高校专区
无保护属性的去偏：从文本画像中消除潜在概念
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； University of Groningen（格罗宁根大学） ； NVIDIA Research（英伟达研究院）
AI总结 提出H-SAL方法，利用自我描述文本作为隐式信号进行后处理概念和属性消除，在无直接敏感属性下实现去偏，并在多领域Stack Exchange基准上验证其效果与显式标签去偏相当或更优。
Comments 23 pages, 5 figures, 12 tables. The paper is currently under review
WorldReasoner: 评估语言模型代理是否通过有效推理预测事件
机构 * 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 提出WorldReasoner框架，通过时间有效检索、证据质量和因果图推理三个维度评估语言模型代理的事件预测能力，发现时间有效检索是结果准确性的最强驱动因素。
面向边缘设备上心电图异常检测的隐私保护联邦自编码器
机构 * Google Research, New York, NY（谷歌研究，纽约，纽约州） ； University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； University of Melbourne（墨尔本大学） ； University of Sydney（悉尼大学）
AI总结 提出一种结合联邦学习、差分隐私和INT8量化的端到端系统，在PTB-XL数据集上实现无监督12导联ECG异常检测，满足隐私、实时性和非IID数据要求。
Comments 9 pages, 4 figures, 6 tables. Preprint prepared in IEEE conference format. Submitted to: FLTA 2026
ProcessThinker: 通过基于展开的过程奖励增强多模态大语言模型推理
机构 * LMU Munich（慕尼黑大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Mina AI ； Konrad Zuse School of Excellence in Reliable AI (relAI)（康拉德·楚泽可靠人工智能卓越学校（relAI））
AI总结 提出ProcessThinker，一种无需显式过程奖励模型的后训练方法，通过步骤标记格式和基于展开的过程奖励，为多步推理提供密集的步骤级奖励，提升多模态推理一致性。
Comments Accepted at ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 7 pages, 1 figure
用不确定性感知神经网络建模磁性材料性质
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tokyo（东京大学） ； National Institute for Materials Science（国家材料科学研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
AI总结 针对新材料发现中数据稀缺和分布外预测的不确定性问题，采用高斯负对数似然损失和基于dropout的贝叶斯近似量化预测不确定性，并迁移至微观结构预测矫顽力任务，证明不确定性量化可增强预测可信度且可迁移。
Comments pre print, unreviewed version
可解释的神经标记统计用于宇宙学推断
机构 * University of Cambridge（剑桥大学） ； University of Waterloo（多伦多大学）
AI总结 提出一种神经标记方案，通过可解释的物理变换从形态学层面提取宇宙学信息，在对比学习目标下优化标记统计，显著提高对σ₈和Ωₘ的约束精度。
Comments 11 pages, 6 figures. Accepted to the Workshop on AI for Physics (ICML 2026)
用于蛋白质性质预测的灵活核函数
机构 * University of Cambridge（剑桥大学）
AI总结 提出利用进化替代矩阵和局部线性性的序列核函数，结合高斯过程实现数据高效的蛋白质性质预测，并融入结构信息进行多任务学习。
Comments 50 pages; to appear at ICML 2026
蒙特卡洛乐观策略迭代的收敛性：超越均匀状态-动作更新
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文证明，在每状态动作均匀更新的条件下，首次访问蒙特卡洛乐观策略迭代收敛到最优，放宽了传统均匀状态-动作更新的要求，并通过均场动力学和锁定论证方法给出证明。
交叉编码器特征间的交互：一个紧凑证明的视角
机构 * Anthony J. Leggett Institute for Condensed Matter Theory（安东尼·J·莱格特凝聚态理论研究所） ； MATS ； UK AI Security Institute (AISI)（英国人工智能安全研究所） ； Imperial College London（帝国理工学院伦敦分校） ； Goodfire ； University of Cambridge（剑桥大学） ； Theorem Labs（定理实验室）
AI总结 本文从紧凑证明角度形式化交叉编码器特征交互，提出交互度量并应用于计算稀疏性、语义聚类和检测休眠代理。
Comments Accepted at the NeurIPS 2025 Workshop on Mechanistic Interpretability
Express 语言建模
机构 * Cornell Tech（康奈尔科技） ； University of Cambridge（剑桥大学） ； Microsoft Research（微软研究院）
AI总结 提出 Express 工具，将非因果注意力近似转换为因果近似，结合 Thinformer 实现最优因果注意力保证，并加速语言建模中的四个资源瓶颈。
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
代码不仅仅是文本：代码生成的不确定性估计
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学）
AI总结 针对代码生成中错误程序的可靠性问题，提出基于词法、算法和功能三个正交轴的不确定性估计方法，在五个代码LLM上将AUROC提升8.1个百分点。
推理竞技场：当可验证奖励不足时的轨迹锦标赛
