University of Oxford（牛津大学）

Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap

去混淆分数与因果效应估计中的弱重叠

Oscar Clivio, Alexander D'Amour, Alexander Franks, David Bruns-Smith, Chris Holmes, Avi Feller

机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； Ellison Institute of Technology（埃里森技术研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出去混淆分数以改善因果效应估计中的重叠问题，通过最小化重叠分歧并推导广义线性模型下的闭式表达式，验证了前瞻性分数在该类中的最优性。

Comments To appear at AISTATS 2026

Inverse-Free Sparse Variational Gaussian Processes

无逆稀疏变分高斯过程

Stefano Cortinovis, Laurence Aitchison, Stefanos Eleftheriadis, Mark van der Wilk

机构 * University of Oxford（牛津大学） ； University of Bristol（布里斯托大学） 纠错

AI总结 本文提出无逆稀疏变分高斯过程方法，通过改进的界和自然梯度更新，提升稳定性与收敛性，适用于大规模并行硬件，实验证明其在回归和分类任务中性能优异。

Comments Accepted to AISTATS 2026. 20 pages, 3 figures, 2 tables

Seeing Beyond the Image: ECG and Anatomical Knowledge-Guided Myocardial Scar Segmentation from Late Gadolinium-Enhanced Images

超越图像：结合心电图与解剖知识的晚期钆增强图像心肌瘢痕分割

Farheen Ramzan, Yusuf Kiberu, Nikesh Jathanna, Meryem Jabrane, Vicente Grau, Shahnaz Jamil-Copley, Richard H. Clayton, Chen, Chen

机构 * School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院） ； Department of Cardiology, Trent Cardiac Centre, Nottingham City Hospital, Nottingham University Hospitals NHS Trust（诺丁汉大学医院NHS信托基金诺丁汉市医院特伦特心脏中心心脏病科） ； School of Medicine, University of Nottingham（诺丁汉大学医学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） 纠错

AI总结 本文提出一种融合心电图电生理信息与AHA-17解剖先验的多模态框架，通过时间感知特征融合机制提升晚期钆增强图像中心肌瘢痕分割的准确性与鲁棒性。

Comments oral presentation at International Symposium on Biomedical Imaging (ISBI 2026)

E-Scores for (In)Correctness Assessment of Generative Model Outputs

E-Scores用于生成模型输出的正确性评估

Guneet S. Dhillon, Javier González, Teodora Pandeva, Alicia Curth

机构 * Microsoft Research（微软研究院） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出E-Scores作为生成模型输出正确性评估的补充方法，通过e值提高评估的可靠性，并在不同正确性形式下验证其有效性。

Comments International Conference on Artificial Intelligence and Statistics (AISTATS), 2026

A Pure Hypothesis Test for Inhomogeneous Random Graph Models Based on a Kernelised Stein Discrepancy

基于核化Stein差异的纯假设检验用于非均匀随机图模型

Anum Fatima, Gesine Reinert

机构 * University of Oxford（牛津大学） ； Lahore College for Women University（拉合尔女子大学） 纠错

AI总结 本文提出一种基于核化Stein差异的检验方法，用于非均匀随机图模型，仅需单个网络观测即可检验模型拟合，适用于任意大小的网络，尤其适用于小网络，且提供理论保证。

Comments 53 pages, 21 figures

A Gaussian Process View on Observation Noise and Initialization in Wide Neural Networks

从宽神经网络的角度看观测噪声和初始化

Sergio Calvo-Ordoñez, Jonathan Plenk, Richard Bergna, Alvaro Cartea, Jose Miguel Hernandez-Lobato, Konstantina Palla, Kamil Ciosek

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Oxford-Man Institute, University of Oxford（牛津大学牛津曼研究所） ； OATML, University of Oxford（牛津大学OATML） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； Spotify 纠错

AI总结 本文提出通过引入正则化项和移位网络，解决宽神经网络中观测噪声和初始化问题，使NTK-GP等价性适用于任意先验均值，提升实际应用中的Gaussian Process建模效果。

Comments AISTATS 2026, Camera-ready version

Beyond Real Data: Synthetic Data through the Lens of Regularization

超越真实数据：通过正则化视角的合成数据

Amitis Shidani, Tyler Farghly, Yang Sun, Habib Ganjgahi, George Deligiannidis

机构 * Apple（苹果公司） ； University of Oxford（牛津大学） ； Big Data Institute（大数据研究所） 纠错

AI总结 本文通过正则化视角研究合成数据与真实数据的平衡，提出学习理论框架量化两者权衡，分析最优比例以最小化测试误差，并在CIFAR-10和临床脑MRI数据集上验证U型行为，扩展至领域适应场景。