In-Context Graphical Inference
上下文图形推理
机构 * Department of Computer Science, University of Oxford（计算机科学系，牛津大学） ； FLock.io
AI总结 提出一种自回归图Transformer（ICG-I），通过模拟变量消除并利用张量列压缩和加权共形预测，实现离散图形模型中可扩展且校准的边缘推理，在标准实例和受挫自旋玻璃上达到最先进性能。
Comments 19 Pages
高校专区
University of Oxford（牛津大学）
Imbuing Large Language Models with Bidirectional Logic for Robust Chain Repair
赋予大语言模型双向逻辑以进行稳健的链修复
机构 * Department of Computer Science, University of Oxford, UK（英国牛津大学计算机系） ； FLock.io ； Institute of Logic and Computation, TU Wien, Austria（奥地利技术大学逻辑与计算研究所）
AI总结 针对自回归链式推理中错误雪崩问题，提出Teleological Reasoning Infilling (TRI)框架，通过将错误推理段重构为填充中间任务并引入前缀-后缀-中间序列重排，结合符号验证器监督微调和直接偏好优化，实现仅修复受损段的高效链修复。
Comments 25 Pages
Journal ref In Proceedings of European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases 2026
Invariant Gradient Alignment for Robust Reasoning Distillation
不变梯度对齐用于鲁棒推理蒸馏
机构 * University of Oxford（牛津大学） ； FLock.io
AI总结 提出不变梯度对齐（IGA）框架，通过逻辑同构集、连续梯度冲突掩码和截断SVD投影，对齐不同语义域但逻辑结构相同的梯度更新，提升大语言模型在分布外输入上的鲁棒性。
Comments 30 Pages
Journal ref In Proceedings of European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases 2026
What Can Eye Gaze Teach Us About Real-World Cycling? Insights From the Oxford RobotCycle Project
眼动能教会我们关于真实世界骑行的什么？来自牛津RobotCycle项目的见解
机构 * University of Oxford（牛津大学） ； University of the West of England（西英格兰大学）
AI总结 本研究利用可穿戴眼动追踪眼镜，通过分析不同环境（如自行车道、汽车道和共享公交车道）和事件（如超车和行人）下的眼动模式，揭示了骑行中感知危险的潜意识差异，并评估了眼动追踪在估计骑行压力和认知负荷方面的潜力。
Scene-Centric Unsupervised Video Panoptic Segmentation
以场景为中心的无监督视频全景分割
机构 * TU Munich（慕尼黑技术大学） ； TU Darmstadt（达姆施塔特技术大学） ； NVIDIA（英伟达） ； University of Oxford（牛津大学） ； MCML ； ELIZA
AI总结 提出无监督视频全景分割任务及首个方法VideoCUPS，利用深度、运动和视觉线索生成伪标签，并通过Video DropLoss训练，在无监督条件下实现准确分割。
Comments CVPR 2026. Oliver Hahn and Christoph Reich - both authors contributed equally. Code: https://github.com/visinf/cups/tree/main/videocups Project page: https://visinf.github.io/videocups/
CDPM-Align: Multi-Scale Guidance-Aligned Diffusion Pretraining for Robust Few-Shot Anatomical Landmark Detection
CDPM-Align：用于鲁棒少样本解剖标志检测的多尺度引导对齐扩散预训练
机构 * MaLGa ； DIBRIS, University of Genoa（DIBRIS，热那亚大学） ； University of Genoa（热那亚大学） ； Department of Computer Science, University of Oxford（奥大利大学计算机科学系）
AI总结 提出多尺度引导对齐的条件扩散预训练方法CDPM-Align，通过生成式预训练学习鲁棒表示，在少样本和低标注场景下提升解剖标志检测的准确性和不确定性。
Comments Accepted MICCAI 2026
Adaptive Calibration for Fair and Performant Facial Recognition
自适应校准：实现公平且高性能的面部识别
机构 * University of Oxford（牛津大学）
AI总结 提出自适应校准（AC）方法，通过将归一化嵌入的余弦相似度映射为校准概率，并融入局部上下文校正区域差异，从而在无需人口统计元数据的情况下提升面部识别的整体性能和公平性。
TANDEM: Bi-Level Data Mixture Optimization with Twin Networks
TANDEM: 基于孪生网络的双层数据混合优化
