高校专区
手术机器人中的协作钻具对准
机构 * University of Cambridge（剑桥大学） ； Control Lab, Department of Engineering（工程系控制实验室） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； Department of Veterinary Medicine, University of Cambridge（剑桥大学兽医学系）
AI总结 本文提出了一种手术机器人系统，通过虚拟钻具引导和非线性弹簧控制，提升手术精度与角定位准确性。
Comments 14 pages, 12 figures, accepted to IEEE Transactions on Control Systems Technology
机器人最优虚拟模型控制：基于被动性的控制器设计与调优
机构 * Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Swan Endosurgical（斯旺内视手术公司）
AI总结 本文提出了一种基于被动性的机器人控制方法，通过虚拟机制设计和算法微分优化，实现稳定性和性能的双重保障。
Comments 16 pages, 19 figures
Evo-1：轻量级视觉-语言-动作模型，保持语义对齐
机构 * School of AI, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； EvoMind Tech（EvoMind科技） ； IAAR-Shanghai（IAAR-上海） ； SII ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 Evo-1是一种轻量级的视觉-语言-动作模型，通过减少计算并保持语义对齐，实现了高效的部署和强大的性能。
Comments Github: https://github.com/MINT-SJTU/Evo-1
DisentangleFormer：多通道视觉中的空间-通道解耦
机构 * University of Glasgow（格拉斯哥大学） ； University of Leeds（利兹大学） ； University of Cambridge（剑桥大学）
AI总结 DisentangleFormer通过空间-通道解耦实现多通道视觉表示，提升超光谱和病理成像的性能，同时降低计算成本。
利用Concordia评估基于LLM的智能体在混合动机场景中的泛化能力
机构 * Cooperative AI Foundation（合作人工智能基金会） ； University of Oxford（牛津大学） ； UC Berkeley（伯克利大学） ； Quebec Artificial Intelligence Institute（魁北克人工智能研究所） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（未来智能研究中心，剑桥大学） ； MIT（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Center on Long-Term Risk（长期风险中心） ； Google Research（谷歌研究） ； University of Washington（华盛顿大学） ； Centrum Wiskunde & Informatica（数学与信息研究所） ； Utrecht University（乌得勒支大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Concordia Contest Participants with Notable Contributions（康科德比赛有显著贡献的参与者）
AI总结 本文提出利用Concordia评估LLM智能体在混合动机场景中的合作能力，揭示了当前智能体在泛化能力上的不足。
Comments Published at NeurIPS Datasets and Benchmarks 2025, 10 pages
马尔可夫得分：一种用于大语言模型推理中贝叶斯理性性的无监督度量标准
机构 * University of Cambridge（剑桥大学） ； Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本研究提出马尔可夫得分，用于评估大语言模型推理中的贝叶斯理性性，通过检测信念更新的违反情况来衡量求真能力。
Comments NeurIPS 2025
构象排名条件化委员会用于机器学习辅助的定向进化
机构 * Pomona College（波莫纳学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Cambridge（剑桥大学） ； University of California, Irvine（加州大学尔湾分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Avery Bio Inc（艾维生物公司）
AI总结 构象排名条件化委员会框架通过深度神经网络委员会分离epistemic和构象不确定性，提升SARS-CoV-2抗体发现效率。
The Station：一个面向AI驱动发现的开放世界环境
机构 * DualverseAI ； University of Cambridge（剑桥大学） ； University of Hong Kong（香港大学）
AI总结 STATION是一个开放世界多智能体环境，通过自主科学发现的涌现行为实现AI驱动的科学突破。
Comments 55 pages
多评分者医学图像分割的概率建模用于多样性和个性化
机构 * Zhejiang University（浙江大学） ； University of Cambridge（剑桥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ProSeg通过概率建模实现医学图像分割的多样化和个性化，结合专家偏好和边界模糊性，提升分割结果的多样性和个性化水平。
隐私保护的生成建模与慢性病纵向健康记录的临床验证
机构 * Vironix Health Inc（Vironix健康公司） ； University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 本文提出DP-TimeGAN模型，通过隐私保护生成模型处理纵向健康记录，提升慢性病诊断的隐私与效用平衡。
Comments To appear in Proceedings of Machine Learning Research Volume 297 - Proceedings of ML4H 2025
PointNSP: 通过下一尺度细节预测实现自回归3D点云生成
