University of Cambridge（剑桥大学）

CAD-SLAM: Consistency-Aware Dynamic SLAM with Dynamic-Static Decoupled Mapping

CAD-SLAM: 基于一致性的动态SLAM与动态-静态分离映射

Wenhua Wu, Chenpeng Su, Siting Zhu, Tianchen Deng, Jianhao Jiao, Guangming Wang, Dimitrios Kanoulas, Zhe Liu, Hesheng Wang

机构 * Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学） ； Department of Computer Science, University College London（计算机科学系，伦敦大学学院） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Department of Automation, Key Laboratory of System Control and Information Processing of Ministry of Education, State Key Laboratory of Avionics Integration and Aviation System-of-Systems Synthesis, Shanghai Key Laboratory of Navigation and Location Based Services, Shanghai Jiao Tong University（自动化系，教育部系统控制与信息处理重点实验室，航空系统集成与航空系统-of-系统综合国家重点实验室，导航与基于位置的服务上海实验室，上海交通大学） 纠错

AI总结 CAD-SLAM通过基于一致性的动态SLAM框架，实现动态物体的在线识别与分离映射，提升动态环境下的定位与映射性能。

Multi-Level Monte Carlo Training of Neural Operators

神经算子的多级蒙特卡洛训练

James Rowbottom, Stefania Fresca, Pietro Lio, Carola-Bibiane Schönlieb, Nicolas Boullé

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） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院） 纠错

AI总结 本文提出了一种基于多级蒙特卡洛方法的神经算子训练框架，通过多分辨率数据减少计算成本并提高训练效率。

Comments Accepted in Computer Methods in Applied Mechanics and Engineering

If It's Nice, Do It Twice: We Should Try Iterative Corpus Curation

如果很好，就再做一次：我们应该尝试迭代语料库整理

Robin Young

机构 * Department of Computer Science and Technology University of Cambridge（计算机科学与技术系剑桥大学） 纠错

AI总结 本文提出通过迭代语料库整理来提升模型安全性和可解释性，通过多次过滤和训练生成更干净的语料库，并探讨其在模型安全与能力之间的权衡。

Indications of Belief-Guided Agency and Meta-Cognitive Monitoring in Large Language Models

信念引导的代理与元认知监控在大语言模型中的迹象

Noam Steinmetz Yalon, Ariel Goldstein, Liad Mudrik, Mor Geva

机构 * Blavatnik School of Computer Science and AI（Blavatnik计算机科学与人工智能学院） ； Tel Aviv University（特拉维夫大学） ； School of Psychological Sciences（心理学学院） ； Sagol School of Neuroscience（神经科学学院） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究 institute） ； University of Cambridge（剑桥大学） 纠错

AI总结 本研究通过HOT-3指标探讨大语言模型中信念引导的代理与元认知监控的存在，揭示了信念形成对行动选择的影响及模型自我监控的能力。

Implicit neural representation of textures

隐式神经表示法的纹理

Albert Kwok, Zheyuan Hu, Dounia Hammou

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） 纠错

AI总结 本文提出了一种基于隐式神经表示法的连续纹理生成方法，通过实验验证其在图像质量和计算效率上的表现，并探讨了其在实时渲染及后续任务中的应用。

Comments Albert Kwok and Zheyuan Hu contributed equally to this work

Stochastic Interpolants in Hilbert Spaces

在希尔伯特空间中的随机插值

James Boran Yu, RuiKang OuYang, Julien Horwood, José Miguel Hernández-Lobato

机构 * Department of Engineering, University of Cambridge, Cambridge, United Kingdom（工程系，剑桥大学，剑桥，英国） 纠错

AI总结 本文提出在无限维希尔伯特空间中构建随机插值框架，通过理论支持和实验验证，实现了对复杂函数分布的高效生成，推动了科学发现的应用。

Comments 8 pages, 1 figure, 2 tables

Cost-Aware Bayesian Optimization for Prototyping Interactive Devices

面向原型设计的成本感知贝叶斯优化

Thomas Langerak, Renate Zhang, Ziyuan Wang, Per Ola Kristensson, Antti Oulasvirta

机构 * Aalto University Helsinki Finland ； University of Cambridge Cambridge United Kingdom ； Aalto University \& ELLIS Institute Helsinki Finland ； Aalto University ； University of Cambridge ； Aalto University \& ELLIS Institute 纠错

