High-Precision APT Malware Attribution with Out-of-Scope Resilience
高精度APT恶意软件归因与越界鲁棒性
机构 * Department of Computer Science, University of Oxford（1 奥克斯福德大学计算机科学系）
AI总结 提出基于排名二元分类器与显式弃权的APT恶意软件归因方法，在越界样本占比87%时仍保持92%精度和95%选择性准确率。
高校专区
University of Oxford（牛津大学）
Rethinking Molecular Text Representations for LLMs: An Empirical Study
重新思考用于大语言模型的分子文本表示：一项实证研究
机构 * University of Oxford（牛津大学） ； DSO National Laboratories（DSO国家实验室）
AI总结 通过系统基准测试，评估了9种分子表示和8种化学任务下16个LLM的性能，发现表示选择强烈影响结果，结构化文本表示（CML、MolJSON）在结构任务中占优，IUPAC在语义任务中占优，而SMILES很少最优。
Comments 25 pages, 11 figures, 20 tables
Pretraining Language Models on Historical Text
在历史文本上预训练语言模型
机构 * University of Waterloo（多伦多大学） ； Vector Institute（向量研究所） ； AIML, Adelaide University（AIML，阿德莱德大学） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Centre for Economic and Social History, University of Oxford（牛津大学经济与社会史中心） ； Department of Computer Science, University College London（伦敦大学学院计算机科学系）
AI总结 提出TypewriterLM，一个仅在1913年前英文文本上训练的7.24B历史语言模型，通过构建TypewriterCorpus语料库、引入词汇基础指令微调框架和History-Event基准套件，解决数据质量、时间泄漏、训练和评估等挑战。
Hierarchical RBF-KAN and RBF-SKAN Architectures for Multidimensional Function Approximation and Random Field Learning
分层RBF-KAN和RBF-SKAN架构用于多维函数逼近和随机场学习
机构 * University of Houston（德克萨斯大学） ； University of Birmingham（伯明翰大学） ； University of Oxford（牛津大学）
AI总结 提出并分析使用径向基函数作为激活函数的分层Kolmogorov-Arnold神经网络架构，用于逼近确定性函数和随机场模型，并证明其通用逼近性质及缓解维度灾难的潜力。
Mechanism Design Is Not Enough: Prosocial Agents for Cooperative AI
机制设计是不够的：面向合作AI的亲社会智能体
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所） ； EuroSafeAI ； University of Pennsylvania（宾夕法尼亚大学） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文证明仅靠机制设计无法最大化LLM智能体的社会福利，并提出亲社会智能体（兼顾他人福利）能弥补这一差距，实现更优的社会与个体结果。
Comments 42 pages
Optimal Initialization in Depth: Lyapunov Initialization and Limit Theorems for Deep Leaky ReLU Networks
深度网络的最优初始化：深度Leaky ReLU网络的Lyapunov初始化与极限定理
机构 * School of Mathematics, Institute for Advanced Study（数学系，高级研究院） ； Mathematical Institute, University of Oxford（牛津大学数学学院） ； Max Planck Institute for Multidisciplinary Sciences（多学科科学研究所） ； Department of Mathematics, University College London（伦敦大学学院数学系）
AI总结 本文通过随机深度Leaky ReLU网络的严格概率分析，提出Lyapunov初始化方法，将Lyapunov指数设为零以确保激活稳定性，从而改善学习效果。
Comments Preprint, 44 pages
