University of Oxford（牛津大学）

Towards Understanding Subliminal Learning: When and How Hidden Biases Transfer

迈向理解潜意识学习：何时以及如何隐藏偏见转移

Simon Schrodi, Elias Kempf, Fazl Barez, Thomas Brox

机构 * University of Freiburg（弗赖堡大学） ； University of Oxford（牛津大学） ； WhiteBox 纠错

AI总结 研究探讨了语言模型在蒸馏过程中潜意识学习的机制，发现早期层的微调足以引发隐藏偏见的转移，并指出该现象对提示改写敏感。

Comments ICLR 2026

Path Planning for Masked Diffusion Model Sampling

基于掩码扩散模型采样的路径规划

Fred Zhangzhi Peng, Zachary Bezemek, Sawan Patel, Jarrid Rector-Brooks, Sherwood Yao, Avishek Joey Bose, Alexander Tong, Pranam Chatterjee

机构 * Duke University（杜克大学） ； Atom Bioworks（Atom生物工坊） ； Mila – Québec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学） ； The University of Oxford（牛津大学） ； Aithyra（Aithyra公司） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出路径规划策略，通过规划和去噪两个阶段提升掩码扩散模型的生成质量，实验表明在多个领域均取得显著改进。

Risk-Aware Reinforcement Learning for Mobile Manipulation

面向移动操作的风险感知强化学习

Michael Groom, James Wilson, Nick Hawes, Lars Kunze

机构 * Oxford Robotics Institute, Department of Engineering Science, University of Oxford（牛津大学机器人研究所、工程科学系、牛津大学） ； Dyson Institute of Engineering & Technology（戴森工程与技术研究所） ； Bristol Robotics Laboratory, School of Engineering, University of West England（布里斯托尔机器人实验室、工程学院、西英格兰大学） 纠错

AI总结 本文提出了一种基于风险感知的强化学习方法，通过分布强化学习和模仿学习，实现移动操作中的风险敏感决策与策略蒸馏。

Standing on the Shoulders of Giants: Rethinking EEG Foundation Model Pretraining via Multi-Teacher Distillation

站在巨人肩膀上：通过多教师蒸馏重新思考EEG基础模型预训练

Chenqi Li, Yu Liu, Shuo Zhang, Timothy Denison, Tingting Zhu

机构 * Department of Engineering Science, University of Oxford（工程科学系，牛津大学） 纠错

AI总结 本文提出MTDP框架，通过多教师蒸馏预训练EEG基础模型，提升模型性能并减少预训练数据需求。

NOVA3R: Non-pixel-aligned Visual Transformer for Amodal 3D Reconstruction

NOVA3R：非像素对齐的视觉变换器用于模态3D重建

Weirong Chen, Chuanxia Zheng, Ganlin Zhang, Andrea Vedaldi, Daniel Cremers

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 NOVA3R通过非像素对齐的视觉变换器实现更准确的3D重建，解决了传统像素对齐方法在处理可见和不可见点及重叠区域结构上的局限。

Comments Accepted to ICLR 2026. Project Page: https://wrchen530.github.io/nova3r

From Word to World: Can Large Language Models be Implicit Text-based World Models?

从词到世界：大型语言模型能否作为隐式的基于文本的世界模型？

Yixia Li, Hongru Wang, Jiahao Qiu, Zhenfei Yin, Dongdong Zhang, Cheng Qian, Zeping Li, Pony Ma, Guanhua Chen, Heng Ji

机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft Research（微软研究院） ； University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Oxford University（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Fudan University（复旦大学） ； Mind Lab 纠错

AI总结 本文研究了大型语言模型在基于文本的环境中作为世界模型的可行性，通过三个评估层面验证了其在提升智能体性能方面的有效性，并明确了环境复杂性和行为覆盖对世界建模效果的影响。

Learning Physical Systems: Symplectification via Gauge Fixing in Dirac Structures

学习物理系统：通过Dirac结构进行配分的配分

Aristotelis Papatheodorou, Pranav Vaidhyanathan, Natalia Ares, Ioannis Havoutis

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） 纠错

AI总结 本文提出预配分网络（PSNs），通过Dirac结构学习配分提升，恢复非退化对称几何，实现受约束耗散系统的几何机器学习模型。

Comments Presented at Equivariant Systems: Theory and Applications in State Estimation, Artificial Intelligence and Control, Robotics: Science and Systems (RSS) 2025 Workshop, 6 Pages, 3 Figures

Generalization Bounds for Markov Algorithms through Entropy Flow Computations

通过熵流计算推导马尔可夫算法的泛化界限

Benjamin Dupuis, Maxime Haddouche, George Deligiannidis, Umut Simsekli

机构 * INRIA - Département d’Informatique de l’Ecole Normale Supérieure（法国国家信息与自动化技术研究所-巴黎高等师范学院计算机系） ； PSL Research University - CNRS（巴黎综合理工研究学院-法国国家科学研究中心） ； Department of Statistics, University of Oxford（牛津大学统计学系） 纠错

AI总结 本文通过熵流方法推导出马尔可夫算法的泛化界限，扩展了其适用范围至所有由时间齐次马尔可夫过程支配的算法。

Learnable Sparsity for Vision Generative Models

可学习的稀疏性用于视觉生成模型

Yang Zhang, Er Jin, Wenzhong Liang, Yanfei Dong, Ashkan Khakzar, Philip Torr, Johannes Stegmaier, Kenji Kawaguchi

机构 * National University of Singapore（新加坡国立大学） ； RWTH Aachen University（亚琛工业大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出了一种无需重新训练的扩散模型剪枝方法，通过学习可微掩码和时间步梯度检查点技术，实现高效参数压缩与性能保持。

Comments Project page: https://yangzhang-v5.github.io/EcoDiff