University of Oxford（牛津大学）

From Mice to Trains: Amortized Bayesian Inference on Graph Data

从老鼠到火车：图数据上的消 amortized 贝叶斯推断

Svenja Jedhoff, Elizaveta Semenova, Aura Raulo, Anne Meyer, Paul-Christian Bürkner

机构 * Department of Statistics, TU Dortmund University（统计系，多特蒙德技术大学） ； School of Public Health, Imperial College London（公共卫生学院，伦敦帝国理工学院） ； Department of Biology, University of Oxford（生物学系，牛津大学） ； Department of Mechanical Engineering, Karlsruhe Institute of Technology（机械工程系，卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出了一种基于生成神经网络的消 amortized 贝叶斯推断方法，用于图数据的节点、边和图层面参数推断，通过评估不同架构在合成和现实数据中的表现，解决了图参数后验估计的挑战。

A Distributed Gaussian Process Model for Multi-Robot Mapping

多机器人制图的分布式高斯过程模型

Seth Nabarro, Mark van der Wilk, Andrew J. Davison

机构 * Dyson Robotics Lab, Imperial College London（帝京大学伦敦分校戴森机器人实验室） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） 纠错

AI总结 DistGP通过分布式高斯过程实现多机器人协同制图，优于现有方法并在动态环境下表现更优。

Comments ICRA 2026, 8 pages

3DMedAgent: Unified Perception-to-Understanding for 3D Medical Analysis

3DMedAgent：面向3D医学分析的统一感知-理解框架

Ziyue Wang, Linghan Cai, Chang Han Low, Haofeng Liu, Junde Wu, Jingyu Wang, Rui Wang, Lei Song, Jiang Bian, Jingjing Fu, Yueming Jin

机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research（微软研究院） ； TUD Dresden University of Technology（德累斯顿技术大学） ； University of Oxford（牛津大学） 纠错

AI总结 3DMedAgent通过统一框架实现2D MLLMs在3D医学分析中的高效处理，无需3D特定微调，提升3D医学图像的感知与理解能力。

Comments 19 pages, 7 figures

Robustness Verification of Graph Neural Networks Via Lightweight Satisfiability Testing

通过轻量级可满足性测试验证图神经网络的鲁棒性

Chia-Hsuan Lu, Tony Tan, Michael Benedikt

机构 * University of Oxford, UK（英国牛津大学） ； University of Liverpool, UK（英国利物浦大学） 纠错

AI总结 本文提出通过轻量级可满足性测试提升图神经网络在结构鲁棒性方面的性能。

Variational Flow Maps: Make Some Noise for One-Step Conditional Generation

变分流映射：为一步条件生成引入噪声

Abbas Mammadov, So Takao, Bohan Chen, Ricardo Baptista, Morteza Mardani, Yee Whye Teh, Julius Berner

机构 * University of Oxford（牛津大学） ； California Institute of Technology（加州理工学院） ； University of Toronto（多伦多大学） ； NVIDIA（英伟达公司） 纠错

AI总结 变分流映射通过学习初始噪声分布，实现单步条件生成，提升逆问题求解效率和样本保真度。

Distributed Legal Infrastructure for a Trustworthy Agentic Web

分布式法律基础设施用于可信代理网络

Tomer Jordi Chaffer, Victor Jiawei Zhang, Sante Dino Facchini, Botao Amber Hu, Helena Rong, Zihan Guo, Xisen Wang, Carlos Santana, Giovanni De Gasperis

机构 * Institute for Technoscience and Society（科技与社会研究所） ； Berkeley Center for Law & Technology（伯克利法与科技中心） ； U.C. Berkeley Law School（伯克利法学院） ； Technical University of Munich（慕尼黑技术大学） ； Università degli Studi dell’Aquila（阿奎拉大学） ； University of Oxford（牛津大学） ； Existential Risk Alliance（存在风险联盟） ； NYU Shanghai（纽约大学上海分校） ； Sun Yat-sen University（中山大学） ； Shanghai Innovation Institute（上海创新研究院） ； Norwegian University of Science and Technology（挪威科学技术大学） 纠错

AI总结 本文提出分布式法律基础设施，旨在通过可互操作的协议构建可信代理网络，实现连贯治理与合法性维持。

Evo: Autoregressive-Diffusion Large Language Models with Evolving Balance

Evo：具有进化平衡的自回归-扩散大语言模型

Junde Wu, Minhao Hu, Jiayuan Zhu, Yuyuan Liu, Tianyi Zhang, Kang Li, Jingkun Chen, Jiazhen Pan, Min Xu, Yueming Jin

机构 * University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Technical University of Munich（慕尼黑技术大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 Evo通过进化平衡机制，结合自回归和扩散模型，实现高效且高质量的语言生成。

See It, Say It, Sorted: An Iterative Training-Free Framework for Visually-Grounded Multimodal Reasoning in LVLMs

看见它，说出它，排序：一种无需训练的迭代框架用于LVLMs中的视觉引导多模态推理

Yongchang Zhang, Oliver Ma, Tianyi Liu, Guangquan Zhou, Yang Chen

机构 * Southeast University（东南大学） ； University of Oxford（牛津大学） ； AIIA, Ministry of Education, China（教育部人工智能研究院，中国） 纠错

AI总结 本文提出无需训练的迭代框架，通过视觉证据监督推理步骤，减少多模态推理中的幻觉问题，提升推理准确性。

Comments CVPR2026 Accepted

Representing local protein environments with machine learning force fields

用机器学习力场表示局部蛋白质环境

Meital Bojan, Sanketh Vedula, Advaith Maddipatla, Nadav Bojan Sellam, Anar Rzayev, Federico Napoli, Paul Schanda, Alex M. Bronstein

机构 * IST Austria（IST奥地利研究院） ； Technion, Israel（技术学院，以色列） ； University of Oxford, UK（牛津大学，英国） ； Princeton University（普林斯顿大学） ； Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院Broad研究所） 纠错

AI总结 本文提出基于原子基础模型的局部蛋白质环境表示方法，有效捕捉结构和化学特征，实现了高精度的生物分子核磁共振化学移位预测。