Attacks on fairness in Federated Learning
对联邦学习中公平性的攻击
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出了一种针对联邦学习中公平性的攻击方法，通过控制少量客户端影响模型的属性层面表现分布，强调了在可能使用户受益的情况下，防御此类攻击的重要性。
高校专区
University of Cambridge（剑桥大学）
MODE: Efficient Time Series Prediction with Mamba Enhanced by Low-Rank Neural ODEs
MODE：基于低秩神经ODEs增强的高效时间序列预测
机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Department of Computing and Data Science, Nanyang Technological University（计算与数据科学系，南洋理工大学） ； School of Information Engineering, Beijing Institute of Graphic Communication（信息工程学院，北京印刷学院） ； Department of Computing and Data Science, The University of Hong Kong（计算与数据科学系，香港大学） ； Yale university（耶鲁大学） ； University of Cambridge（剑桥大学） ； Nanyang technological university（南洋理工大学） ； University of Hong Kong（香港大学）
AI总结 MODE通过整合低秩神经ODEs与增强Mamba架构，实现了高效的时间序列预测，提升了准确性和可扩展性。
Comments 12 pages, 6 figures, and 3 tables. Updated description and explanations, and correct some typos
Value of Information: A Framework for Human-Agent Communication
信息价值：人类-智能体通信的框架
机构 * University of Cambridge（剑桥大学） ； MIT（麻省理工学院）
AI总结 本文提出基于信息价值的框架，使智能体在人类-智能体通信中动态权衡信息获取与用户认知成本，实现高效适应性决策。
Steer Model beyond Assistant: Controlling System Prompt Strength via Contrastive Decoding
超越助手的引导模型：通过对比解码控制系统提示强度
机构 * University of Cambridge（剑桥大学）
AI总结 通过对比解码控制系统提示强度，提升模型在复杂指令下的引导能力和准确性。
Federated Learning and Class Imbalances
联邦学习与类别不平衡
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 Radiology, University of Cambridge（放射学系，剑桥大学）
AI总结 本研究提出RHFL+方法，通过统一框架评估、扩展医学影像数据集和使用NVFlare框架，解决联邦学习中的类别不平衡问题。
AI-Assisted Authoring for Transparent, Data-Driven Documents
辅助作者生成透明、数据驱动的文档
机构 * University of Salerno（萨勒诺大学） ； University of Bristol（布里斯托大学） ； Manchester Metropolitan University（曼彻斯特 Metropolitan 大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Kent（肯特大学） ； University of Cambridge（剑桥大学） ； University of Bath（巴斯大学） ； University College London（伦敦大学学院）
AI总结 本文提出了一种基于大语言模型的工具，用于生成透明、数据驱动的文档，通过交互式数据溯源技术增强学术文章的可验证性。
Neural Operators for Biomedical Spherical Heterogeneity
神经运算符用于生物医学球形异质性
机构 * University of Dundee（邓迪大学） ； University of Cambridge（剑桥大学） ； Fudan University（复旦大学）
AI总结 GSNO通过融合等变、不变和各向异性格林函数运算，有效建模生物医学中的球形异质性和各向异性，提升真实世界系统的适应性与效率。
Liars' Bench: Evaluating Lie Detectors for Language Models
说谎的检验台：评估语言模型的说谎检测器
机构 * Cadenza Labs（Cadenza实验室） ； FZI（弗劳恩霍夫研究所） ； University of Cambridge（剑桥大学）
AI总结 本文提出LIARS' BENCH，通过多个数据集和模型生成72,863个谎言和诚实响应，评估三种谎言检测技术，揭示现有方法在识别特定类型谎言上的局限性。
Comments *Kieron Kretschmar and Walter Laurito contributed equally to this work. 10 pages, 2 figures; plus appendix. Code at https://github.com/Cadenza-Labs/liars-bench and datasets at https://huggingface.co/datasets/Cadenza-Labs/liars-bench Subjects: Computation and Language (cs.CL); Artificial Intelligence (cs.AI)
Agent-as-a-Judge
代理作为裁判
机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Cambridge（剑桥大学） ； Shandong Jianzhu University（山东建筑大学） ； Huawei Technologies（华为技术）
AI总结 本文提出了一种基于代理的评估框架，通过规划、工具验证和多代理协作提升评估的鲁棒性和可验证性，并提供了该领域的发展分类和未来研究方向。
Hán Dān Xué Bù (Mimicry) or Qīng Chū Yú Lán (Mastery)? A Cognitive Perspective on Reasoning Distillation in Large Language Models
模仿（Mimicry）还是精通（Mastery）？从认知视角看大语言模型中的推理蒸馏
