University of Oxford（牛津大学）

Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction

对乳腺癌生存预测的病理基础模型进行基准测试

Fredrik K. Gustafsson, Constance Boissin, Johan Vallon-Christersson, David A. Clifton, Mattias Rantalainen

机构 * Department of Medical Epidemiology and Biostatistics, Karolinska Institutet（卡罗林斯卡研究所医学流行病学与生物统计学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Division of Oncology, Department of Clinical Sciences Lund, Lund University（卢德大学临床科学系肿瘤学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州先进研究中心） 纠错

AI总结 本文通过标准化流程评估了多种病理基础模型在乳腺癌生存预测中的性能，发现H-optimus-1表现最佳，且第二代模型优于第一代，但多数模型性能差异较小，紧凑模型H0-mini在参数较少的情况下表现更优。

Hierarchical Behaviour Spaces

层次行为空间

Michael Tryfan Matthews, Anssi Kanervisto, Jakob Foerster, Pierluca D'Oro, Scott Fujimoto, Mikael Henaff

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出层次行为空间(HBS)方法，通过线性组合奖励函数诱导行为空间，提升策略表达能力，在NetHack环境中验证了其性能，发现层级优势源于探索而非长期推理。

GradMAP: Gradient-Based Multi-Agent Proximal Learning for Grid-Edge Flexibility

GradMAP:基于梯度的多智能体近端学习用于电网-边缘灵活性

Yihong Zhou, Hongtai Zeng, Thomas Morstyn

机构 * 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GradMAP，一种基于梯度的多智能体近端学习方法，通过在电网-边缘设备中实现去中心化学习，有效减少三相交流负载流约束违规，提升训练效率。

Why AI Harms Can't Be Fixed One Identity at a Time: What 5300 Incident Reports Reveal About Intersectionality

为何AI伤害无法逐个身份类别修复：5300份事件报告揭示的交叉性

Edyta Bogucka, Sanja Šćepanović, Daniele Quercia

机构 * Nokia Bell Labs（诺基亚贝尔实验室） ； University of Oxford（牛津大学） 纠错

AI总结 研究通过分析5300份AI事件报告，揭示AI伤害并非单一身份类别导致，交叉性身份类别如青少年女孩、低收入有色人种等会放大伤害，强调交叉性在AI风险评估中的重要性。

Comments 29 pages, 7 figures

Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation

单源领域泛化中的小波子带解耦在视网膜图像分割中

Shramana Dey, Varun Ajith, Abhirup Banerjee, Sushmita Mitra

机构 * Indian Statistical Institute（印度统计研究所） ； University of Oxford（牛津大学） ； Radcliffe Department of Medicine, University of Oxford（牛津大学拉德克利夫医学系） ； 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WaveSDG网络，通过小波子带分解解耦解剖结构与领域特定外观，提升视网膜图像分割的单源领域泛化性能。

POUR: A Provably Optimal Method for Unlearning Representations via Neural Collapse

POUR：一种通过神经坍塌进行表示去学习的可证明最优方法

Anjie Le, Can Peng, Yuyuan Liu, J. Alison Noble

机构 * Institute of Biomedical Engineering, University of Oxford, UK（牛津大学生物医学工程研究所） 纠错

AI总结 本文提出POUR方法，通过神经坍塌理论，设计可证明最优的表示去学习算法，有效去除特定概念或训练图像的影响，同时保留保留知识，优于现有方法。

Comments CVPR 2026

From Rights to Rites: Expectations Management in Smart-Home AI

从权利到仪式：智能家庭AI中的期望管理

Varad Vishwarupe, Ivan Flechais, Marina Jirotka, Nigel Shadbolt

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute for Ethics in AI, University of Oxford（牛津大学人工智能伦理研究所） 纠错

AI总结 研究探讨智能家庭AI期望的构建与管理，通过33次访谈揭示设计中的四大矛盾，提出期望管理模型，强调道德判断与跨文化差异，为负责任的智能家庭设计提供指导。

Comments Accepted as a main track conference paper at 2026 HCI International (HCII), Montreal, Canada

Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation

多模态检索增强生成中视觉证据的身份解耦匿名化

Zehua Cheng, Wei Dai, Jiahao Sun

机构 * Department of Computer Science University of Oxford, UK 纠错

AI总结 本文提出身份解耦MRAG框架，通过在检索与生成之间插入生成匿名化模块，解耦人脸身份与属性，利用生成对抗网络和拒绝采样器实现隐私保护。

Comments ACM International Conference on Multimedia Retrieval 2026

Scalable Spatiotemporal Inference with Biased Scan Attention Transformer Neural Processes

可扩展的时空推断与偏扫描注意力变压器神经过程

Daniel Jenson, Jhonathan Navott, Piotr Grynfelder, Mengyan Zhang, Makkunda Sharma, Elizaveta Semenova, Seth Flaxman