AI总结 本文提出了一种面向成本的贝叶斯优化方法，通过利用设计师估计的成本来指导原型制作，从而在降低成本的同时提高设计效率。

Entropy-Lens: Uncovering Decision Strategies in LLMs

熵透镜：揭示大语言模型中的决策策略

Riccardo Ali, Francesco Caso, Christopher Irwin, Pietro Liò

机构 * Department of Computer Science University of Cambridge Cambridge, UK（计算机科学系剑桥大学剑桥英国） 纠错

AI总结 熵透镜通过分析LLM残差流的熵剖面，揭示令牌预测动态及决策策略对模型性能的影响。

Agentic Policy Optimization via Instruction-Policy Co-Evolution

通过指令-策略共演进行代理策略优化

Han Zhou, Xingchen Wan, Ivan Vulić, Anna Korhonen

机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Machine Learning Research Group, University of Oxford（牛津大学机器学习研究组） 纠错

AI总结 INSPO通过指令与策略的共演机制，动态优化指令以提升代理在多轮检索和推理任务中的性能，显著优于静态指令基线。

Comments 8 pages, 4 figures, 1 table (17 pages including references and appendices)

SynCoGen: Synthesizable 3D Molecule Generation via Joint Reaction and Coordinate Modeling

SynCoGen: 通过联合反应和坐标建模实现可合成的3D分子生成

Andrei Rekesh, Miruna Cretu, Dmytro Shevchuk, Vignesh Ram Somnath, Pietro Liò, Robert A. Batey, Mike Tyers, Michał Koziarski, Cheng-Hao Liu

机构 * University of Toronto（多伦多大学） ； The Hospital for Sick Children（多伦多儿童医院） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院） ； Vector Institute（向量研究所） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Caltech（加州理工学院） 纠错

AI总结 SynCoGen通过联合反应和坐标建模实现可合成的3D分子生成，实现了分子构建块、化学反应和原子坐标的联合分布采样，在无条件小分子生成和药物发现中表现出色。

Comments ICLR 2026

Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies

多智能体设计：通过更优提示和拓扑结构优化智能体

Han Zhou, Xingchen Wan, Ruoxi Sun, Hamid Palangi, Shariq Iqbal, Ivan Vulić, Anna Korhonen, Sercan Ö. Arık

机构 * Google（谷歌） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出MASS框架，通过优化提示和拓扑结构提升多智能体系统性能，并揭示了有效构建多智能体系统的原理。

Comments ICLR 2026

Training-Free Test-Time Adaptation with Brownian Distance Covariance in Vision-Language Models

无需训练的测试时适应与布朗距离协方差在视觉-语言模型中

Yi Zhang, Chun-Wun Cheng, Angelica I. Aviles-Rivero, Zhihai He, Liang-Jie Zhang

机构 * College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院） ； University of Cambridge, Cambridge, UK（剑桥大学） ； Yau Mathematical Sciences Center, Tsinghua University, Beijing, China（清华大学尤里伊数学科学中心） ； Southern University of Science and Technology, Shenzhen, China（南方科技大学） 纠错

AI总结 TaTa通过布朗距离协方差实现无需训练的测试时适应，提升视觉-语言模型在领域偏移下的效率与稳定性，同时在泛化性能上取得突破。

Comments Accepted in ICASSP 2026

Machine Learning for Energy-Performance-aware Scheduling

为能源-性能感知调度的机器学习

Zheyuan Hu, Yifei Shi

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） 纠错

AI总结 本文提出基于高斯过程的贝叶斯优化框架，用于自动化异构多核架构上的调度配置搜索，通过敏感性分析和协方差核比较提升模型可解释性。

Comments Zheyuan Hu and Yifei Shi contributed equally to this work

When Meanings Meet: Investigating the Emergence and Quality of Shared Concept Spaces during Multilingual Language Model Training

意义交汇：探究多语言语言模型训练中共享概念空间的产生与质量

Felicia Körner, Max Müller-Eberstein, Anna Korhonen, Barbara Plank

机构 * MaiNLP, Center for Information and Language Processing, LMU Munich（MaiNLP，信息与语言处理中心，慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Tokyo（东京大学） ； IT University of Copenhagen（哥本哈根IT大学） ； Language Technology Lab, University of Cambridge（语言技术实验室，剑桥大学） 纠错

AI总结 研究通过因果可解释方法探讨多语言语言模型训练中共享概念空间的产生与质量，发现早期出现并随训练细化，但语言依赖性显著，且翻译质量提升可能反映行为变化而非能力提升。

