University of Oxford（牛津大学）

Junk DNA Hypothesis: Pruning Small Pre-Trained Weights Irreversibly and Monotonically Impairs "Difficult" Downstream Tasks in LLMs

垃圾DNA假说：修剪小的预训练权重不可逆且单调地损害LLM中的“困难”下游任务

Lu Yin, Ajay Jaiswal, Shiwei Liu, Souvik Kundu, Zhangyang Wang

机构 * University of Surrey ； Eindhoven University of Technology ； University of Texas at Austin ； Intel Labs ； University of Oxford 纠错

AI总结 该研究提出垃圾DNA假说，指出LLM预训练权重中存在关键知识，修剪小权重会单调损害困难下游任务性能，且即使允许持续训练也无法弥补损失。

Comments Published at ICML 2024

Optimal Stop-Loss and Take-Profit Parameterization for Autonomous Trading Agent Swarm

自主交易代理群的最优止损和止盈参数设置

Nathan Li, Aikins Laryea, Yigit Ihlamur

机构 * University of Oxford（牛津大学） ； Vela Research（Vela研究） 纠错

AI总结 本文研究了优化止损和止盈参数对自主交易代理群性能的影响，通过历史交易数据验证了退出策略设计的重要性，并讨论了评估中的挑战。

Comments 4 pages, 2 figures, 3 tables

Lost in Space? Vision-Language Models Struggle with Relative Camera Pose Estimation

迷失在空间中？视觉-语言模型在相对相机姿态估计中挣扎

Ken Deng, Yifu Qiu, Yoni Kasten, Shay B. Cohen, Yftah Ziser

机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； NVIDIA Research（NVIDIA研究） ； University of Groningen（格罗宁根大学） 纠错

AI总结 研究视觉-语言模型在相对相机姿态估计中的表现，发现其在多视角空间推理中存在显著不足，尽管人类和专用几何方法表现良好，但VLMs仍处于初级水平，揭示了跨视角对应和投影相机运动理解等关键能力缺失。

The Epistemic Planning Domain Definition Language: Official Guideline

知识规划领域定义语言：官方指南

Alessandro Burigana, Francesco Fabiano

机构 * Free University of Bozen-Bolzano（博尔扎诺自由大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出EPDDL语言，通过抽象事件模型统一描述知识规划任务，解决现有规划器碎片化问题，提升可比性与可重复性。

Reading Recognition in the Wild

野外阅读识别

Charig Yang, Samiul Alam, Shakhrul Iman Siam, Michael J. Proulx, Lambert Mathias, Kiran Somasundaram, Luis Pesqueira, James Fort, Sheroze Sheriffdeen, Omkar Parkhi, Carl Ren, Mi Zhang, Yuning Chai, Richard Newcombe, Hyo Jin Kim

机构 * Meta Reality Labs Research（Meta现实实验室） ； VGG, University of Oxford（VGG，牛津大学） ； The Ohio State University（俄亥俄州立大学） 纠错

AI总结 本文提出阅读识别任务，通过多模态数据和Transformer模型实现对阅读行为的识别，扩展了阅读研究的规模和现实场景。

Comments NeurIPS 2025. Project Page: https://www.projectaria.com/datasets/reading-in-the-wild/

Efficient Preimage Approximation for Neural Network Certification

神经网络认证中的高效预像近似

Anton Björklund, Mykola Zaitsev, Paolo Morettin, Marta Kwiatkowska

机构 * Department of Computer Science, University of Oxford, United Kingdom（英国牛津大学计算机科学系） ； Department of Computer Science, Johannes Kepler University Linz, Austria（奥地利约翰·开普勒大学林茨分校计算机科学系） ； Department of Information Engineering and Computer Science, University of Trento, Italy（意大利特伦托大学信息工程与计算机科学系） 纠错

AI总结 本文提出PREMAP2，通过改进的分支启发式、自适应蒙特卡洛采样和反向界传播提升预像近似效率，扩展至非均匀先验和置信区间，应用于图像攻击等复杂场景，提升模型可靠性与公平性。

Comments Code available at https://github.com/Anton-Bjorklund/Premap2