机构 * JD.com（京东公司） ； University of Oxford（牛津大学） ； Renmin University of China（中国人民大学） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 提出TANDEM方法，通过孪生网络（代理模型和参考模型）的差异衡量数据效用，优化领域混合比例，在数据受限和监督微调等场景中显著提升大语言模型性能。
AutoForest: Automatically Generating Forest Plots from Biomedical Studies with End-to-End Evidence Extraction and Synthesis
AutoForest: 从生物医学研究中自动生成森林图，实现端到端的证据提取与综合
机构 * IBM Research（IBM研究院） ； Dublin City University（都柏林城市大学） ； UCL（伦敦大学学院） ； University of Oxford（牛津大学） ； IT:U Interdisciplinary Transformation University Austria（奥地利 interdisciplinary Transformation 大学）
AI总结 提出AutoForest系统，通过端到端的证据提取与统计综合，直接从生物医学论文自动生成可发表的森林图，加速证据综合并降低元分析门槛。
Comments Accepted to ACL2026 (System Demonstrations Track)
Retrieval and competition: how a protein foundation model starts a protein
检索与竞争：蛋白质基础模型如何启动蛋白质
机构 * Department of Biology, University of Oxford, Oxford, UK（牛津大学生物学系） ； Kavli Institute for Nanoscience Discovery, University of Oxford, Oxford, UK（牛津大学纳科学发现研究所） ； Department of Chemistry, University of Oxford, Oxford, UK（牛津大学化学系）
AI总结 通过追踪ESM2-8M预测蛋白质起始甲硫氨酸的计算路径，发现模型依赖位置先验检索而非直接识别，揭示了模型置信度与生物学证据之间的脱节。
Comments updated figure 4
Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks
漂移-扩散匹配：非对称神经网络潜在流形中的动力学嵌入
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Centre for Eudaimonia and Human Flourishing, University of Oxford（牛津大学幸福与人类繁荣中心） ； Complexity Science Hub, Vienna（维也纳复杂科学中心）
AI总结 提出漂移-扩散匹配框架，通过训练连续时间循环神经网络在低维潜在子空间中嵌入任意非线性随机微分方程，利用非对称连接实现非平衡动力学，并应用于联想记忆和序列记忆建模。
Comments 25 pages, 16 figures
Segment, Embed, and Align: A Universal Recipe for Aligning Subtitles to Signing
分割、嵌入和对齐：将字幕与手语对齐的通用方法
机构 * VGG, Dept. of Engineering Science, University of Oxford（视觉感知与计算实验室，工程科学系，牛津大学） ； University of Zurich（苏黎世大学） ； KAIST（韩国科学技术院） ； LIGM, CNRS, Univ Gustave Eiffel, ENPC, IP Paris（LIGM，国家科学研究中心，古斯塔夫·埃菲尔大学，巴黎理工大学，IP巴黎）
AI总结 提出一种通用框架SEA，利用预训练模型分割视频帧序列为单个手势、嵌入手势片段到与文本共享的潜在空间，并通过轻量动态规划实现高效对齐，在多个手语数据集上达到最先进性能。
Comments Camera-ready version of ACL 2026 (Main)
Fake News in Social Networks
社交媒体中的虚假新闻
机构 * University of St. Gallen（圣加尔大学） ； University of Oxford（牛津大学） ； Frankfurt School of Finance and Management（法兰克福金融与管理学院） ； Swiss Finance Institute（瑞士金融研究所）
AI总结 本文提出多智能体强化学习作为建模社交媒体中虚假新闻的新方法，发现针对高连接性和弱隐私信息的人群更有效，且信息分散传播比集中传播更有效，同时平衡网络中虚假新闻传播较弱，通过人类实验验证了模型的适用性。
Certified Neural Approximations of Nonlinear Dynamics
非线性动力学的认证神经逼近
机构 * Delft Center for Systems and Control（代尔夫特系统与控制中心） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； The Italian Institute of Artificial Intelligence (AI4I)（意大利人工智能研究所（AI4I））
AI总结 提出一种基于认证一阶模型的自适应并行验证方法，为神经网络逼近非线性动力学提供形式化误差界，从而安全地用作替代模型，并在多个基准测试中显著优于现有方法。
