高校专区
AI介导的交流可以引导集体意见
机构 * Hasso Plattner Institute（哈索普兰特纳研究所） ； Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学） ； Weizenbaum Institute（魏泽纳姆研究所）
AI总结 本文研究AI在人类间交流中对集体意见形成的影响，通过实证和理论分析展示AI引入的方向性偏见如何通过网络放大并改变集体观点，探讨平台如何控制此类偏见。
离线语义引导用于高效视觉-语言-动作策略蒸馏
机构 * Department of Mechanical Engineering（机械工程系） ； University College London（伦敦大学学院） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学）
AI总结 本文提出VLA-AD框架，利用视觉-语言模型作为离线语义监督者，将大规模VLA教师模型蒸馏为轻量学生策略，通过高阶语义指导提升效率与鲁棒性。
二阶多级方差校正用于多模态模型中的模态竞争
机构 * University of Oxford, Oxford, United Kingdom（牛津大学，英国）
AI总结 本文提出ML-FOP-SOAP框架，通过多级方差校正提升多模态对齐稳定性，实验显示在Janus和Emu3数据集上，该方法提高了样本效率和训练速度，适用于大规模多模态基础模型。
熵跨桥梁：用于流和薛定谔采样的条件-边缘离散化
机构 * NVIDIA Corporation（NVIDIA公司） ； University of Oxford（牛津大学） ； Donders Institute for Brain, Cognition, and Behaviour（大脑与行为研究所） ； AITHYRA, Research Institute for Biomedical AI（生物医学人工智能研究所）
AI总结 本文提出一种基于熵率的目标，用于桥-aware的离散化，通过分离端点条件桥几何和边缘流演变，提升低预算下的高维桥和流采样性能。
分割、检测与解释：一种用于CT外观推理的统一框架
机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（生物医学工程研究所，工程科学系，牛津大学）
AI总结 本文提出统一框架，整合语言引导的视觉推理，提升CT图像分割与检测的精度，并提供外观推理输出。
Comments 8 pages, 4 figures, submitted to IEEE Transactions on Medical Imaging (TMI)
从失败到反馈：群体修订解锁对象级 grounding 的难题
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学人工智能研究所） ； Technical University of Munich（慕尼黑技术大学） ； University of Science and Technology of China（中国科学技术大学） ； Cornell University（康奈尔大学）
AI总结 本文提出群体修订优化方法，通过生成改进候选响应提升硬案例学习效果，改进奖励和优势函数以增强高质量修订影响，优于现有GRPO方法。
Comments 8 pages, 5 figures, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026
适应性符合预测用于量子机器学习
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
AI总结 本文提出适应性量子符合预测算法，解决量子处理器时间变化噪声对符合保证的影响，通过重复校准保持有效性，实验证明其在IBM量子处理器上的稳定性和覆盖率。
Comments Accepted at TMLR 05/2026. 27 pages, 5 figures
Journal ref Transactions on Machine Learning Research, May 2026, ISSN 2835-8856
前沿大语言模型与最先进的规划器相媲美
机构 * University of Oxford（牛津大学） ； Federal University of Rio Grande do Sul（里约格兰德杜斯尔大学） ； Linköping University（林霍普大学）
AI总结 研究显示前沿大语言模型在规划任务中超越传统规划器， Gemini 3.1 Pro在标准任务中表现突出，GPT-5表现接近基线，且在符号规划中仍具竞争力，揭示了大语言模型规划能力的提升趋势。
关注重叠的分割以重建被遮挡物体的拓扑结构
机构 * Department of Physics and Astronomy, University of New Mexico（新墨西哥大学物理与天文学系） ； Department of Physics, Blackett Laboratory, Imperial College London（伦敦帝国理工学院物理系） ； Particle Physics Department, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室粒子物理部） ； Luleå University of Technology（卢勒阿高校） ； CERN（欧洲核子研究中心） ； ISIS Neutron and Muon Source, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室ISIS中子与穆子源） ； University College London (UCL), Department of Physics and Astronomy（伦敦大学学院（UCL）物理与天文学系） ； Department of Physics, Keble Road, University of Oxford（牛津大学物理系） ； Helsinki Institute of Physics, University of Helsinki（赫尔辛基大学物理研究所） ； School of Physics and Astronomy, University of Birmingham（伯明翰大学物理与天文学学院） ； LIP – Laboratório de Instrumentação e Física Experimental de Partículas, University of Coimbra（科英布拉大学粒子物理实验仪器实验室） ； Departamento de Fisica Teorica, Universidad Autonoma de Madrid（马德里自治大学理论物理系） ； Department of Physics, King’s College London（伦敦国王学院物理系） ； University of Hamburg（汉堡大学）
AI总结 本文提出OASIS框架，通过加权损失函数优先处理重叠区域，提升被遮挡物体的像素强度和拓扑特征重建。在MIGDAL实验中，OASIS显著改善了低能电子轨迹的重建效果。
在预算内搜索：具有10个延迟探针的HW-NAS
机构 * University of Oxford（牛津大学） ； Julius-Maximilians-Universität Würzburg（乌尔姆-马克斯-普朗克大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Politecnico di Torino（都灵理工大学）
AI总结 本文提出一种两阶段HW-NAS框架，通过在合成设备上预训练控制器，再在目标设备上直接部署，利用少量高保真延迟测量实现目标设备架构设计，无需预收集信息。
神经点形
机构 * NVIDIA ； University of Oxford（牛津大学） ； Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所） ； Department of Mathematical Sciences（数学科学系） ； Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学） ； School of Engineering and Applied Sciences（工程与应用科学学院） ； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所）
AI总结 本文提出神经点形（NPFs），通过扩散几何中的拉普拉斯技术，构建点云的可学习几何特征，用于比较微分形式，并在合成和生物相关实验中展示其在处理采样密度、流形结构和群体几何时的优势。
LAPS：利用主动池化和采样改进增量激光雷达映射
机构 * Department of Mechanical Engineering, Seoul National University（首尔国立大学机械工程系） ； Oxford Robotics Institute at the University of Oxford（牛津大学机器人研究所）
AI总结 LAPS通过主动池化和采样提升增量神经映射的回放管理，提高回放保留和分配，增强重建完整性与几何精度。
Comments accepted at RA-L 2026
问对问题：通过生成的中间步骤提升推理能力
机构 * FAIR at Meta（Meta的FAIR） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学）
AI总结 本文研究了生成中间步骤对提升LLM推理能力的作用，提出ARQ框架通过生成问题增强推理过程，展示了生成问题的有效性和训练方法。
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