Comments Accepted to EACL 2026 Main Conference

Molecular Representations in Implicit Functional Space via Hyper-Networks

通过超网络在隐式函数空间中学习分子表示

Zehong Wang, Xiaolong Han, Qi Yang, Xiangru Tang, Fang Wu, Xiaoguang Guo, Weixiang Sun, Tianyi Ma, Pietro Lio, Le Cong, Sheng Wang, Chuxu Zhang, Yanfang Ye

机构 * University of Notre Dame（内布拉斯加大学） ； University of Connecticut（康涅狄格大学） ； Independent Researcher Visiting Zhang's Lab in UConn（独立研究者） ； University of Surrey（萨里大学） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； University of Washington（华盛顿大学） 纠错

AI总结 MolField通过超网络在隐式函数空间中学习分子表示，实现对分子场的连续建模，提升分子性质预测的稳定性与泛化能力。

Investigating Associational Biases in Inter-Model Communication of Large Generative Models

研究大生成模型跨模型通信中的关联偏差

Fethiye Irmak Dogan, Yuval Weiss, Kajal Patel, Jiaee Cheong, Hatice Gunes

机构 * University of Cambridge（剑桥大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） 纠错

AI总结 本研究探讨大生成模型跨模型通信中的关联偏差，通过数据集分析发现人口分布漂移，并提出缓解策略以减少不平等影响。

Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning

基于框架的思考：视觉上下文和测试时扩展如何增强视频推理

Chengzu Li, Zanyi Wang, Jiaang Li, Yi Xu, Han Zhou, Huanyu Zhang, Ruichuan An, Dengyang Jiang, Zhaochong An, Ivan Vulić, Serge Belongie, Anna Korhonen

机构 * University of Cambridge（剑桥大学） ； Pioneer Center for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学） ； Hong Kong University of Science（香港科学大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Peking University（北京大学） 纠错

AI总结 本文提出通过视频生成模型进行视觉推理，利用视觉上下文和测试时扩展提升视频推理能力，展示了模型在空间和时间复杂任务中的鲁棒零样本泛化能力。

Comments 8 pages, 3 figures, 3 tables (26 pages, 13 figures, 6 tables including references and appendices)

Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations

扩展混沌：用于随机（偏）微分方程的神经算子

Dai Shi, Lequan Lin, Andi Han, Luke Thompson, José Miguel Hernández-Lobato, Zhiyong Wang, Junbin Gao

机构 * University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） 纠错

AI总结 本文提出基于Wiener-chaos展开的神经算子，用于高效求解随机微分方程和随机偏微分方程，通过参数化混沌系数实现快速轨迹重建，并在多个任务中展示了其有效性。

DiffRatio: Training One-Step Diffusion Models Without Teacher Supervision

DiffRatio: 无需教师监督训练一步扩散模型

Wenlin Chen, Mingtian Zhang, Jiajun He, Zijing Ou, José Miguel Hernández-Lobato, Bernhard Schölkopf, David Barber

机构 * Bosch (China) Investment Ltd.（博世（中国）投资有限公司） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） 纠错

AI总结 DiffRatio通过直接估计分数差来训练一步扩散模型，减少梯度偏差并提升生成质量，同时提高计算效率。

Comments 22 pages, 8 figures, 5 tables, 2 algorithms

Beyond GEMM-Centric NPUs: Enabling Efficient Diffusion LLM Sampling

超越以GEMM为中心的NPUs：使高效的扩散LLM采样成为可能

Binglei Lou, Haoran Wu, Yao Lai, Jiayi Nie, Can Xiao, Xuan Guo, Rika Antonova, Robert Mullins, Aaron Zhao

机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种针对扩散LLM采样的NPU架构优化方案，通过轻量级向量原语、内存重用策略和混合精度内存层次结构，实现了2.53倍的加速性能。

An Empirical Investigation of Neural ODEs and Symbolic Regression for Dynamical Systems

神经微分方程与符号回归在动力系统中的实证研究

Panayiotis Ioannou, Pietro Liò, Pietro Cicuta

机构 * Department of Physics University of Cambridge（剑桥大学物理系） 纠错

AI总结 该研究通过实证比较神经微分方程与符号回归在动态系统建模中的表现，发现NODEs能有效外推并增强数据，SR能从噪声数据中恢复方程，为科学发现提供了新方法。

Comments Accepted at the Machine Learning and the Physical Sciences Workshop, NeurIPS 2025

Reimagining Social Robots as Recommender Systems: Foundations, Framework, and Applications