机构 * School of Philosophy, Anhui University（安徽大学哲学学院） ； Institute of Neuroscience, Chinese Academy of Sciences（中国科学院神经科学研究所） ； Faculty of Education, University of Cambridge（剑桥大学教育学院） ； School of Foreign Studies, South China Normal University（华南师范大学外语学院） ； Division of Psychology and Language Sciences, University College London（伦敦大学学院心理学与语言科学系）
AI总结 从认知视角研究大语言模型推理蒸馏，发现其导致功能对齐崩溃，揭示人类样样的认知是主动强化的涌现属性而非被动模仿。
Comments 7 pages, 7 figures
Donors and Recipients: On Asymmetric Transfer Across Tasks and Languages with Parameter-Efficient Fine-Tuning
捐赠者与接收者：在任务和语言之间进行非对称转移与参数高效微调
机构 * University of Cambridge（剑桥大学） ； King’s College London（伦敦国王学院） ； Technion–Israel Institute of Technology（技术学院—以色列理工学院）
AI总结 本研究通过LoRA微调分析了跨任务和语言的非对称转移现象，发现匹配任务的跨语言转移最有效，高资源语言和广泛任务作为高效接收者吸收收益，而专门任务和低资源语言则较为孤立。
Computational Compliance for AI Regulation: Blueprint for a New Research Domain
人工智能监管的计算合规性：新研究领域的蓝图
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出通过计算方法实现人工智能监管合规的框架，定义了算法设计目标和基准数据集，以推动新研究领域的发展。
LEGATO: Good Identity Unlearning Is Continuous
LEGATO: 优良的身份遗忘是连续的
机构 * HKUST（香港科技大学） ； University of Cambridge（剑桥大学） ； Central South University（中南大学） ； Shanghai Jiaotong University（上海交通大学） ； SenseTime Research（商汤科技研究院） ； Tsinghua University（清华大学）
AI总结 LEGATO通过连续轨迹建模实现生成模型的身份遗忘，采用轻量级神经ODE适配器实现可控且稳定的遗忘过程，避免灾难性崩溃并提升性能。
Choreographing a World of Dynamic Objects
编排动态物体的纷繁世界
机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； University of Maryland（马里兰大学）
AI总结 本文提出CHORD方法，通过蒸馏技术提取视频中隐藏的拉格朗日运动信息，实现通用动态物体生成，适用于多体4D动态生成和机器人操作策略。
Soft Contextualized Encoder For User Defined Text Classification
软上下文编码器用于用户定义的文本分类
机构 * University of Cambridge（剑桥大学） ； APTA
AI总结 本文提出了一种软上下文编码器架构，用于解决用户定义的文本分类问题，通过上下文化标签和静态提示表示，实现对未知类别的有效分类。
In-Context Reinforcement Learning through Bayesian Fusion of Context and Value Prior
通过贝叶斯融合上下文和价值先验实现上下文强化学习
机构 * University of Cambridge（剑桥大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学）
AI总结 SPICE通过贝叶斯融合上下文和价值先验，实现高效适应未见过的环境，减少遗憾并保持鲁棒性。
Information-Theoretic Generalization Bounds of Replay-based Continual Learning
基于回放的持续学习的信息论泛化界限
机构 * School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤学系） ； China Telecom, China（中国电信） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 本文提出了一种基于回放的持续学习的信息论泛化界限理论框架，通过分析内存缓冲区与当前任务的相互作用，建立了更精确的泛化性能评估方法。
Autonomous battery research: Principles of heuristic operando experimentation
自主电池研究：启发式在位实验原理
机构 * ISIS Neutron & Muon Source, Rutherford Appleton Laboratory（ISIS中子与穆子源、拉瑟福德-苹果顿实验室） ； The Faraday Institution（法拉第机构） ； Diamond Light Source, Rutherford Appleton Laboratory（Diamond光源、拉瑟福德-苹果顿实验室） ； University of Cambridge, The Old Schools, Trinity Ln（剑桥大学、旧校舍、三一街） ； Imperial College London, Department of Mechanical Engineering（伦敦帝国理工学院、机械工程系）
AI总结 本文提出启发式在位实验框架，利用AI和数字孪生技术主动捕捉电池退化中的罕见事件，提升实验效率和数据可靠性。
Comments 38 pages, 14 figures. Includes a detailed technical review of the POLARIS, BAM, DRIX, M-Series, and B18 electrochemical cells in the Supplementary Information
The Reasoning-Creativity Trade-off: Toward Creativity-Driven Problem Solving
推理与创造力的权衡：迈向以创造力为导向的问题解决
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出DCR框架，通过统一变分目标解决LLM在正确性与创造性之间的权衡问题，提供稳定且多样化的训练方法。
Comments 56 pages, 9 figures, submitted to Twenty-Ninth Annual Conference on Artificial Intelligence and Statistics
Weighted Conditional Flow Matching
带权条件流匹配