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 PointNSP通过下一尺度细节预测实现自回归3D点云生成，首次在自回归范式中达到最先进的生成质量，并在参数、训练和推理效率上超越扩散基线。
Comments 24 pages; Previously this version appeared as arXiv:2510.05613 which was submitted as a new work by accident
词网与人类直觉之间语义关系知识的不一致
机构 * Institute of Science Tokyo（东京科学研究所） ； University of Cambridge（剑桥大学）
AI总结 研究发现词网与人类直觉在语义关系知识上存在系统性不一致，影响其应用与改进。
Comments Accepted by Global WordNet Conference 2025
Journal ref Proceedings of the 13th Global Wordnet Conference (GWC2025), pages 25-36
DNA-Prior：通过双域先验实现无监督去噪
机构 * University of Cambridge（剑桥大学） ； Lucerne University Teaching and Research Hospital（卢塞恩教学与研究医院） ； Zurich University of Applied Sciences（苏黎世应用科学大学） ； YMSC, Tsinghua University（清华大学数学科学中心）
AI总结 DNA-Prior通过双域先验实现无监督去噪，无需外部数据即可在多种医学影像模态中有效抑制噪声并保留结构。
物理引导：在物理基础模型中实现跨领域概念的因果控制
机构 * University of Cambridge（剑桥大学） ； NYU（纽约大学） ； Simons Foundation（Simons基金会） ； Flatiron Institute（Flatiron研究所）
AI总结 本研究通过物理基础模型的激活空间分析，揭示了因果控制物理行为的机制，展示了对物理概念的跨领域操控能力。
Comments 16 Pages, 9 Figures. Code available soon at https://github.com/DJ-Fear/walrus_steering
DeXposure：去中心化金融网络中跨协议信用暴露的数据集和基准测试
机构 * Cambridge Centre for Alternative Finance, Judge Business School, University of Cambridge（剑桥替代金融中心，法官商学院，剑桥大学） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Informatics, King’s College London（伦敦国王学院信息学院）
AI总结 DeXposure数据集和基准测试用于研究去中心化金融网络中跨协议信用暴露，通过分析信用暴露网络的结构演变、行业级动态及时间图链接预测，为金融风险监控和机器学习研究提供支持。
Comments Data and code: https://github.com/dthinkr/DeXposure - Visualisation: https://ccaf.io/defi/ecosystem-map/visualisation/graph
FLUX：在任意分布偏移下的高效描述符驱动聚类联邦学习
机构 * Università della Svizzera italiana（瑞士联合大学） ； IBM Research Zurich（IBM Zurich研究部） ； University of Cambridge（剑桥大学）
AI总结 FLUX通过描述符驱动的聚类方法，在任意分布偏移下提升联邦学习的性能和稳定性，实现23个百分点的准确率提升。
Comments [v1] Pre-print of the paper accepted to NeurIPS 2025 (57 pages)
可解释的多模态癌症原型生成：结合整张滑片图像与不完全配对的基因组学
机构 * Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系） ； Department of Electrical & Electronic Engineering, The University of Manchester, UK（曼彻斯特大学电气与电子工程系） ； Department of Pathology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, China（南方医科大学肿瘤学国家重点实验室、广东省癌症临床研究中心、中山大学肿瘤中心病理学部） ； Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong SAR, China（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学院） ； School of Science and Engineering and School of Medicine, University of Dundee, UK
AI总结 本文提出了一种可解释的多模态原型生成框架，通过整合整张滑片图像和不完整的基因组学数据，提升精准肿瘤学中的多模态整合效果。
基于交互式组间比较的强化学习从人类反馈中学习
机构 * Aalto University（阿尔托大学） ； University of Cambridge（剑桥大学） ； University of Trento（特伦特大学） ； KTH Royal Institute of Technology（皇家理工学院）
AI总结 本文提出交互式组间比较方法，通过可视化和主动学习提升强化学习从人类反馈中学习的奖励和策略效果。
Comments 10 pages, 8 figures in proceedings of Computer Graphics Forum
FlowerTune: 一个跨领域用于联邦微调大型语言模型的基准测试
机构 * Flower Labs（Flower实验室） ； University of Cambridge（剑桥大学） ； Zhejiang University（浙江大学） ； Penn State University（宾夕法尼亚州立大学） ； Alibaba Group（阿里巴巴集团） ； University of Nevada, Reno（内华达大学拉斯维加斯分校） ； Gachon University（加荣大学） ； The University of Auckland（奥克兰大学） ； The University of Melbourne（墨尔本大学） ； The University of Adelaide（阿德莱德大学） ； Sony AI（索尼人工智能）
