高校专区
何时需要大语言模型？语言驱动型老虎机的诊断方法
机构 * University of Cambridge（剑桥大学）
AI总结 提出LLMP-UCB算法从LLM中获取不确定性估计，实验表明轻量数值老虎机在文本嵌入上匹配或超越LLM方案且成本更低，并给出基于臂嵌入的几何诊断指导何时使用LLM。
Comments The Reinforcement Learning Conference, 2026
仅用10比特从俳句到巨作：LLMs解锁巨大压缩增益
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Anthropic
AI总结 研究LLM生成文本的无损和有损压缩，提出问答压缩（QA）交互协议，用少量二进制问题实现超100倍压缩比，高效传递知识。
通过流匹配发现对称群
机构 * University of Cambridge（剑桥大学）
AI总结 提出LieFlow框架，将对称发现转化为李群上的分布学习问题，无需固定基或分布假设，能统一发现连续和离散对称，实验优于LieGAN。
INFER：学习受限汽车座舱的隐式神经频率响应场
机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出INFER框架，通过频域神经隐式模型联合学习源和接收器位置、方向下的复值频率响应场，引入端到端前向模型、感知谱监督和Kramers-Kronig约束，在汽车座舱数据上显著降低幅度和相位重建误差。
Photon: 联邦大语言模型预训练
机构 * University of Cambridge（剑桥大学） ； Flower Labs（Flower实验室） ； Zhejiang University（浙江大学）
AI总结 提出Photon系统，首次实现联邦端到端LLM预训练，通过跨孤岛联邦学习在弱连接GPU上训练高达7B参数模型，通信量减少64-512倍，收敛速度比DiLoCo快2倍。
Comments 18 pages, 9 appendix pages, 12 figures, 3 algorithms, 12 tables
Journal ref Proceedings of Machine Learning and Systems 7 (MLSys 2025), 2025
Pix2Fact: 当视觉不够时——基于网络验证的细粒度VQA基准测试
机构 * GADE Union (Global AI Data Experts Union)（GADE联盟（全球人工智能数据专家联盟）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Cambridge University（剑桥大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出Pix2Fact基准测试，通过高分辨率真实场景中的网络验证，评估细粒度视觉问答中的专家级视觉感知和知识搜索能力，发现现有模型在复杂任务中存在显著不足。
声场景空间语义分割的度量分析
机构 * University of Cambridge（剑桥大学） ； Inria（法国国家信息与自动化技术研究院）
AI总结 针对声场景空间语义分割（S5）的评估，提出一种新的度量CASA-SDR，通过置换不变源匹配分离分类与分离误差，提供更可解释的分离中心评估。
Comments 5 pages; content+bibliography
最小距离摘要用于鲁棒神经后验估计
机构 * University of Cambridge（剑桥大学）
AI总结 提出最小距离摘要方法，通过最大均值差异（MMD）在测试时自适应调整摘要统计量，在不修改预训练神经后验估计器的情况下实现鲁棒推断，理论保证鲁棒性并实验验证。
可操作的可解释性必须根据对称性来定义
机构 * University of Oxford（牛津大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 本文论证AI可解释性研究存在根本性问题，提出可操作的可解释性应基于四种对称性来定义，以形式化可解释模型并统一可解释推理。
优化秩以实现高保真隐式神经表示
机构 * University of Cambridge（剑桥大学）
AI总结 本文通过训练中稳定秩的调控，证明简单MLP也能实现高保真隐式神经表示，使用Muon优化器可显著提升性能，在多种任务上PSNR提升高达9 dB。
基于插入生成的变分学习
机构 * University of Cambridge（剑桥大学）
AI总结 提出插入过程（IP）模型，通过排列变分推断联合学习插入位置、内容和终止条件，支持变长生成并提升非自回归序列建模质量。
深度学习的可能性预测不确定性
机构 * University of Cambridge（剑桥大学） ； National University of Singapore（新加坡国立大学） ； University of Warsaw（华沙大学）
AI总结 提出基于可能性理论的Dirichlet近似可能性后验预测（DAPPr）框架，通过投影-近似策略实现高效且原则性的认知不确定性量化，在多个基准上达到竞争性能。
Comments Accepted by ICML 2026, 20 pages
CMI-RewardBench: 基于组合多模态指令评估音乐奖励模型
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 针对音乐生成模型缺乏有效评估机制的问题，提出CMI-RewardBench基准，包含大规模偏好数据集和参数高效奖励模型，实现多模态指令下的音乐质量评估。
Comments Accepted by ICML 2026
层次化后继表示用于鲁棒迁移
机构 * University of Cambridge（剑桥大学） ； DeepMind（深度思维）
AI总结 提出层次化后继表示（HSR），通过时间抽象构建鲁棒的状态特征，结合非负矩阵分解实现稀疏低秩表示，支持多隔间环境下的高效任务迁移与探索。
批量校准的置信模糊集：样本外污染下的快速、可处理决策
机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。
Comments Accepted for publication (spotlight) at ICML 2026
为什么商用WiFi传感器在多人体步态识别中失败：基于ESP32的系统分析
机构 * University of Cambridge（剑桥大学）
AI总结 通过ESP32实验发现，多人体步态识别性能差主要源于商用WiFi的感知质量限制，而非算法选择。
潜在颜色子空间：高维混沌中的涌现秩序
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。
