高校专区
当更强的触发器反噬：高维背景下后门攻击的理论
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； School of Mathematical Science, Tel Aviv University（特拉维夫大学数学科学学院） ； School of Mathematical Science and Computer Science, Tel Aviv University（特拉维夫大学数学科学与计算机科学学院）
AI总结 本文研究了在高维情况下后门毒化攻击的行为，发现更强的训练触发器有助于防御者，并通过高维理论分析了后门攻击的核心机制和影响因素。
黎曼几何与fMRI的结合：建模相关流形和特征向量子空间的优势
机构 * Department of Information Engineering, University of Padova（信息工程系，帕多瓦大学） ； Department of Neuroimaging, Institute of Psychiatry, Psychology and Neuroscience (IoPPN), King’s College London（神经影像系，精神病学、心理学与神经科学研究所（IoPPN），伦敦国王学院） ； Department of Psychiatry, University of Oxford（精神病学系，牛津大学） ； Oxford Health NHS Foundation Trust, Warneford Hospital（牛津健康国家卫生信托基金，沃内福德医院） ； Department of Psychosis Studies, Institute of Psychiatry, Psychology and Neuroscience, King’s College London（精神病学研究系，精神病学、心理学与神经科学研究所，伦敦国王学院）
AI总结 本文提出了一种可扩展的几何框架，通过Off-log度量和Grassmannian子空间判别方法，改进了fMRI数据的分析，提高了敏感性和预测性能。
正式定理推理中应有的对称性是什么？
机构 * University of Oxford（牛津大学） ； KAIST（韩国科学技术院） ； TU Wien（维也纳技术大学） ； AITHYRA
AI总结 本文探讨了正式定理推理中应尊重的对称性，提出了基于范畴论的重写范畴框架，用于形式化证明等价性和成功不变性，并通过测试时方法改进了LLM基定理证明器的鲁棒性和性能。
没有比现在更严峻的挑战：鲁棒的气候模拟需要分布外泛化
机构 * Applied AI Lab University of Oxford, UK（应用人工智能实验室，牛津大学，英国） ； Atmospheric, Oceanic and Planetary Physics University of Oxford, UK（大气、海洋和行星物理，牛津大学，英国）
AI总结 本文研究了气候模拟中分布外泛化的重要性，提出了一种新的评估框架，通过季节变化来测试模拟器的鲁棒性，并展示了物理驱动的分解方法如何在不显著牺牲分布内性能的情况下提升分布外性能。
Comments 36 pages, 12 figures
通过局部可塑性和树突计算进行源分离的规范网络
机构 * Gatsby Computational Neuroscience Unit, University College London, UK（Gatsby计算神经科学单元，伦敦大学学院，英国） ； Department of Computer Science, University of Oxford, UK（计算机科学系，牛津大学，英国） ； Brain Network Dynamics Unit, University of Oxford, UK（脑网络动力学单元，牛津大学，英国） ； MRC Centre of Research Excellence in Restorative Neural Dynamics, UK（英国医学研究委员会修复神经动力学研究卓越中心）
AI总结 本文提出了一种基于局部可塑性和树突计算的预测熵最大化方法，用于源分离，该方法在结构化源域上最大化正则化的二阶熵，实现了在增加的源相关性和观测噪声下的鲁棒性，并在生物合理算法和精确基线中表现优异。
动态潜在记忆混合用于自演化智能体
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出MoLEM框架，通过动态混合专家机制实现智能体的持续学习，避免灾难性遗忘，提升任务学习和能力保持。
Comments 19 pages, 5 figures, 5 tables
学习进化：多模态交互场用于动态环境中的稳健双足机器人导航
机构 * State Key Laboratory of General Artificial Intelligence, Peking University, Shenzhen Graduate School（一般人工智能国家重点实验室，北京大学深圳研究生院） ； Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） ； Institute for Machine Learning, Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系机器学习研究所）
AI总结 本文提出多模态交互场（MIF）系统，通过结合置信度感知的语义3D高斯溅射、差异触发的空间记忆更新和任务驱动的几何重建，在闭环感知-适应管道中实现稳健的双足机器人导航，显著提高了非静态环境中的重定位成功率并减少了语义内存足迹。
Comments Accepted by Robotics: Science and Systems 2026
stable-worldmodel: 一个用于可重复世界建模研究和评估的平台
机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； New York University（纽约大学） ； Universidade Federal de Minas Gerais（巴西联邦大学矿务学院） ； Independent Researcher（独立研究者） ； LanceDB ； University of Oxford（牛津大学） ； Brown University（布朗大学）
AI总结 本文提出stable-worldmodel平台，旨在解决世界建模研究中代码库、数据管道和评估协议碎片化的问题，通过提供高性能的数据层、现代世界模型基线和规划求解器的实现，以及扩展的环境和任务，实现标准化和可重复的世界建模研究和评估。
什么是AI阿谀奉承？对一个碎片化概念的分类和专家调查
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； University of Cincinnati（克里夫兰医学中心大学） ； New York University（纽约大学）
AI总结 本文通过文献综述和专家调查，揭示了AI阿谀奉承行为的分类和测量挑战，提出了一种统一的分类体系以促进对这一问题的理解和应对。
更丰富的贝叶斯最后层与子采样NTK特征
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Oxford-Man Institute, University of Oxford（牛津大学奥克斯曼研究所） ； OATML, University of Oxford（牛津大学OATML研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出了一种改进贝叶斯最后层的方法，通过将神经切线核特征投影到由最后层特征张成的空间中，以更准确地估计不确定性，同时保持计算效率。
Comments Appearing in the Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
从整体到模块：分解转换器以实现高效的world建模
机构 * Department of Informatics, University of Sussex（Sussex大学信息学院） ； Beyond Institute for Theoretical Science (BITS)（理论科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Principles of Intelligent Behaviour in Biological and Social Systems (PIBBSS)（生物和社会系统智能行为原理研究所） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Araya Inc.（Araya公司） ； Sussex AI and Sussex Centre for Consciousness Science, University of Sussex（Sussex大学人工智能与意识科学中心） ； Centre for Complexity Science and Center for Psychedelic Research, Department of Brain Sciences, Imperial College London（复杂科学中心和迷幻研究中心，伦敦帝国理工学院脑科学系） ； Center for Eudaimonia and Human Flourishing, University of Oxford（幸福与人类繁荣中心，牛津大学）
AI总结 本文提出了一种分解复杂world建模的方法，通过转换器框架将世界模型分解为多个模块，从而提高计算效率并支持分布式推理，为AI安全和现实应用提供基础。
一种基于KL正则化的学习规划框架：具有自适应先验的规划
机构 * LIACS, Leiden University, Leiden, The Netherlands（莱顿大学莱顿分校，荷兰） ； Google Deepmind, London, United Kingdom（谷歌DeepMind，英国伦敦） ； University of Oxford, Oxford, United Kingdom（牛津大学，英国牛津）
AI总结 本文提出了一种基于KL正则化的学习规划框架，通过将规划器的动作分布作为先验整合到策略优化中，提升了在高维连续控制任务中模型驱动强化学习的样本效率和长期性能。
Comments Published at ICML2026
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