重新构想社交机器人作为推荐系统：基础、框架与应用

Jin Huang, Fethiye Irmak Doğan, Hatice Gunes

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出将推荐系统应用于社交机器人，以提升个性化能力，通过整合RS技术建立框架并促进跨领域合作。

Comments HRI 2026

Regularized $f$-Divergence Kernel Tests

正则化 f-散度核检验

Mónica Ribero, Antonin Schrab, Arthur Gretton

机构 * Google Research（谷歌研究） ； University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出了一种基于正则化 f-散度的核检验方法，适用于两样本检验和机器遗忘评估，通过不同 f-散度的敏感性分析展示了多样化统计信息的重要性。

Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series

潜在结构相似性网络用于多变量时间序列的无监督发现

Olusegun Owoeye

机构 * Independent Researcher（独立研究者） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种用于多变量时间序列无监督发现的潜在结构相似性网络，通过无监督学习构建实体间关系图，展示潜在相似性对网络结构的影响。

Rethinking Large Language Models For Irregular Time Series Classification In Critical Care

重新思考用于危重监护中不规则时间序列分类的大型语言模型

Feixiang Zheng, Yu Wu, Cecilia Mascolo, Ting Dang

机构 * The University of Melbourne, Australia（墨尔本大学） ； University of Cambridge, UK（剑桥大学） 纠错

AI总结 本文研究了LLMs在不规则ICU时间序列分类中的有效性，发现编码器设计比对齐策略更重要，但LLMs在训练时间和少样本学习中表现欠佳。

Comments Accepted by ICASSP 2026

X-LeBench: A Benchmark for Extremely Long Egocentric Video Understanding

X-LeBench：一个用于极长第一人称视频理解的基准数据集

Wenqi Zhou, Kai Cao, Hao Zheng, Yunze Liu, Xinyi Zheng, Miao Liu, Per Ola Kristensson, Walterio Mayol-Cuevas, Fan Zhang, Weizhe Lin, Junxiao Shen

机构 * University of Bristol（布里斯托大学） ； University of Manchester（曼彻斯特大学） ； University of Cambridge（剑桥大学） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Meta ； Memories.ai Research（Memories.ai研究） 纠错

AI总结 X-LeBench通过模拟真实日常生活场景，构建了首个极长第一人称视频理解基准数据集，揭示了长视频理解中的关键挑战。

On the Emergence and Test-Time Use of Structural Information in Large Language Models

关于大型语言模型中结构信息的出现及其测试时使用

Michelle Chao Chen, Moritz Miller, Bernhard Schölkopf, Siyuan Guo

机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Cambridge（剑桥大学） 纠错

AI总结 本研究探讨了大型语言模型如何学习和利用结构信息，发现其在复杂推理任务中表现突出，但测试时组合生成能力仍受限。

HAAF: Hierarchical Adaptation and Alignment of Foundation Models for Few-Shot Pathology Anomaly Detection

HAAF: 用于少样本病理异常检测的层次适应与对齐框架

Chunze Yang, Wenjie Zhao, Yue Tang, Junbo Lu, Jiusong Ge, Qidong Liu, Zeyu Gao, Chen Li

机构 * Sch Comp Sci \& Technol, Xi'an Jiaotong University Xi'an China ； University of Cambridge Cambridge United Kingdom ； Sch Comp Sci \& Technol, Xi'an Jiaotong University ； University of Cambridge 纠错

AI总结 HAAF通过层次适应与对齐框架，解决少样本病理异常检测中的粒度不匹配问题，提升模型在低资源场景下的性能。

Thermodynamic structure of the Sinkhorn flow

Sinkhorn 流的热力学结构

Anand Srinivasan, Jean-Jacques Slotine

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） ； Nonlinear Systems Laboratory, Massachusetts Institute of Technology（非线性系统实验室，麻省理工学院） 纠错

AI总结 本文从热力学角度探讨Sinkhorn流的结构，证明其为非局部Wasserstein梯度流，并推导了熵-能量恒等式和对数Sobolev不等式，揭示其在熵收敛中的指数收敛性质。

Comments 26 pages excluding references

A Review of Incorporating Psychological Theories in LLMs

对将心理理论纳入大语言模型的综述

Zizhou Liu, Ziwei Gong, Lin Ai, Zheng Hui, Run Chen, Colin Wayne Leach, Michelle R. Greene, Julia Hirschberg

机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Psychology, Barnard College（巴纳德学院心理学系） ； The Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） 纠错

AI总结 本文综述了心理学理论如何指导和增强大语言模型开发，整合了六个心理学子领域，旨在促进心理学更深入地融入NLP研究。