Comments Accepted at ICML 2026
神经集成卡尔曼滤波器：含激波可压缩流的数据同化
机构 * University of California, San Diego（加州大学圣迭戈分校） ； University of Cambridge（剑桥大学）
AI总结 针对含激波可压缩流中集成卡尔曼滤波器（EnKF）因双峰预报分布失效的问题，提出神经EnKF，通过将预报集合映射到神经网络参数空间并在此空间进行同化，结合物理信息迁移学习避免伪振荡和非物理特征。
Kalman线性注意力：用于高效语言建模和状态跟踪的并行贝叶斯滤波
机构 * University of Cambridge（剑桥大学）
AI总结 提出Kalman线性注意力层，将序列混合重写为信息形式的精确贝叶斯滤波，实现时间并行推理，在相同计算成本下比GLA更具表达力，并在状态跟踪任务中超越线性SSM和注意力。
Comments Accepted at ICML 2026. An earlier version of this work was presented at the 1st Workshop on Epistemic Intelligence in Machine Learning (EIML) at EurIPS 2025
用于平滑且可解释的归一化流的解析双射
机构 * University of Cambridge（剑桥大学）
AI总结 提出三类全局光滑、解析可逆的双射函数，替代耦合流中的仿射变换或样条，并设计径向流架构，在径向结构目标上以千分之一参数达到耦合流质量。
Comments Final ICML 2026 version. 9 + 14 pages, 10 + 11 figures, 3 + 2 tables. New CIFAR-10 and tabular-data results; main text shortened for readability
噪声引导的模仿学习传输方法
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学）
AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。
Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt
LiveBand: 音频域中的实时伴奏生成
机构 * University of Cambridge（剑桥大学）
AI总结 提出LiveBand系统，利用因果Transformer在预训练因果音频自编码器的连续潜空间中生成高保真伴奏，通过对抗序列级监督训练，实现实时流式生成。
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
不确定性感知的深度学习用于野火危险预测
机构 * Aix-Marseille University（艾克斯-马赛大学） ； University of Cambridge（剑桥大学） ； University of Malaga（马拉加大学） ； University of Crete（希腊克里特大学）
AI总结 提出不确定性感知深度学习框架，联合捕获认知不确定性和偶然不确定性，提升短期野火危险预测的准确性和可靠性，F1分数提高2.3%，预期校准误差降低2.1%。
NoiseSDF2NoiseSDF: 从含噪监督中学习干净的神经场
机构 * University of Cambridge（剑桥大学）
AI总结 提出NoiseSDF2NoiseSDF方法，通过最小化含噪SDF表示之间的MSE损失，从含噪点云中学习干净的神经SDF，实现隐式去噪和表面优化。
Comments 16 pages, 7 figures
立场：机器学习社区必须构建AI增强的同行评审生态系统
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对ML领域稿件激增导致同行评审危机，本文主张将AI辅助评审作为优先研究课题，提出利用大语言模型作为协作工具，增强事实核查、评审指导、作者改进和决策支持，并强调需要更细粒度的评审数据。
Comments 18 pages, 3 figures. Accepted (Oral) at the ICML 2026 Position Paper Track
面向LLM智能体的事实增强前瞻规划
机构 * University of Cambridge（剑桥大学）
AI总结 提出LWM-Planner框架，通过从轨迹中提取关键事实并用于条件化动作提议、世界模型模拟和状态值估计，实现无需参数更新的在线规划改进，在多个环境上优于ReAct/Reflexion和纯搜索基线。
Comments Accepted at the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026). Camera-ready version. 9-page main text plus appendices (63 pages total), 1 figure
GOTabPFN: 从特征排序到高维表格基础模型的紧凑分词化
机构 * University of Cambridge（剑桥大学）
AI总结 针对高维小样本表格预测问题，提出GOTabPFN模型，通过图引导排序和神经启发子单元压缩实现紧凑表示，提升TabPFN在严格token预算下的稳定性和准确性。
Comments Accepted to the 43rd International Conference on Machine Learning (ICML 2026). Code and resources GitHub https://github.com/zadid6pretam/GOTabPFN PyPI https://pypi.org/project/gotabpfn Project webpage https://www.zadidhabib.com/gotabpfn.html Hugging Face ZeroGPU https://huggingface.co/spaces/zadid6pretam/GOTabPFN CPU backup https://huggingface.co/spaces/zadid6pretam/GOTabPFN_CPU
物理约束生成的正确度量：后验一致PDE逆问题的共面积修正
机构 * University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 针对扩散模型和流匹配在硬约束PDE逆问题中采样后验分布错误的问题，提出共面积修正因子和CoCoS采样器，实现正确的后验采样。
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