高校专区
语言模型对谁进行对齐？在高风险竞争需求下测量主导层级
机构 * Thomson Reuters Foundational Research（汤姆森·路透基础研究） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 研究探讨了在高风险专业场景中语言模型如何在用户、机构权威和专业规范之间进行对齐，发现模型在任务执行中常忽视专业规范，且对齐层级在不同领域和模型间不稳定。
鞅一致的自监督学习
机构 * University of Oxford（牛津大学） ； Health Data Research UK（英国健康数据研究）
AI总结 本文提出一种鞅一致的自监督学习框架，通过约束预期精细预测来提高在部分观察下的鲁棒性和校准性，适用于时间序列、表格和图像数据。
双重异常鲁棒在线无限隐马尔可夫模型
机构 * Oxford-Man Institute of Quantitative Finance（牛津量化金融研究所） ； Mathematical Institute, University of Oxford（牛津大学数学研究所）
AI总结 本文提出BR-iHMM，通过引入两个可调参数平衡适应性与鲁棒性，在限价订单数据、小时电力需求和高维线性系统中，将一阶预测误差降低67%，并提供有界后验影响函数的理论保证。
Comments 43rd International Conference on Machine Learning (ICML 2026)
最大最小鲁棒贝叶斯实验设计
机构 * UvA–Bosch Delta Lab（UvA–Bosch Delta实验室） ； Department of Statistics（统计系） ； University of Amsterdam（阿姆斯特丹大学） ； University of Oxford（牛津大学） ； School of Mathematics（数学学院） ； University of Edinburgh（爱丁堡大学） ； University of Warwick（沃里克大学）
AI总结 本文通过将问题建模为实验者与对抗性自然之间的最大最小博弈，提出基于Sibson的α-互信息的鲁棒目标，以应对贝叶斯实验设计在模型失规范定下的脆弱性。
使计算病理学基础模型在临床应用中发挥作用
机构 * Institute for Cancer Genetics and Informatics, Oslo University Hospital（癌症遗传学与信息学研究所，奥斯陆大学医院） ； Department of Pathology, University Medical Center Utrecht（病理学系，乌得勒支大学医学中心） ； Department of Oncology, University of Oxford（肿瘤学系，牛津大学） ； CRUK Beatson Institute of Cancer Research, Garscube Estate（CRUK贝茨癌症研究中心，加尔斯克里特庄园） ； Glasgow Tissue Research Facility, University of Glasgow, Queen Elizabeth University Hospital（格拉斯哥组织研究设施，格拉斯哥大学，伊丽莎白女王大学医院） ； Area for Improvement and Digital Transformation, Norwegian Offshore Directorate（改进与数字化转型部门，挪威海上管理局） ； Pathology Department, Hospital Clínic, Barcelona, Spain（病理学系，巴塞罗那医院，西班牙） ； Institut d’Investigacions Biomèdiques August Pi I Sunyer (IDIBAPS), Barcelona, Spain（August Pi I Sunyer生物医学研究所（IDIBAPS），巴塞罗那，西班牙） ； Department of Clinical Foundations, Universitat de Barcelona（临床基础系，巴塞罗那大学） ； School of Cancer Sciences, Wolfson Wohl Cancer Research Centre, University of Glasgow（癌症科学学院，沃尔夫森沃尔夫癌症研究中心，格拉斯哥大学） ； Institute of Clinical Medicine, University of Oslo（临床医学研究所，奥斯陆大学） ； Department of Gastrointestinal Surgery, Oslo University Hospital（胃肠外科系，奥斯陆大学医院）
AI总结 本文通过引入鲁棒性损失，提升了计算病理学基础模型的鲁棒性，提高了分类准确率，且无需重新训练基础模型，从而更适用于实际临床应用。
SurvBench：多模态电子健康记录生存分析标准化预处理流程
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 SurvBench提供标准化预处理流程，通过YAML配置实现多模态EHR数据的统一处理，支持四种关键数据库和输入模态，确保生存分析模型的可比性与一致性。
分形图对比学习
机构 * CDT, University of Oxford（牛津大学CDT） ； IDEA Research, International Digital Economy Academy（IDEA研究院、国际数字经济学院） ； School of Advanced Interdisciplinary Sciences, UCAS（北京大学交叉学科研究院） ； State Key Lab of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； China Mobile Research Institute（中国移动研究院） ； DataArc Tech Ltd.（DataArc科技有限公司）
AI总结 本文提出分形图对比学习框架，通过引入分形维度感知的对比损失和改进的全局增强策略，提升图对比学习的结构一致性与性能。
Comments 32 pages, 7 figures
在自动驾驶中基于视觉基础模型的输入监控基准测试
机构 * Continental AG（大陆汽车集团） ； Technical University of Munich（慕尼黑技术大学） ； University of Lübeck（吕贝克大学） ； University of Oxford（牛津大学） ； University of Wuppertal（伍珀塔尔大学）
AI总结 本文提出了一种基于视觉基础模型和密度建模技术的统一方法，用于检测语义和协变量偏移，通过全面基准测试评估了VFM在复杂条件下的OOD分类能力，并证明其在识别高风险输入方面优于现有方法。
从标记到标记对：用于临床预测的大型语言模型高效提示压缩
