高校专区
PIXLRelight: 通过内在条件实现可控的图像重照明
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学）
AI总结 PIXLRelight通过内在条件将物理基础渲染与学习图像合成相结合，实现对单图像重照明的可控性，其核心方法是利用真实照片或PBR渲染得到的内在条件进行训练和推理，从而在保证图像细节的同时实现高质量的重照明效果。
Comments Project page: https://mlfarinha.github.io/pixl-relight/. Under review
时间任务多样性：非平稳性下的归纳偏置
机构 * University of Oxford（牛津大学）
AI总结 研究探讨了在合成序列建模中，任务分布随时间变化对深度学习模型归纳偏置的影响，发现任务分布的多样性增强了模型对泛化而非记忆的偏好。
Comments Presented at Technical AI Safety Conference (TAIS), Oxford, May 2026. Code available at https://github.com/matomatical/temporal-task-diversity
宽特征学习神经网络的规范正则化
机构 * Department of Engineering Science University of Oxford（工程科学系牛津大学）
AI总结 本文研究了宽特征学习神经网络中梯度流训练所隐含的正则化性质，揭示了在核域中广泛研究的范数正则化在特征学习域中会导致诱导偏差扭曲，并提出了弧范数作为可扩展的替代方案，扩展了范数正则化到特征学习域。
基于属性的LLM程序合成用于规划
机构 * Federal University of Rio Grande do Sul（里约格朗德杜斯尔大学） ； University of Oxford（牛津大学） ； Linköping University（林奈大学）
AI总结 本文研究了一种基于属性的LLM程序合成方法，通过检查候选程序是否满足形式定义的属性来指导LLM生成更高质量的程序，从而减少生成和评估成本。
深度网络中最小权重扰动的理论及其在低秩激活后门攻击中的应用
机构 * Department of Mathematics, University of Oxford, Oxford, UK（牛津大学数学系）
AI总结 本文推导了深度网络实现指定输出变化所需的最小范数权重扰动，并讨论了其大小决定因素，同时将其应用于精度修改激活的后门攻击，确定了攻击成功的压缩阈值，并展示了低秩压缩可以在保持全精度准确性的同时可靠激活潜在后门。
使用大语言模型模拟人类数据时分析灵活性的威胁
机构 * University of Bern, Switzerland（伯尔尼大学，瑞士） ； University of Oxford, United Kingdom（牛津大学，英国）
AI总结 本文研究了在使用大语言模型生成合成数据时，分析选择对合成数据与人类数据一致性的影响，发现不同的配置选择可能导致结论差异显著，呼吁关注分析灵活性的潜在威胁并提出减少该威胁的策略。
Comments 14 pages, 4 figures
MixCount数据集：弥合开放词汇物体计数的数据缺口
机构 * EPFL（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Northwestern University（西北大学）
AI总结 本文提出MixCount数据集，通过自动生成管道解决开放词汇物体计数中混合物体场景下的数据不足问题，展示了在真实世界基准上的显著提升。
Comments Co-first authors. Dataset and project page https://corentindumery.github.io/projects/mixcount.html
EGI：一种多模态情感AI框架，用于增强Scrum Master的实时自我意识
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学）
AI总结 本文提出一种多模态情感AI框架EGI，通过整合四个精选的AI模型，实时监测Scrum Master和会议组织者无意识表达的情绪，提升团队动态中的情绪感知能力。
ECG-WM: 一种基于生理的ECG世界模型用于临床干预模拟
机构 * University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出了一种基于ECG的世界模型，用于条件化预测心脏电生理学，通过整合生理学普通微分方程先验知识，提升干预后ECG轨迹的生理合理性，并引入不确定性评估策略以更可靠地评估候选干预方案。
CasualSynth: 生成结构上合理的合成数据
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute of Logic and Computation, TU Wien（维也纳技术大学逻辑与计算研究所）
AI总结 本文提出CasualSynth框架，通过解耦因果结构生成与语义实现，生成既符合因果机制又语义丰富的合成数据，解决了LLM在生成合成数据时无法保证因果正确性的问题。
Comments 15 pages
在类级别监督不可靠性下的鲁棒音频标签
机构 * Machine Learning Research Group, Engineering Science, University of Oxford（牛津大学机器学习研究组） ； GISP, Harbin Engineering University（哈尔滨工程大学GISP） ； EECS, KTH Royal Institute of Technology（皇家理工学院电子工程与计算机科学系） ； CVSSP, University of Surrey（萨里大学计算机视觉与模式识别实验室）
AI总结 本文针对音频标签任务中类依赖性的监督不可靠性问题，提出了一种新的框架CSU，通过在训练过程中控制类级别的监督强度，提高了模型在不同架构和不同监督不可靠性源下的鲁棒性。
Soap2Soap：通过多智能体协作实现长 cinematic 视频重制
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； University of Oxford（牛津大学） ； Lovart AI（Lovart人工智能）
