学习架构，通过少量演示获取可推广的高级符号技能，并在多级规划中实现复杂任务的执行。
Comments 18 pages, 4 figures
VICatMix：变分贝叶斯聚类与变量选择用于离散生物医学数据
机构 * MRC Biostatistics Unit University of Cambridge East Forvie Building（医学研究理事会生物统计学单位剑桥大学东部大楼） ； MRC Biostatistics Unit and CRUK Cambridge Centre Ovarian Programme and Cambridge Institute of Therapeutic Immunology and Infectious Disease (CITIID) University of Cambridge（医学研究理事会生物统计学单位和癌症研究英国委员会剑桥中心卵巢计划及剑桥治疗免疫学和传染病研究所（CITIID）剑桥大学）
AI总结 VICatMix通过变分贝叶斯方法实现高效聚类和变量选择，适用于高维生物医学数据，提升癌症亚型分组和驱动基因发现的准确性。
解耦的多模态学习：组织学与转录组学用于癌症表征
机构 * Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系） ； Department of Health Technology & Informatics, The Hong Kong Polytechnic University（香港理工大学健康科技与信息学系） ； Department of Statistics and Actuarial Science, The University of Hong Kong（香港大学统计与精算科学系） ； Department of Clinical Neurosciences and Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学临床神经科学系和应用数学与理论物理系；邓迪大学科学与工程学院和医学院） ； School of Science and Engineering and School of Medicine, University of Dundee, UK
AI总结 本文提出了解耦的多模态学习框架，通过分解组织学和转录组数据以提高癌症表征的准确性和实用性。
机器学习在光体积脉搏波形成像分析中的应用：特征、图像和信号基于方法的基准测试
机构 * Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西特齐大学） ； Laboratoire national de métrologie et d’essais（国家计量与测试实验室） ； Biomedical Engineering Institute, Kaunas University of Technology（克莱萨斯理工大学生物医学工程研究所） ； Physikalisch-Technische Bundesanstalt（德国物理技术部） ； National Physical Laboratory（国家物理实验室） ； King’s College London（伦敦国王学院） ； University of Surrey（萨里大学） ； Department of Public Health and Primary Care, University of Cambridge（剑桥大学公共卫生与初级保健系）
AI总结 本文通过对比特征、图像和信号三种方法，发现深度神经网络在PPG数据分析中表现最佳，尤其在血压预测和心房颤动预测任务中。
Comments 39 pages, 9 figures, code available at https://gitlab.com/qumphy/d1-code
可泛化深度学习用于基于光体积脉搏波的血压估计——一项基准研究
机构 * Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西特齐大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种基于样本域适应的深度学习方法，用于改进PPG血压估计在不同数据集间的泛化能力，并通过实验验证了分布外性能的挑战。
Comments 20 pages, 5 figures, code available at https://github.com/AI4HealthUOL/ppg-ood-generalization
Journal ref Machine Learning: Health 1(1):010501, 2025
低秩稀疏化
机构 * University of Cambridge（剑桥大学） ； Microsoft Research New England（微软研究院新英格兰分部） ； MIT（麻省理工学院）
AI总结 本文提出了一种低秩分析的子高斯稀疏化方法，适用于任何分布和核，能够保证高质量压缩，并在变换器注意力近似、随机梯度训练加速和分布区分中取得改进。
卷积神经网络的多尺度训练
机构 * Department of Physics & Astronomy, University of British Columbia（物理与天文学系，不列颠哥伦比亚大学） ； Department of Earth, Ocean and Atmospheric Sciences, University of British Columbia（地球、海洋和大气科学系，不列颠哥伦比亚大学） ； 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 本文提出多尺度梯度估计和全多尺度训练方法，通过多层蒙特卡洛思想减少高分辨率CNN训练的计算成本，提升训练效率。
Comments 25 pages, 10 figures, 8 tables
在基础模型时代设计具有伦理性和用户适应性的社交机器人
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出在基础模型驱动的社交机器人中，需通过伦理性和用户适应性的可解释性设计，解决适应与解释委托给基础模型带来的挑战。