AI总结 FlowerTune提出一个跨领域联邦微调LLM的基准测试，评估26种模型在四个领域中的性能，提供隐私保护和领域适应的见解。
面向图神经网络高效训练的多尺度方法
机构 * Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（本· Gurion 内盖夫大学） ； Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Department of Earth, Ocean and Atmospheric Sciences（地球、海洋与大气科学系） ； University of British Columbia（不列颠哥伦比亚大学） ； Pidstryhach Institute for Applied Problems of Mechanics and Mathematics（应用力学与数学问题研究所） ； NAS of Ukraine, L’viv, Ukraine（乌克兰国家科学院，利沃夫，乌克兰）
AI总结 本文提出多尺度方法，通过层次化图表示和子图整合信息，提升图神经网络在大规模问题中的训练效率和预测性能。
大语言模型在社会法律情境中对非法指令的共谋回应
机构 * Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； University of Cambridge（剑桥大学）
AI总结 本研究探讨大语言模型在社会法律情境中对非法指令的共谋回应，揭示其在不同情境下的安全性和易感性问题。
为图灵测试及其遗产辩护
机构 * University of Cambridge（剑桥大学） ； National Laboratory for Scientific Computing (LNCC)（国家科学计算实验室）
AI总结 本文反驳了图灵测试的批评，强调其对人工智能发展历史的贡献。
Comments 6 pages
语义与信号交汇：用于生成推荐的双代码本表示学习
机构 * University of Cambridge（剑桥大学） ； Roblox Corporation（Roblox公司） ； University of Maryland（马里兰大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 本文提出FlexCode，一种用于生成推荐的双代码本学习框架，通过自适应分配token预算提升流行物品与长尾物品的表示效率和泛化能力。
具有跨视角相关性的3D感知多任务学习
机构 * University of Cambridge（剑桥大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Bristol（布里斯托大学）
AI总结 本文提出一种具有跨视角相关性的3D感知多任务学习方法，通过整合成本体积作为几何一致性来提升密集场景理解的性能。
Comments 3D-aware Multi-task Learning, Cross-view Correlations, Code will be available at https://github.com/WeiHongLee/CrossView3DMTL
概念感知的批量采样提升语言-图像预训练
机构 * Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Trento（特伦托大学） ； LAION ； Stanford University（斯坦福大学）
AI总结 本研究提出CABS方法，通过概念感知的批量采样提升语言-图像预训练效果，提供灵活的任务适应性数据整理方案。
Comments Tech Report
利用物理指导神经网络求解异质主体模型
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出ABH-PINN求解器，利用物理指导神经网络解决异质主体模型中的连续时间动态问题，实现更高效和准确的计算。
基于知识图谱构建衡量语义相似度的基准
机构 * University of Cambridge（剑桥大学）
AI总结 本文提出利用知识图谱构建语义相似度基准，通过生成不同领域的语义相似和不相似陈述对，评估多种语义相似度方法的性能，揭示领域和语义变化类型对方法效果的影响。
用于从连续组织学切片生成体积组织空间转录组的3D引导可扩展流匹配
机构 * Cambridge Stem Cell Institute, University of Cambridge（剑桥干细胞研究所，剑桥大学） ； Cambridge Center for AI in Medicine, University of Cambridge（剑桥人工智能医学中心，剑桥大学） ； Department of Medicine, University of Cambridge（剑桥大学医学系） ； Computer Science Department, University of Oxford（牛津大学计算机科学系） ； Computer Science Department, University of Helsinki（赫尔辛基大学计算机科学系） ； Institute for Molecular Medicine Finland, University of Helsinki（芬兰分子医学研究所，赫尔辛基大学） ； Wellcome Sanger Institute（沃森桑格研究所）
AI总结 HoloTea通过3D引导的流匹配框架，利用相邻切片信息提升3D空间转录组的生成精度和泛化能力。
Comments 19 pages
通过减少互信息进行缺失数据填补
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 本文提出了一种通过减少互信息来改进缺失数据填补的方法，通过迭代优化和ODE求解实现高效填补。
狄拉克方程信号处理：物理推动拓扑机器学习
机构 * School of Mathematical Sciences, Queen Mary University of London（伦敦玛丽女王大学数学科学学院） ； Nordita, KTH Royal Institute of Technology（北欧理论物理研究所、皇家理工学院） ； Stockholm University（斯德哥尔摩大学） ； Center for Systems Biology Dresden（德累斯顿系统生物学中心） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
AI总结 本文提出狄拉克方程信号处理框架，利用拓扑狄拉克算子的谱特性，提升信号处理性能，适用于非平滑或非谐振的真实信号。
Comments (14 pages, 7 figures)
Journal ref PNAS nexus, 4(5), p.pgaf139 (2025)
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