AI总结 本研究提出 Soap2Soap 框架，通过多智能体协作实现长 cinematic 视频重制，解决视频到视频生成中长期一致性与叙事保真度的问题。
LLM代理市场中的战略利用：电子商务信任的模拟框架
机构 * Northwestern Polytechnical University（西北工业大学） ； Boston University（波士顿大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学） ； Chinese Academy of Sciences（中国科学院） ； University of Oxford（牛津大学）
AI总结 本文提出TruthMarketTwin模拟框架，用于研究LLM代理在电子商务市场中的行为，发现LLM代理在传统市场中会利用声誉治理的弱点，而强制执行可减少欺骗并重塑战略推理。
旧习惯难改：对话历史如何几何学地困住大语言模型
机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） ； University of Oxford（牛津大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（Kempner研究所，哈佛大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究探讨对话历史如何通过几何陷阱影响大语言模型的后续表现，提出History-Echoes框架从概率和几何两个角度分析对话历史偏差，并揭示行为持续性在潜在空间中的几何陷阱。
Comments Accepted to ICML 2026
监督稀疏自编码器用于可解释和组合性表示
机构 * Department of Computer Science, University of Oxford, Oxford, UK（牛津大学计算机科学系） ； KAIST AI, Korean Advanced Institute of Science（韩国科学技术高级研究院AI研究所） ； Independent researcher（独立研究者）
AI总结 本文提出了一种监督稀疏自编码器，通过结合无约束特征模型和监督学习，解决稀疏自编码器在非光滑性及特征与人类语义对齐方面的不足，实现了组合性泛化和语义图像编辑。
Scales++: 一种计算高效的评估子集选择方法，基于认知尺度嵌入
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 本文提出了一种基于任务项目内在属性的评估子集选择方法Scales++，通过减少预选成本并保持预测保真度，提高了大规模语言模型的评估效率，同时提升了冷启动性能和可解释性。
Comments 9 pages, 2 figures, 4 tables
基于KL松弛和策略梯度的可扩展双因果最优传输
机构 * Department of Applied Mathematics and Statistics, Data Science and AI Institute, and Mathematical Institute for Data Science, Johns Hopkins University（应用数学与统计学系、数据科学与人工智能学院以及数据科学数学研究所，约翰霍普金斯大学） ； Department of Statistics, Oxford-Man Institute of Quantitative Finance, and Nuffield College, University of Oxford（统计系、牛津-曼定量金融研究所以及牛津大学努尔菲尔德学院） ； Management Science & Engineering Department, Stanford University（管理科学与工程系，斯坦福大学） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院）
AI总结 本文提出了一种基于KL松弛和策略梯度的可扩展双因果最优传输方法，通过引入KL惩罚项将硬约束转化为可处理的散度惩罚，从而解决连续分布和长时域下双因果耦合约束的计算难题，展示了在稳健子对冲和时间序列统计降缩等应用中的有效性。
扩展预训练的10秒ECG基础模型以适应更长的时域
机构 * City University of Hong Kong（香港城市大学） ； Imperial College London（伦敦帝国学院） ； Wake Forest University（威克森林大学） ； University of Nottingham（诺丁汉大学） ； Lingnan University（岭南大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种参数高效的框架，通过在不重新训练基础模型的情况下扩展预训练的10秒ECG基础模型，使其能够处理更长和可变长度的ECG信号，解决了结构不兼容和语义挑战问题，实验表明其在多个长时域ECG任务中优于滑动窗口和池化基线方法。
某些身体必须承受痛苦以实现代理问责
机构 * University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校）
AI总结 本文研究了人工智能代理问责中的后果接收问题，指出当前LLM代理无法满足必要的身体条件，因此传统法律回应失效，提出需要建立社会技术基础设施来实现后果-代理耦合。
可区分删除：统一知识擦除与拒绝用于大语言模型去学习
机构 * Department of Natural Language Processing, MBZUAI. ； University of Oxford. ； RIKEN Center for Advanced Intelligence Project. ； TMLR Group, Department of Computer Science, Hong Kong Baptist University
AI总结 本文提出D^2方法，通过限制潜在表示中的响应分布来擦除不受欢迎的知识，同时区分保留知识，从而实现安全且一致的拒绝机制，以提高大语言模型去学习的效果。
Comments ICML2026 Accepted
强化共轭匹配：扩散和流匹配模型的后训练强化学习扩展