Comments first and second author contributed equally
When and why randomised exploration works (in linear bandits)
随机探索何时以及为何有效（在线性赌博机中）
机构 * Criteo AI Lab（Criteo AI实验室） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出一种不依赖强制乐观或后验膨胀的分析方法，证明在动作空间光滑且强凸的d维线性赌博机中，随机探索算法（如汤普森采样）可实现O(d√n log(n))的n步遗憾界，首次表明在非平凡线性赌博机设置中汤普森采样能达到最优维度依赖。
Comments Minor corrections to formulas and text; results unchanged
Sharp worst-case evaluation complexity bounds for arbitrary-order nonconvex optimization with inexpensive constraints
任意阶非凸优化的最坏情况评估复杂度界限
机构 * Mathematical Institute, Oxford University（牛津大学数学研究所） ； Computational Mathematics Group, STFC-Rutherford Appleton Laboratory（STFC-拉瑟福德苹果顿实验室计算数学组） ； Namur Center for Complex Systems (naXys), University of Namur（纳慕尔复杂系统中心（naXys），纳慕尔大学）
AI总结 本文研究了具有低成本约束的任意阶非凸优化问题的最坏情况评估复杂度界限，提出了一种概念性正则化算法，能够在给定精度和最优阶数的情况下，以O(ε^(- (p+1)/(p-q+1)))的次数评估目标函数及其导数，计算出合适的q阶近似极小值点。
Comments 30 pages
Journal ref SIAM Journal on Optimization,, vol. 30(1), pp. 513-541, 2020
Rejoinder for "Probabilistic Integration: A Role in Statistical Computation?"
对“概率积分：在统计计算中的作用？”的回应
机构 * Imperial College London（伦敦帝国理工学院） ； Newcastle University（新castle大学） ； University of Oxford（牛津大学）
AI总结 本文是对即将发表在《统计科学》上的论文“概率积分：在统计计算中的作用？”的回应。作者感谢了评审员和同事们的帮助，并回应了讨论者提出的问题，探讨了贝叶斯方法在数值分析中的应用及其在统计计算中的作用。
Comments Accepted to Statistical Science
Small steps and giant leaps: Minimal Newton solvers for Deep Learning
小步与巨跃：用于深度学习的最小牛顿求解器
机构 * Visual Geometry Group, University of Oxford（视觉几何组，牛津大学）
AI总结 本文提出一种快速的二阶方法，可作为现有深度学习求解器的替代方案。该方法仅需每个迭代两次额外的前向模式自动微分操作，计算成本与两次标准前向传递相当，易于实现。方法解决了现有二阶求解器的长期问题，避免了计算Hessian矩阵的近似逆矩阵的高成本和噪声敏感性。
Automated Experiment Design for Data-Efficient Verification of Parametric Markov Decision Processes
数据高效验证参数马尔可夫决策过程的自动化实验设计
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Electrical Engineering, Eindhoven University of Technology（埃因霍温理工大学电气工程系）
AI总结 本文提出一种利用参数模型和实验数据进行统计验证的新方法，通过参数综合确定可行参数集，主动合成实验提高数据相关性，并传播信息以获得验证结果。
Comments QEST 2017, 18 pages, 7 figures
Probabilistic Numerics and Uncertainty in Computations
概率数值计算与计算中的不确定性
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Oxford（牛津大学） ； University of Warwick（沃里克大学）
AI总结 本文呼吁采用概率数值方法，通过在计算中返回不确定性来改进线性代数、积分、优化和微分方程求解等算法，强调其在气候科学和天文学等领域的应用价值。
Comments Author Generated Postprint. 17 pages, 4 Figures, 1 Table
Efficient Semidefinite Branch-and-Cut for MAP-MRF Inference
高效半定规划分支定界法用于MAP-MRF推断
机构 * University of Adelaide（阿德莱德大学） ； Australian Centre for Robotic Vision（澳大利亚机器人视觉中心） ； University of Oxford（牛津大学）
AI总结 本文提出了一种高效的分支定界方法用于求解通用MAP-MRF推断问题，通过结合可扩展的半定规划和切割平面法，实现了高效的约束求解，并在密集连接或 unary 成本相对较低时取得最佳结果。
Comments 21 pages