机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； University of Bristol（布里斯托尔大学） 纠错

AI总结 本文提出BSA-TNP模型，通过引入核回归块、群不变注意力偏置和高效偏扫描注意力，实现高精度、高效率的时空过程建模，支持多分辨率学习和大规模推断。

High-Dimensional Private Linear Regression with Optimal Rates

高维隐私线性回归的最优速率

Simone Bombari, Jialei Luo, Inbar Seroussi, Marco Mondelli

机构 * Institute of Science and Technology Austria (ISTA)（奥地利科学与技术研究所） ； University of Oxford（牛津大学） ； Tel Aviv University（特拉维夫大学） 纠错

AI总结 本文研究了高维随机数据下的差分隐私线性回归，提出了一种满足零集中差分隐私的单次DP梯度下降算法，证明了其在well-conditioned数据下的非渐近风险为O(γ + γ²/ρ²)，并展示了在ill-conditioned情况下隐私参数ρ对风险指数的影响。

Comments Updated version of "Better Rates for Private Linear Regression in the Proportional Regime via Aggressive Clipping"

Architecture Matters for Multi-Agent Security

多智能体安全中的架构问题

Ben Hagag, William L. Anderson, Christian Schroeder de Witt, Sarah Scheffler

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学） 纠错

AI总结 本文研究多智能体系统设计决策对任务性能与攻击抵御之间的权衡，通过三个环境和13种架构配置，分析智能体角色、通信拓扑和内存三个关键设计选择的影响。

CODA: Coordination via On-Policy Diffusion for Multi-Agent Offline Reinforcement Learning

CODA：通过在线扩散实现多智能体离线强化学习中的协调

Marcel Hedman, Kale-ab Abebe Tessera, Juan Claude Formanek, Anya Sims, Riccardo Zamboni, Trevor McInroe, John Torr, Elliot Fosong

机构 * Inephany Ltd（Inephany有限公司） ； Department of Statistics, University of Oxford（牛津大学统计系） ； University of Cape Town Cape Town, South Africa（南非开普敦大学） ； The University of Edinburgh（爱丁堡大学） 纠错

AI总结 CODA通过在线扩散生成合成经验，解决多智能体离线强化学习中的协调问题，提升联合行为适应性。

Uncertainty Quantification for LLM Function-Calling

大语言模型函数调用的不确定性量化

Zihuiwen Ye, Lukas Aichberger, Michael Kirchhof, Sinead Williamson, Luca Zappella, Yarin Gal, Arno Blaas, Adam Golinski

机构 * University of Oxford（牛津大学） ； Apple（苹果公司） 纠错

AI总结 本文研究了大语言模型函数调用中不确定性量化的关键问题，发现多样本方法在自然语言问答中表现优异，但在函数调用场景中不如单样本方法有效，并提出利用函数调出输出特性改进现有方法。

CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration

基于CT的局部变化正则化用于全身体积PET变形注册

Xiangcen Wu, Ruohua Chen, Sichun Li, Qianye Yang, Sheng Liu, Jianjun Liu, Zhaoheng Xie

机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学医学部医学技术研究所） ； Ren Ji Hospital, Shanghai Jiao Tong University（上海交通大学仁济医院） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出基于CT的局部变化正则化方法，用于全身体积PET变形注册，通过CT体积构建voxel级正则化图，提高全身体积注册精度和器官对齐性能。

SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations

SceneScribe-1M：一个具有全面几何和语义标注的大规模视频数据集

Yunnan Wang, Kecheng Zheng, Jianyuan Wang, Minghao Chen, David Novotny, Christian Rupprecht, Yinghao Xu, Xing Zhu, Wenjun Zeng, Xin Jin, Yujun Shen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究院，东部技术研究院，宁波） ； Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin（浙江工业智能与数字孪生重点实验室） 纠错

AI总结 SceneScribe-1M通过提供一个包含一百万真实视频的数据集，支持3D几何感知与视频合成的统一资源，推动了单目深度估计、场景重建等下游任务及文本到视频合成等生成任务的发展。

Comments Accepted by CVPR 2026

Beyond Cross-Modal Alignment: Measuring and Leveraging Modality Gap in Vision-Language Models

超越跨模态对齐：测量和利用模态差距在视觉-语言模型中

Hanqi Yan, Xiangxiang Cui, Lu Yin, Jindong Gu, Paul Pu Liang, Yulan He, Yifei Wang

机构 * King’s College London（伦敦国王学院） ； University of Surrey（萨里大学） ； University of Oxford（牛津大学） ； MIT CSAIL（麻省理工学院CSAIL实验室） ； The Alan Turing Institute（阿兰·图灵研究院） 纠错

AI总结 本文提出通过测量和利用模态差距改进视觉-语言模型的下游任务，引入模态主导分数和自动可解释性度量，实现轻量级编辑和系统分析。

Comments accepted by ACL26-findings