University of Oxford（牛津大学）

Ceci n'est pas une explication: Evaluating Explanation Failures as Explainability Pitfalls in Language Learning Systems

Ceci n'est pas une explication: 评估语言学习系统中作为可解释性陷阱的解释失败

Ben Knight, Wm. Matthew Kennedy, Danielle Carvalho, Isaac Pattis, James Edgell

机构 * Oxford University Press（牛津大学出版社） ； Oxford Internet Institute（牛津互联网研究所） ； University of Oxford（牛津大学） 纠错

AI总结 本文通过L2-Bench基准评估AI语言学习工具在六个关键维度上的反馈质量，指出表面有用但本质有缺陷的解释会导致可解释性陷阱，并分析语言学习环境如何放大这些风险。

Comments Accepted to Misleading Impacts Resulting from AI Generated Explanations (MIRAGE) Workshop @ IUI 2026

SUDP: Secret-Use Delegation Protocol for Agentic Systems

SUDP: 面向智能体系统的秘密使用委托协议

Xiaohang Yu, Hejia Geng, Xinmeng Zeng, William Knottenbelt

机构 * Imperial College London（伦敦帝国学院） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） 纠错

AI总结 针对智能体系统中用户秘密被滥用的问题，提出秘密使用委托协议（SUDP），通过授权、委托和兑现机制实现一次性秘密使用，满足七项安全属性。

Goal-Conditioned Agents that Learn Everything All at Once

目标条件智能体一次性学习所有内容

Michael Matthews, Matthew Jackson, Michael Beukman, Thomas Foster, Alistair Letcher, Scott Fujimoto, Cédric Colas, Jakob Foerster

机构 * University of Oxford（牛津大学） ； McGill University（麦吉尔大学） ； MIT（麻省理工学院） ； Inria（法国国家信息与自动化研究所） 纠错

AI总结 提出LEO方法，通过联合输出所有目标的值和动作，实现高效并行全目标学习，在Craftax上显著优于其他方法，在连续控制任务上与基线相当，速度提升超过250倍。

The Implicit Bias of Depth: From Neural Collapse to Softmax Codes

深度的隐式偏差：从神经坍缩到Softmax编码

Connall Garrod, Jonathan P. Keating, Christos Thrampoulidis

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Electrical and Computer Engineering, University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系） 纠错

AI总结 研究深度无约束特征模型在无正则化训练下，梯度下降和深度如何诱导低秩隐式偏差，从而从神经坍缩转向softmax编码，并分析训练动态和宽度的影响。

Comments 46 pages, 11 figures, accepted at the International Conference on Machine Learning 2026

Amortized Simulation-Based Inference in Generalized Bayes via Neural Posterior Estimation

通过神经后验估计在广义贝叶斯中进行摊销的基于模拟的推理

Shiyi Sun, Geoff K. Nicholls, Jeong Eun Lee

机构 * Department of Statistics, University of Oxford, Oxford, United Kingdom（英国牛津大学统计系） ； Department of Statistics, University of Auckland, Auckland, New Zealand（新西兰奥克兰大学统计系） 纠错

AI总结 提出一种通过训练单一数据与β条件神经后验估计器来摊销广义贝叶斯推理中温度参数β的方法，无需模拟器调用或推理时MCMC，实现单次前向传播采样。

Comments Accepted at ICML 2026