Comments Companion Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction
衡量人工智能系统可能的行为：迈向人工智能中的测量科学
机构 * Institute for Human-Centered AI（以人为本的人工智能研究所） ； Leverhulme Centre for the Future of Intelligence（未来智能研究中心） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种基于倾向属性的AI评估方法，强调通过因果相关性、操作化测量和经验映射来衡量AI系统的稳定特征。
双层强化学习启发式优化用于现实世界冬季道路维护
机构 * School of Science, Loughborough University, UK（洛辛厄姆大学科学学院） ； Department of Engineering, University of Cambridge, UK（剑桥大学工程系） ； National Highways, 199 Wharfside St, Birmingham B1 1RN, UK（国家公路局）
AI总结 本研究提出双层强化学习优化方法，用于高效解决现实世界冬季道路维护中的大规模路由问题，实现资源优化与排放降低。
基于扩散的大型语言模型用于语音识别与 deliberation 处理
机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出基于扩散的LLaDA模型用于ASR，通过改进解码策略降低WER，展示其在语音识别中的有效性。
Comments Accepted to ICASSP 2026
平稳核与李群及其齐性空间上的高斯过程 I：紧致情况
机构 * St. Petersburg State University and University of Oxford（圣彼得堡国立大学和牛津大学） ； St. Petersburg State University and Neapolis University Pafos（圣彼得堡国立大学和纳皮奥斯大学帕福斯） ； University of Cambridge and Cornell University（剑桥大学和康奈尔大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文研究了在李群及其齐性空间上构建平稳高斯过程的技术，特别针对紧致空间，提供计算方法使其与现有高斯过程软件兼容。
Comments This version fixes two mathematical typos, in equations (58) and (65), where both sums should be taken only over the diagonal part $π^{(λ)}_{jj}$ and not over $π^{(λ)}_{jk}$ as had erroneously been written in the previous version. The proofs for both statements remain unchanged. We thank Nathaël Da Costa for making us aware of this pair of typos
Journal ref Journal of Machine Learning Research, 2024
通过粗到细的小波建模分解私有图像生成
机构 * University of Cambridge（剑桥大学） ； Google Research（谷歌研究）
AI总结 本文提出基于小波空间的频谱DP框架，通过粗到细的两阶段方法提升图像生成的隐私与效用平衡。
对远程帕金森病筛查的视频基础模型进行基准测试
机构 * University of Rochester, Rochester, NY, USA（罗切斯特大学） ； Louisiana State University Health Sciences Center at Shreveport, USA（路易斯安那州立大学谢夫波特医学中心） ； University of Rochester Medical Center, Rochester, NY, USA（罗切斯特大学医学中心） ； University of Cambridge, Cambridge, UK（剑桥大学）
AI总结 本研究通过大规模实验评估了多种视频基础模型在远程帕金森病筛查中的性能，揭示了不同模型在不同任务中的表现差异，并提供了模型选择和任务优化的指导。
视频变形到掩码：用于指认视频分割的流匹配
机构 * SGIT AI Lab, State Grid Corporation of China（国网信通研究院） ； University of California, San Diego（加州大学圣地亚哥分校） ； The Hong Kong University of Science and Technology（香港科技大学） ； The University of Tokyo（东京大学） ； University of Cambridge（剑桥大学） ； Zhejiang University of Technology（浙江工业大学） ； Baidu（百度）
AI总结 本文提出FlowRVS框架，将指认视频分割视为条件连续流问题，通过学习视频整体表示到目标掩码的直接语言引导变形，在多个基准上取得新突破。
用生成式AI应对气候行动的误解
机构 * University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
AI总结 本文研究了个性化气候LLM在提升公众对气候行动影响认知和促进环保行为改变中的有效性。
Comments 11 pages; 2 figures; for study materials, data and supplement, see https://osf.io/9yda3/overview?view_only=dabb05c479b94444945da60096e5f490
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