University of Oxford（牛津大学）

Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities

跨分析层次：解释人类预测处理需要的不仅仅是机器估计的概率

Sathvik Nair, Colin Phillips

机构 * University of Maryland Department of Linguistics（马里兰大学语言学系） ； Oxford University Faculty of Linguistics, Philology and Phonetics（牛津大学语言学、语文学与语音学系） 纠错

AI总结 本文批判并扩展了关于语言模型和语言处理的两个主张，探讨了预测未来语言信息的重要性以及大规模语言模型对心理语言学的影响，并提出结合LLMs与心理语言学模型的未来方向。

Comments 9 pages, Behavioral & Brain Sciences Commentary on Futrell & Mahowald (forthcoming)

Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images

先聚类后标注：一种自动化流程用于组织全切片图像的分割和形态学聚类

Muhammad Haseeb Ahmad, Sharmila Rajendran, Damion Young, Jon Mason

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出一种自动化流程，通过先聚类后标注的方法，减少对全切片图像中大量结构的手动标注工作，实现高精度的组织成分分割和形态学聚类。

Comments 7 pages, 4 figures

Stability Enhanced Gaussian Process Variational Autoencoders

提升稳定性的一般化过程变分自编码器

Carl R. Richardson, Jichen Zhang, Ethan King, Ján Drgoňa

机构 * University of Oxford（牛津大学） ； Pacific Northwest National Laboratory（太平洋西北国家实验室） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出SEGP-VAE，通过高维视频数据间接训练低维线性时不变系统，利用概率与可解释物理模型结合的方法，通过半收缩系统参数限制提升训练稳定性。

A Predictive View on Streaming Hidden Markov Models

流式隐马尔可夫模型的预测视角

Gerardo Duran-Martin

机构 * Oxford-Man Institute, University of Oxford（牛津大学牛津曼研究所） 纠错

AI总结 本文提出一种预测优先的优化框架，用于流式隐马尔可夫模型，通过在线学习预测模型参数，在固定转移先验下实现准确的步进预测分布。

Artificial intelligence can persuade people to take political actions

人工智能可以说服人们采取政治行动

Kobi Hackenburg, Luke Hewitt, Caroline Wagner, Ben M. Tappin, Christopher Summerfield

机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所） ； Stanford University（斯坦福大学） ； London School of Economics and Political Science（伦敦政治经济学院） 纠错

AI总结 研究探讨了人工智能对实际政治行为的说服效果，发现AI在推动请愿和捐款等行为上有显著影响，但态度与行为无相关性，且信息提供驱动态度变化而非行为。

Comments 13 pages, 4 figures

Hidden in Plain Sight: Visual-to-Symbolic Analytical Solution Inference from Field Visualizations

隐于 plain sight：从场可视化中推断视觉到符号的解析解

Pengze Li, Jiaquan Zhang, Yunbo Long, Xinping Liu, Zhou wenjie, Encheng Su, Zihang Zeng, Jiaqi Liu, Jiyao Liu, Junchi Yu, Lihao Liu, Philip Torr, Shixiang Tang, Aoran Wang, Xi Chen

机构 * Fudan University, China（复旦大学） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室） ； University of Cambridge, UK（剑桥大学） ； Nankai University, China（南开大学） ； University of Oxford, UK（牛津大学） 纠错

AI总结 本文研究了从二维线性稳态场的可视化中推断视觉到符号的解析解，提出ViSA-R2模型并发布ViSA-Bench基准，通过结构模式识别和物理学家路径验证，实现高精度符号表达推断。

FDIF: Formula-Driven supervised Learning with Implicit Functions for 3D Medical Image Segmentation

FDIF：基于隐函数的公式驱动监督学习用于3D医学图像分割

Yukinori Yamamoto, Kazuya Nishimura, Tsukasa Fukusato, Hirokazu Nosato, Tetsuya Ogata, Hirokatsu Kataoka

机构 * Waseda University（早稻田大学） ； The University of Osaka（大阪大学） ； National Institute of Advanced Industrial Science and Technology（国立研究开发法人产业技术综合研究所） ； University of Oxford（牛津大学） 纠错

AI总结 FDIF通过隐函数实现无需真实数据的3D医学图像分割预训练，提升几何表达能力与纹理合成效果，优于公式驱动方法并接近自监督方法。