机构 * University of Cambridge（剑桥大学） ； Mistral AI
AI总结 提出推理竞技场框架，通过轨迹锦标赛将无梯度信号的非多样奖励组转化为相对奖励信号，结合Bradley-Terry模型高效整合强化学习，在数学和编码基准上平均提升7.6%，加速训练27%-41%。
Comments 9 pages, 6 figures, 2 tables (17 pages including references and appendices)
张量化Engram：在N-gram嵌入中共享潜在变量对大型语言模型有益
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学）
AI总结 提出张量化Engram（TN-gram），通过CP分解共享因子压缩n-gram嵌入，减少参数并避免哈希冲突，在多个任务上匹配或超越现有方法。
构建带有工具性干预的比较动机概况
机构 * MATS ； University of Cambridge（剑桥大学） ； KAIST（韩国科学技术院） ； George Washington University（乔治华盛顿大学）
AI总结 通过对称工具性干预区分对齐伪装中的策略性自我保护与研究者期望追踪，发现模型对期望追踪更敏感，提示需要构念效度检验。
摘要生成尚未消亡
机构 * Saarland University（萨尔大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室）
AI总结 通过多维度评估，发现人类参考摘要在信息量和忠实度上仍优于大语言模型，后者仅在表面连贯性和流畅性上占优，表明摘要生成研究仍有挑战。
REACT 2026：第四届多适切面部反应生成挑战赛：个性化MAFRG与适切脑电反应预测
机构 * University of Exeter（埃克塞特大学） ； Politecnico di Milano（米兰理工大学） ； Nanjing University of Science and Technology（南京理工大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； King's College London（伦敦国王学院） ； Universitat de Barcelona（巴塞罗那大学） ； University of Nottingham（诺丁汉大学） ； IMT Nord Europe（IMT 北欧欧洲） ； Université Grenoble Alpes（格勒诺布尔-阿尔卑斯大学） ； University of Augsburg（奥格斯堡大学） ； University of Cambridge（剑桥大学）
AI总结 提出REACT 2026挑战赛，鼓励开发机器学习模型，用于生成个性化、适切、多样、真实且同步的人类面部反应，并引入个性标签和脑电记录，探索新的一对多个性化面部反应生成设置。
Comments arXiv admin note: text overlap with arXiv:2505.17223
边缘设备上小语言模型训练中对抗检测的模型多重性
机构 * Computer Lab, University of Cambridge（剑桥大学计算机实验室）
AI总结 针对边缘设备上分布式微调语言模型易受投毒攻击的问题，提出基于模型多重性的系统级防御，通过旋转或并行训练多个小语言模型并量化其差异来检测异常，实验表明比经典单模型防御更早更可靠地检测投毒。
量子增强的极化材料分类相似度度量
机构 * University of Cambridge（剑桥大学）
AI总结 提出量子-经典混合流水线，将极化材料分类转化为点匹配问题，利用SWAP测试估计嵌入向量保真度，实现竞争性分类精度和开放集判别能力。
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
为什么将残差流限制在层而不是令牌？用于连续潜在推理的持久记忆
机构 * University of Cambridge（剑桥大学）
AI总结 针对CoCoNuT在潜在空间推理中因中间隐藏状态被覆盖导致概念瓶颈的问题，提出AGCLR模型，通过门控概念流持久记忆机制，在GSM8K、HotpotQA和ProsQA上取得一致提升。
通过基础模型的对抗微调实现单细胞跨模态迁移
机构 * University of Cambridge（剑桥大学）
AI总结 提出利用单细胞基础模型进行对抗微调，实现未配对空间转录组与单细胞RNA测序数据的跨模态翻译，性能优于多组学翻译方法。
立场：拟人化错位研究需要更强证据
机构 * University of Cambridge（剑桥大学）
AI总结 本文指出拟人化错位研究（AMR）在概念模糊、数据不鲁棒、实验设计不足等问题上存在证据薄弱，提出证据层级框架和诊断清单以提升方法论严谨性。
贡献权重：自注意力Transformer的几何分析
机构 * University of Cambridge（剑桥大学）
AI总结 提出基于投影的贡献权重度量，结合注意力权重、值向量大小和方向对齐，更准确识别关键令牌，并揭示注意力汇的主动抑制功能。
OmniMem: 面向流式音视频大语言模型的扰动感知记忆压缩
机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 提出OmniMem，一种针对音视频LLM的流式记忆压缩框架，通过模态感知分配和扰动感知选择压缩KV缓存，在保持长视频理解的同时减少内存，在多个基准上提升2-4%准确率。
Comments Code: https://github.com/bytedance/SALMONN/tree/omni_mem
LLM 代理辅助逆向工程与定量可读性指标
机构 * University of Cambridge（剑桥大学）
AI总结 提出定量可读性分数（QRS）框架，结合结构相似性门控与三个可读性子指标，指导 LLM 代理提升反编译代码可读性，同时保持功能正确性。
MMBU: 大规模多模态生物医学理解基准，用于探测视觉语言模型的感知能力
机构 * Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Instituto Tecnológico de Monterrey（蒙特雷技术学院） ； Monash University（墨尔本大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学）
AI总结 提出MMBU基准，涵盖35个子模态，通过分类、定位和检测任务系统评估VLM在生物医学领域的视觉感知和泛化能力，发现高准确率可能掩盖感知缺陷。
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