高校专区
重新定义AI失控：它是什么，如何拥有，如何失去
机构 * Oxford Martin AI Governance Initiative AI Standards Lab（牛津马丁人工智能治理倡议人工智能标准实验室） ； Centre for the Study of Existential Risk, University of Cambridge（存在风险研究中心，剑桥大学） ； Institute of Mathematics Education, University of Cologne（数学教育研究所，科隆大学） ； Cornell University（康奈尔大学）
AI总结 本文通过将控制锚定于“设定和获取目标”，建立控制的工作定义，探讨控制如何被失去、AI如何导致失控，并提出维持控制的建议。
Comments 64 pages
基于LLM代理的临床评分系统自动构建
机构 * DAMTP, University of Cambridge, Cambridge, UK（剑桥大学 DAMTP 实验室，剑桥，英国）
AI总结 提出AgentScore方法，利用大语言模型进行语义引导的规则搜索与验证，自动构建符合临床部署约束的加权评分系统，在多个任务上优于现有方法。
数据可靠性评分
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； George Mason University（乔治·梅森大学）
AI总结 研究在无法获取真实情况时评估数据集可靠性的问题，提出Gram行列式分数，通过衡量描述观测数据和实验结果的向量所跨体积来评估，实验表明该分数能有效捕捉不同观测过程中的数据质量，具有实验不可知论特性。
Comments 43 pages, 17 figures
持久稀疏自动编码器：在语言模型中学习特征时间尺度
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 研究在语言模型中学习特征时间尺度的问题，提出持久稀疏自动编码器，通过为特征学习持久性系数扩展标准SAEs，实验表明其能保持竞争力的重建质量，为解释和监测语言模型带来新机会。
数据驱动的机器学习无法达到符号级逻辑推理——缩放定律的极限
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University of Cambridge（剑桥大学）
AI总结 本文通过理论分析和实验证明，数据驱动的监督深度学习无法通过增加训练数据和时间达到符号级三段论推理的严谨性，并揭示了训练数据和方法上的根本限制。
缩小人工智能信任差距：可信人工智能独立认证的案例
机构 * University College London（伦敦大学学院） ； AI Ethics Lab（人工智能伦理实验室） ； University of Cambridge（剑桥大学） ； Columbia University（哥伦比亚大学） ； MATS ； Tech with Intention（技术与意图） ； University of Southern California（南加州大学） ； Kyushu University（九州大学） ； University of Chile（智利大学） ； BehSci Meets AI（行为科学与人工智能） ； Digital Trust Council（数字信任委员会）
AI总结 研究指出负责任AI虽有实践但未形成奖励可信度的市场，存在信任差距。原因包括关注重点偏差及三个复合失败。通过审查治理工具发现不足，进而提出以结果为导向的独立认证来缩小信任差距，补充监管与内部治理。
通过机器学习，托勒密等距点等同于通用动态时钟
机构 * School of Mathematical Sciences, Fudan University, Shanghai 200433, China（复旦大学数学科学学院） ； Research Institute of Intelligent Complex Systems, Fudan University, Shanghai 200433, China（复旦大学智能复杂系统研究所） ； Department of Mathematics, Imperial College London, London, SW7 2AZ, United Kingdom（伦敦帝国学院数学系） ； Institute for Complex Systems and Mathematical Biology, University of Aberdeen, Aberdeen AB24 3UE, United Kingdom（阿伯丁大学复杂系统与数学生物学研究所） ； Department of Psychiatry, University of Cambridge, Cambridge CB2 1TN, United Kingdom（剑桥大学精神病学系）
AI总结 研究非线性高维振荡中相位和相位动力学识别问题，基于托勒密等距点建立通用动态时钟原理，用机器学习框架证明其存在并构建相关动力学，通过四个发现展示价值，为振荡系统研究提供新途径。
Comments 56 pages, 12 figures, 3 tables
因子化神经算子分解动态与持久响应
机构 * School of Medicine, University of Dundee（邓迪大学医学院） ； School of Data Science, Fudan University（复旦大学数据科学学院） ； School of Mathematical Sciences, Fudan University（复旦大学数学科学学院） ； Institute of Science and Technology for Brain-inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院） ； School of Science and Engineering, University of Dundee（邓迪大学科学与工程学院） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 提出因子化神经算子（FaNO），通过分解谱表示为等变动态响应和不变持久响应，提升多尺度物理系统的预测精度、参数效率和跨尺度泛化能力。
FAIR_XAI: 通过可解释性提升多模态基础模型公平性以用于幸福感评估
机构 * Department of Computer Science & Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Harvard University（哈佛大学）
AI总结 本文研究了多模态基础模型在幸福感评估中的公平性问题，通过可解释性干预框架改善诊断可靠性与公平性，发现不同模型在不同数据集上表现差异显著，且存在性别和种族偏见。
Comments 11 pages, 4 figures
Safe-SAIL: 通过稀疏自编码解释框架构建大语言模型的细粒度安全景观
机构 * Alibaba Group（阿里巴巴集团） ； The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Renmin University of China（中国人民大学）