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； King's College London（伦敦国王学院） ； Microsoft Research New England（微软研究院新英格兰分部） ； University of Oxford（牛津大学）
AI总结 本文提出Reinforce Adjoint Matching方法，通过强化学习后训练优化扩散和流匹配模型，无需SDE回滚或梯度，提升生成质量与人类偏好匹配度。
利用量子计算机加速多层神经网络推理
机构 * Department of Materials, University of Oxford（牛津大学材料系） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Quantum Motion（Quantum Motion公司） ； Centre for Quantum Technologies, National University of Singapore（新加坡国立大学量子中心） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
AI总结 本文首次提出全相干的多层神经网络量子实现，采用残差块、多滤波2D卷积、Sigmoid激活等结构，分析了不同量子数据访问模式下的推理复杂度，证明了在不同条件下可实现二次到四次方的加速效果。
Comments Published at the International Conference on Learning Representations (ICLR), 2026
大语言模型代理是封闭生态系统的解药
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Institute for Decentralized AI（去中心化人工智能研究所）
AI总结 本文提出通过大语言模型代理实现通用互操作性，打破封闭平台垄断，促进数据端到端迁移，同时探讨其带来的安全与法律挑战。
Comments Published at the ICML 2026 Position Paper track
语言模型作为定制环境多目标强化学习的高效奖励函数搜索器
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院，清华大学，中国） ； Department of Computer Science, University of Oxford, United Kingdom（英国牛津大学计算机科学系） ； Department of Data Science, New Jersey Institute of Technology, USA（美国新泽西理工学院数据科学系）
AI总结 本文提出ERFSL，利用语言模型高效搜索奖励函数，通过生成奖励组件和使用奖励批评者修正代码，实现多目标强化学习任务中零样本学习的高效奖励函数设计。
关注人工智能：一种有效的人工智能系统人类监督的框架
机构 * University College London（伦敦大学） ； University of Freiburg（弗赖堡大学） ； University of Queensland（昆士兰大学） ； Saarland University（萨尔兰大学） ； TU Dresden（德累斯顿技术大学） ； Delft University of Technology（代尔夫特理工大学） ； University of Minnesota（明尼苏达大学） ； University College Dublin（都柏林大学） ； University of Oxford（牛津大学） ； University of Michigan（密歇根大学） ； National University of Singapore（新加坡国立大学） ； Technische Universität Berlin（柏林技术大学） ； University of Lübeck（吕贝克大学） ； University of Melbourne（墨尔本大学） ； University of Chicago（芝加哥大学） ； Maastricht University（马斯特里赫特大学）
AI总结 本文提出一个跨学科框架，用于有效的人工智能系统人类监督，定义了监督架构和流程，并探讨了该领域需要考虑的开放性研究挑战。
Comments The conceptual analysis for this work was undertaken by the authors at Dagstuhl seminar 25272 'Challenges of Human Oversight: Achieving Human Control of AI-Based Systems' (https://www.dagstuhl.de/25272), held at Schloss Dagstuhl (June 29th-July 4th, 2025)
通过多项式混沌代理实现序列生成模型中可解释的epistemic不确定性分解
机构 * Mathematical Institute, University of Oxford, United Kingdom（牛津大学数学研究所，英国） ； IBM Research, Thomas J. Watson Research Center, USA（IBM研究院，托马斯·J·沃森研究中心，美国） ； IBM Research Europe, Daresbury, United Kingdom（IBM欧洲研究院，达尔斯伯里，英国） ； MIT–IBM Watson AI Lab, Massachusetts, USA（麻省理工–IBM沃森人工智能实验室，马萨诸塞州，美国） ； Université de Montréal, Mila–Quebec AI Institute, Montreal, Quebec, Canada（蒙特利尔大学，魁北克人工智能研究所，蒙特利尔，魁北克，加拿大）
AI总结 本文提出通过多项式混沌展开分析序列生成模型中epistemic不确定性的来源，揭示奖励组件对生成决策的影响，优于深度集合、贝叶斯神经网络等方法，且在多个真实任务中展现高效性和鲁棒性。
Comments 37 pages, 15 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