University of Oxford（牛津大学）

Can Graph Foundation Models Generalize Over Architecture?

图基础模型能否在架构上泛化？

Benjamin Gutteridge, Michael Bronstein, Xiaowen Dong

机构 * University of Oxford（牛津大学） ； AITHYRA 纠错

AI总结 本文探讨图基础模型在架构适应性上的必要性，指出现有模型在任务依赖的架构属性上缺乏鲁棒性，并提出一种能适应任务特定线性图运算的框架，实现跨异构架构的零样本泛化。

Comments 9 pages main text + 18 pages references and appendix (27 pages total), 5 figures. Accepted to GRaM Workshop @ ICLR 2026: Workshop on Geometry-grounded Representation Learning and Generative Modeling (to appear in PMLR)

Stability-Preserving Online Adaptation of Neural Closed-loop Maps

神经闭环映射的稳定性保持在线适应

Danilo Saccani, Luca Furieri, Giancarlo Ferrari-Trecate

机构 * Institute of Mechanical Engineering, Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院机械工程学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） 纠错

AI总结 本文提出稳定性保持的在线适应机制，用于非线性神经网络控制器，通过时间调度和状态触发方案保证闭环$\ell_p$稳定性，同时分离稳定性与控制器最优性。

Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation

对LLM代理的行为一致性验证：通过股票市场模拟分析交易风格切换

Zeping Li, Guancheng Wan, Keyang Chen, Yu Chen, Yiwen Zhao, Philip Torr, Guangnan Ye, Zhenfei Yin, Hongfeng Chai

机构 * Fudan University（复旦大学） ； Wuhan University（武汉大学） ； BNP Paribas（BNP巴黎银行） ； Oxford University（牛津大学） ； Haven 纠错

AI总结 本文通过股票市场模拟分析交易风格切换，评估LLM代理策略切换与金融理论的一致性，提出四个行为金融驱动因素作为性格特质，并通过Mann-Whitney U检验比较策略切换行为与理论的一致性。

Rethinking the Role of Entropy in Optimizing Tool-Use Behaviors for Large Language Model Agents

重新思考熵在优化大语言模型代理工具使用行为中的作用

Zeping Li, Hongru Wang, Yiwen Zhao, Guanhua Chen, Yixia Li, Keyang Chen, Yixin Cao, Guangnan Ye, Hongfeng Chai, Zhenfei Yin

机构 * Fudan University（复旦大学） ； University of Edinburgh（爱丁堡大学） ； Southern University of Science and Technology（南方科技大学） ； Oxford University（牛津大学） ； Haven 纠错

AI总结 本文通过熵基实验发现熵减与高质量工具调用正相关，提出两种奖励策略优化工具使用行为，实验表明熵减可提升代理适应性。

Operational machine learning for remote spectroscopic detection of CH$_{4}$ point sources

操作性机器学习用于远程光谱检测甲烷点源

Vít Růžička, Gonzalo Mateo-García, Itziar Irakulis-Loitxate, Juan Emmanuel Johnson, Manuel Montesino San Martín, Anna Allen, Alma Raunak, Carol Castaneda, Luis Guanter, David R. Thompson

机构 * University of Oxford（牛津大学） ； International Methane Emissions Observatory, United Nations Environment Programme (UNEP)（国际甲烷排放观测站，联合国环境规划署（UNEP）） ； Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） 纠错

AI总结 本文提出利用操作性机器学习技术，通过空间borne成像光谱仪实现全球范围内的甲烷点源检测，通过模型集成显著降低误检率，为未来高数据量的成像光谱仪提供关键技术支持。

Comments 20 pages, 14 figures, 10 tables. In review