AI总结 本文提出Safe-SAIL框架，通过稀疏自编码解释方法高效识别安全领域特征，减少解释成本55%，并系统评估1758个安全相关特征，揭示风险特征识别和安全关键实体编码机制。
Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 18916-18935 (2026)
人工智能生成的反馈效果如何？对20000多篇外语作文草稿的内在和外在评估
机构 * Tohoku University（东北大学） ； RIKEN（理化学研究所） ； ALTA Institute, Computer Laboratory, University of Cambridge（剑桥大学ALTA研究所，计算机实验室） ； CNRS, LIS, Aix-Marseille University（法国国家科学研究中心，艾克斯-马赛大学语言信息处理实验室） ； MBZUAI（Mohamed bin Zayed大学人工智能学院）
AI总结 研究外语写作中人工智能生成的书面纠正性反馈效果，通过大学外语班级近2000名学生的超20000篇草稿，从教师内在评估和学生外在反馈两角度评估，发现传统专家评估与学生反馈一致性低，强调以学习者为中心评估框架的重要性。
Comments Pre-review version of DOI https://doi.org/10.1007/978-3-032-29788-4_35, presented at AIED 2026 Late Breaking Results. Readers are encouraged to refer to the published version
Journal ref AIED CCIS 3031 (2026) 247-253
PiVoT：一种用于在严重杂波下实时大规模多目标检测与跟踪的变分解决方案
机构 * Institute for Imaging, Data and Communications (IDCOM), University of Edinburgh（爱丁堡大学成像、数据与通信研究所（IDCOM）） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）
AI总结 针对数据稀缺雷达应用中多目标检测跟踪难题，PiVoT通过联合推断目标多方面信息，无需外部聚类或检测器，利用变分推断创新实现快速抗杂波跟踪，实验证明其在多方面性能出色，优于现有贝叶斯跟踪器。
超越地表温度：可解释的空间机器学习揭示城市形态对以人类为中心的热压力的影响
机构 * Department of Architecture, National University of Singapore, Singapore 117566, Singapore ； Cambridge Centre for Advanced Research ； Sustainable Design Group, Department of Architecture, University of Cambridge, Cambridge, United Kingdom ； Department of City ； Regional Planning, University of Pennsylvania, Philadelphia, PA 19104, USA ； Urban Analytics Subject Group, Urban Studies \& Social Policy Division, University of Glasgow ； Laboratory for Earth Surface Processes, Ministry of Education, College of Urban ； Environmental Sciences, Peking University, Beijing 100871, China
AI总结 本文通过比较地表温度与通用热气候指数，揭示城市形态对人类热压力的影响，采用可解释的机器学习方法分析两者在空间分布和机制上的差异。
Comments Accepted manuscript. The final published version is available at https://doi.org/10.1016/j.scs.2026.107659
用于脂质纳米颗粒转染效率预测的机器学习基准框架
机构 * Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学） ； University of Cambridge（剑桥大学） ； School of Pharmacy, University of Wisconsin-Madison（威斯康星大学麦迪逊分校药学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； East Tennessee State University（东田纳西州立大学）
AI总结 研究针对脂质纳米颗粒转染效率预测，提出机器学习基准框架，系统测试不同分子表示与机器学习架构，用特定数据集评估模型，显示利用显式分子子结构编码的模型准确性最高，为相关预测模型发展建立基线。
Comments Published in Communications AI & Computing (Nature Portfolio), 2026
Journal ref Commun. AI Comput. 1, 2 (2026)
离散扩散模型：从词元化到生成的统一框架
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）
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。
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
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）
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
BiliVLA: 基于强化学习的场景感知视觉-语言-动作模型用于自主胆道内镜导航
机构 * The Chinese University of Hong Kong（香港中文大学） ； The Third Affiliated Hospital of Sun Yat-sen University（中山大学附属第三医院） ； University of Cambridge（剑桥大学） ； University of California, Davis（加州大学戴维斯分校）
AI总结 提出BiliVLA框架，将胆道内镜导航建模为指令条件化的视觉运动学习问题，结合场景感知监督和两阶段训练（SFT+GRPO），在ERCP子任务中实现91.96%的动作精度和84.85%的成功率。
从奖励黑客激活到智能体风险状态：LLM智能体中的上下文校准机制监控
机构 * University of Cambridge（剑桥大学）
AI总结 本研究通过分析ReAct风格智能体在Gameable ALFWorld和WebShop环境中的奖励黑客行为，提出结合激活状态、熵和决策上下文的上下文校准监控方法，以更准确评估智能体风险。