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Oxford-Man Institute, University of Oxford（牛津大学奥克斯曼研究所） ； OATML, Department of Computer Science, University of Oxford（牛津大学计算机科学系OATML） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出W-CFM，通过加权训练对改进条件流匹配，提升生成效率和准确性，同时保持计算效率。
Comments Working paper. Changes to generalize the framework
SpaceTimePilot: Generative Rendering of Dynamic Scenes Across Space and Time
SpaceTimePilot: 动态场景在时空上的生成渲染
机构 * University of Cambridge（剑桥大学） ； Adobe Research（Adobe研究院）
AI总结 SpaceTimePilot通过解耦空间和时间实现动态场景的可控生成渲染，结合时序扭曲训练和CamxTime数据集提升时间控制精度。
Comments Project page: https://zheninghuang.github.io/Space-Time-Pilot/ Code: https://github.com/ZheningHuang/spacetimepilot
AudioFab: Building A General and Intelligent Audio Factory through Tool Learning
通过工具学习构建通用且智能的音频工厂
机构 * Hunan University（湖南大学） ； University of Cambridge（剑桥大学）
AI总结 AudioFab通过工具学习构建通用智能音频处理框架，提供模块化设计和自然语言接口，提升音频任务的效率和准确性。
Journal ref ACM Multimedia 2025
Training AI Co-Scientists Using Rubric Rewards
利用评分奖励训练AI合作者
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Oxford（牛津大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出利用评分奖励训练AI合作者，通过自动生成研究计划并改进模型性能，实现跨领域泛化和高效训练。
Comments 11 pages in the main paper, total 119 including sample outputs in the Appendix
Probabilistic Modelling is Sufficient for Causal Inference
概率建模足以进行因果推断
机构 * University of Cambridge（剑桥大学）
AI总结 本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:81810-81840, 2025
QSAR-Guided Generative Framework for the Discovery of Synthetically Viable Odorants
基于QSAR的生成框架用于合成可行嗅觉物质的发现
机构 * Biomedical Engineering Research Group, School of Engineering, University of Leicester（利兹大学工程学院生物医学工程研究组） ； School of Clinical Medicine, University of Cambridge（剑桥大学临床医学学院）
AI总结 该研究提出结合VAE和QSAR模型的生成框架，以从有限训练集生成合成可行的嗅觉物质，通过结构分析和距离验证展示了模型在化学空间探索中的有效性。
Structured Prompting and LLM Ensembling for Multimodal Conversational Aspect-based Sentiment Analysis
结构化提示与大语言模型集成用于多模态对话基于方面的情感分析
机构 * Hunan University（湖南大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出结构化提示与大语言模型集成方法，用于多模态对话基于方面的情感分析，有效提升情感识别与翻转检测的准确性。
Journal ref ACM Multimedia 2025
Tyee: A Unified, Modular, and Fully-Integrated Configurable Toolkit for Intelligent Physiological Health Care
Tyee：面向智能生理健康护理的统一、模块化和完全集成的可配置工具包
机构 * Hunan University（湖南大学） ； University of Cambridge（剑桥大学）
AI总结 Tyee提出了一种统一、模块化且可配置的工具包，用于提升智能生理健康护理中深度学习的实用性与可重现性。
Journal ref ACM Multimedia 2025
Iterative Multilingual Spectral Attribute Erasure
迭代多语言光谱属性擦除
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； NVIDIA Research（NVIDIA研究）
AI总结 IMSAE通过迭代SVD截断在多语言中减轻联合偏见子空间，优于传统单语言和跨语言去偏方法。
Comments Accepted to the main conference of EMNLP 2025
Reloc-VGGT: Visual Re-localization with Geometry Grounded Transformer
Reloc-VGGT: 基于几何基础的变换器视觉重定位
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Cambridge University（剑桥大学）
AI总结 Reloc-VGGT通过早期融合机制和稀疏掩码注意力策略，实现高效多视图空间整合，提升复杂环境下的视觉定位准确性和实时性能。
Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study
揭示语言模型的学习心智：一种认知框架与实证研究
机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou), China（香港科学与技术大学人工智能研究所） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology Hong Kong SAR, China（香港科学与技术大学计算机科学与工程系） ； Microsoft Research Asia（微软亚洲研究院） ； University of Cambridge（剑桥大学） ； Microsoft（微软）
AI总结 本文提出一种认知框架，将学习能力分解为三个维度，并通过实证研究揭示LLMs在不同学习场景下的表现与局限性。