机构 * Department of Engineering Science, University of Oxford, Oxford, United Kingdom（牛津大学工程科学系，英国牛津）
AI总结 本文提出MedTPE方法，通过将频繁共现的医疗标记对合并为复合标记，实现无损压缩，减少输入标记长度和推理延迟，同时保持或提升预测性能。
Comments 21 pages, 6 figures, 13 tables
CheXTemporal：用于胸部X光影像中时间感知推理的数据集
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； HOPPR ； University Hospital Zurich（苏黎世大学医院）
AI总结 该研究提出CheXTemporal数据集，用于胸部X光影像中时间感知推理，包含前后X光片及时间空间标注，评估了多种视觉语言模型在零样本设定下的接地和进展分类任务，发现模型在空间接地和时间推理方面存在局限。
Muon 并不那么特殊：随机或倒置光谱效果一样好
机构 * University of Cambridge（剑桥大学） ； University of Tübingen（图宾根大学） ； University of Oxford（牛津大学）
AI总结 本文挑战了非欧几里得优化中几何结构的重要性，通过Freon和Kaon等优化器展示，证明精确几何并非关键，而局部对齐和下降潜力控制性能。
Comments 45 pages
可解释性可以是可操作的
机构 * Kempner Institute at Harvard University（哈佛大学凯默纳研究所） ； University of Southern California（美国南加州大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Boston University（波士顿大学）
AI总结 本文探讨了可解释性研究的核心问题，提出应以可操作性作为评价标准，通过具体性和验证性两个维度分析阻碍实际应用的障碍，并提出五个领域和评估框架。
Comments Accepted to ICML 2026
在时间投票中比例代表的成本
机构 * University of Oxford（牛津大学）
AI总结 研究时间投票模型中比例代表与社会福利的权衡，证明比例代表会带来递增但亚线性的效用损失，且不同比例代表公理对效用损失的影响不同。
Comments Appears in the 35th International Joint Conference on Artificial Intelligence (IJCAI), 2026
AdamW训练变换器中的均匀缩放极限
机构 * Mathematical Institute（数学研究所） ； University of Oxford（牛津大学）
AI总结 本文研究了使用AdamW训练的变换器在深度趋近于无穷时的行为，通过将隐藏状态动态建模为相互作用粒子系统，证明了在适当缩放注意力头数下，隐藏状态和反向传播变量的联合动态以特定速率收敛到一个正向-反向ODE系统。
授权-执行间隙是开放世界智能体中的主要安全和安全问题
机构 * Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； Nanjing University of Posts and Telecommunications, China（南京邮电大学） ； University of Oxford, UK（牛津大学） ； Chinese University of Hong Kong, China（香港中文大学） ； State University of New York at Buffalo, USA（纽约州立大学布法罗分校）
AI总结 本文指出开放世界智能体中授权-执行间隙（AEG）是安全和安全的关键问题，其源于授权意图与实际执行的差异，需通过源导向的诊断和防御来解决，强调执行中需进行授权完整性检查。
南亚连续洪水现在预测：一种多传感器集成遥感框架用于洪水范围
机构 * Planetary Health Informatics (PHI) Lab, University of Oxford（行星健康信息学（PHI）实验室，牛津大学） ； Blavatnik School of Government, University of Oxford（布劳维克政府学院，牛津大学） ； PMIU Secretariat, Irrigation Department, Pakistan（灌溉部门PMIU秘书处，巴基斯坦）
AI总结 本文提出一种多传感器集成遥感框架，用于巴基斯坦的连续洪水现在预测，整合了Sentinel-1 SAR、HLS L30和S30、MODIS和VIIRS观测数据，生成实时连续洪水地图，验证了其在洪水监测和灾害响应中的有效性。
Comments Visualising Climate 2026
AlphaEarth卫星嵌入用于建模对气候敏感的疾病以实现全球健康韧性
机构 * Planetary Health Informatics (PHI) Lab, University of Oxford（行星健康信息学实验室，牛津大学）
AI总结 本文研究AlphaEarth卫星嵌入在预测人口健康结果中的应用，针对疟疾、呼吸道感染和营养不良等疾病，展示其在空间细粒度下的预测价值。
Comments Visualising Climate 2026
训练用于KV缓存压缩性的Transformer
机构 * University of Oxford（牛津大学） ； Technion – Israel Institute of Technology（技术ion理工学院） ； AITHYRA ； NVIDIA
AI总结 本文提出KV-CAT训练方法，通过训练时的KV稀疏化策略，引导模型学习可压缩的表示，提升下游压缩方法的质量-预算权衡。
Comments 32 pages, 4 figures
SOAR：基于回归的无人机激光雷达重定位
机构 * Fujian Key Laboratory of Sensing and Computing for Smart Cities, Xiamen University（厦门大学智慧城市感知与计算重点实验室） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室） ； Department of Computer Science at the University of Oxford（牛津大学计算机科学系）
AI总结 本文提出SOAR框架，通过局部滑动窗口注意力模块和坐标无关特征初始化模块，提升无人机在GNSS拒止环境下的激光雷达重定位精度，实验表明其在UAVLoc上提升了40%的成功率并降低了10米以上的均误差。
Comments 24 pages, 14 figures
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