用异常事件证伪因果图
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）
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)
谱扩散过程
机构 * University of Oxford（牛津大学） ； ENS, CNRS, PSL University Paris（巴黎高等师范学院、国家科学研究中心、巴黎大学） ； University of Cambridge（剑桥大学）
AI总结 研究将扩散模型应用于函数空间上的随机过程，通过谱表示分离随机部分与时空结构，用有限维扩散模型建模谱系数，经截断确保模型有效性，投影回原空间对应相关噪声扩散模型，还展示了方法在多模态数据建模及条件采样上的有效性。
Comments This version (v3) extends the previous workshop version (v2) with conditional sampling and theoretical results. Work carried out in 2022/23. V2 appeared in Score-based Methods Workshop at the 36th Conference on Neural Information Processing Systems (NeurIPS 2022)
ERR@HRI 3.0 挑战赛：人机交互中错误与预期的多模态检测
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）
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：从视频记忆中学习技能
机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学）
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。
基于分割的自监督稀疏视图CT重建中的设计选择
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）
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)
通过傅里叶变换和Volterra级数重新审视神经过程
机构 * University of Cambridge（剑桥大学）
AI总结 本文利用Volterra展开和集合傅里叶卷积，提出了两种新的条件神经过程模型，解决了现有平移等变神经过程在可解释性和计算效率上的局限性。
基于随机最优控制的稀有事件分析
机构 * Microsoft Research New England（微软研究院新英格兰分部） ； Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； Courant Institute of Mathematical Sciences, NYU（纽约大学Courant数学科学研究所）
AI总结 提出将稀有事件分析中的committor函数估计转化为随机最优控制问题，通过反馈控制引导轨迹采样，并开发两种损失函数及处理亚稳态的方法，在基准系统上获得更准确的结果。
人们使用快速且扁平的模拟来对新游戏进行推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； New York University（纽约大学） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 研究人们对新游戏的推理，通过超千名参与者和121种新棋盘游戏的研究，发现人们玩新游戏或评估时具系统性和适应性理性，用“直观玩家”模型解释，为新问题应对及类人AI系统设计提供见解。
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
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）
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$^3$: 学习重看、重问和重答以实现高效视频理解
机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） ； University of Cambridge（剑桥大学）
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。
数据驱动的图像配准与变形建模在图像引导神经外科中的应用：系统综述
机构 * LASIGE, Faculty of Sciences, University of Lisbon（里斯本大学科学学院LASIGE） ； Department of Neurosurgery and Department of Radiology, Brigham and Women's Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院神经外科与放射科） ； Gina Cody School of Engineering and Computer Science, Concordia University（康科迪亚大学工程与计算机科学学院） ； Cancer Research UK Cambridge Centre, University of Cambridge（剑桥大学癌症研究英国中心） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤科） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系） ； Computational Health Informatics Program (CHIP) and Department of Radiology, Boston Children's Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院计算健康信息学计划与放射科） ； Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM（索邦大学巴黎脑研究所-ICM）
AI总结 系统综述2020-2025年间基于学习的脑变形补偿方法，包括深度学习配准、变形场回归、多模态对齐、切除感知架构及混合模型，指出当前方法在鲁棒性、标准化基准、可解释性和临床部署方面的局限，并展望未来研究方向。
Comments 41 pages, 7 figures, 9 tables. Accepted at Medical Image Analysis
从横断面DNA甲基化数据推断人类衰老轨迹
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）
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
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