高校专区
LTLf+义务的符号合成
机构 * University of Oxford, UK（牛津大学） ； University of Liverpool, UK（利物浦大学） ； University of Gothenburg and Chalmers University of Technology, Sweden（哥德堡大学和查尔姆斯理工大学）
AI总结 研究LTLfp中义务属性的合成，通过符号确定性弱自动机实现高效算法，实验表明其效果与LTLf合成相当。
解析人工智能交易：行为金融与市场泡沫
机构 * Saïd Business School, University of Oxford（牛津大学said商学院） ； School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）管理学院）
AI总结 本文研究AI代理在实验资产市场中的预期形成与交易行为，发现AI代理表现出经典行为模式，并通过分析其推理文本展示针对性提示干预对市场泡沫的影响。
对称性在变分推断中保证统计量的恢复
机构 * Department of Computer Science（计算机科学系） ； Department of Computing（计算科学系） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出了一种通用理论，探讨对称性如何在变分推断中促进统计量的恢复，统一了现有结果，并应用于球面分布以获得新的方向统计量保证。
Comments 19 pages, 2 figures
人机协作中的鸿沟
机构 * University of Oxford（牛津大学）
AI总结 本文探讨了人机协作中稳定性不足的问题，提出三种工作结构并强调 grounding 条件的重要性。
Comments Accepted as a conference paper at ECSCW 2026, Germany
从AVA学习：为政策与发展研究构建的可信生成式AI的早期经验
机构 * University of Oxford（牛津大学） ； Nouswise, Inc.（Nouswise公司）
AI总结 AVA通过多代理流程为政策研究提供证据合成，通过引用可验证性和合理回避机制实现认知谦逊，实验证明其能节省用户时间，为专用AI设计提供指导。
Comments Accepted at ACM CHI'26
隐私崩溃：良性微调可能在语言模型中破坏上下文隐私
机构 * Parameter Lab（参数实验室） ； TU Darmstadt（图腾达姆斯塔特大学） ； University of Oxford（牛津大学） ； NAVER AI Lab（NAVER AI实验室） ； University of Tübingen（图宾根大学）
AI总结 研究发现语言模型在良性微调过程中可能因训练数据中的细微模式导致上下文隐私崩溃，揭示了当前安全评估在专用代理部署中的关键缺口。
Comments ACL 2026 Main
OXtal：一种用于有机晶体结构预测的全原子扩散模型
机构 * University of Oxford（牛津大学） ； Synteny ； Google（谷歌） ； Mila ； Université de Montréal（蒙特利尔大学） ； Caltech（加州理工学院） ； NVIDIA（英伟达） ； Lila ； AITHYRA ； FutureHouse ； Imperial College London（伦敦帝国学院）
AI总结 OXtal通过全原子扩散模型直接学习分子构象与周期性排列的联合分布，利用数据增强策略提升效率，实现对晶体结构的高精度预测，显著优于传统方法。
PowerCLIP: 基于幂集对齐的对比预训练
机构 * Institute of Science Tokyo（东京科学研究院） ； AIST（日本产业技术综合研究所） ； University of Oxford（牛津大学） ； VGG（视觉信息组）
AI总结 PowerCLIP通过引入幂集对齐方法，提升多区域图像语义理解，实验表明其在零样本分类和检索任务中表现更优。
SHRUG-FM：面向地球观测的可靠性感知基础模型
机构 * Universitat de València（瓦伦西亚大学） ； Wageningen University & Research（瓦赫宁根大学与研究所） ； Delft University of Technology（代尔夫特理工大学） ； European Space Agency（欧洲航天局） ； Heidelberg University（海德堡大学） ； Ghent University（根特大学） ； University of Oxford（牛津大学） ； Google Research（谷歌研究）
AI总结 本文提出SHRUG-FM框架，通过整合三种互补信号提升地球观测基础模型的可靠性，实验证明其在高风险任务中有效降低预测风险。
Comments Accepted for proceedings at CVPR EarthVision 2026
通过查询学习一致可接受的彩票
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究通过查询模型确定一致可接受的彩票，提出确定性和随机性算法以找到可行彩票或证明不可行，并分析查询复杂度与下界。
利用稀疏和噪声数据的机器学习哈密顿动力系统
机构 * The Mathematical Institute, University of Oxford, Oxford OX2 6GG, United Kingdom（牛津大学数学研究所） ； Center for Theoretical Physics, St. Stephen's College, University of Delhi, Delhi 110007, India（德里大学斯特金学院理论物理中心）
AI总结 本文提出ASRNN模型，结合哈密顿学习与辛递归积分，通过物理结构融入学习架构，在稀疏噪声数据下稳定学习非线性哈密顿动力系统的符号表示。
代理业务流程管理的正式基础
机构 * University of Oxford, UK（牛津大学，英国） ； SAP, Germany（德国SAP公司） ； Umeå University, Sweden（乌梅拉大学，瑞典） ； University of Mannheim, Germany（曼海姆大学，德国） ； Free University of Bozen-Bolzano, Italy（博兹纳自由大学，意大利）
AI总结 本文探讨了代理业务流程管理系统的数学基础，分析了四个核心问题，提出通过显式目标约束代理决策能力，以实现流程规范的控制。
代理强化学习用于大语言模型的景观：综述
机构 * University of Oxford（牛津大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Brown University（布朗大学） ； University College London（伦敦大学学院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial College London（伦敦帝国学院） ； Dalian University of Technology（大连理工大学） ； Chinese Academy of Sciences（中国科学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Georgia（佐治亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University of Bristol（布里斯托大学）
AI总结 本文综述了代理强化学习在大语言模型中的应用，提出双分类体系，探讨其核心能力与应用领域，并强调强化学习在使能力转化为适应性行为中的关键作用。
Comments Published on Transactions on Machine Learning Research: https://openreview.net/forum?id=RY19y2RI1O
揭开真相的面纱：秩减少后主权重的浮现使以推理为导向的监督微调得以提升
机构 * University of California, Berkeley, CA, USA（加州大学伯克利分校） ； International Computer Science Institute, CA, USA（国际计算机科学研究所） ； Lawrence Berkeley National Laboratory, CA, USA（伯克利国家实验室） ； Dartmouth College, NH, USA（达特茅斯学院） ； University of Exeter, Exeter, UK（埃克塞特大学） ； University of Oxford, Oxford, UK（牛津大学） ； University of Surrey, Guildford, UK（萨里大学） ； Tsinghua University, China（清华大学） ； Eindhoven University of Technology, the Netherlands（埃因霍温理工大学）
AI总结 本文提出LIFT方法，通过秩减少后选取主权重进行微调，提升推理能力，同时保持内存效率，优于全微调和LoRA。
Comments ICML 2025
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