Accounting for Context: Shaping Moral Credences for Value Alignment
考虑情境：塑造道德信念以实现价值对齐
机构 * University of Oxford（牛津大学）
AI总结 本文针对价值对齐中道德多元性问题，提出在聚合道德评估时必须考虑情境因素，并形式化道德不确定性下的决策，揭示弱帕累托原则的违反是辛普森悖论的一种变体。
高校专区
University of Oxford（牛津大学）
Interpreting Learning Under Competing Models: Joint and Stepwise Approaches for Dynamic Cognitive Diagnosis
解释竞争模型下的学习：动态认知诊断的联合与逐步方法
机构 * School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Psychology, Lancaster University（兰卡斯特大学心理学系）
AI总结 研究在项目-技能结构未知时，联合估计Q矩阵与学习过程相比先确定Q矩阵再研究学习，如何改变对学习者发展的结论，并通过动态认知诊断模型分析阅读游戏数据，发现联合分析更可靠。
Multi-Robot Planning and Control from CCTV Camera Networks in a Real Warehouse
基于真实仓库中闭路电视摄像机网络的多机器人规划与控制
机构 * Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，牛津大学，英国） ； Robot Systems Group, Technical University of Munich, Germany（机器人系统组，慕尼黑技术大学，德国）
AI总结 提出仅利用分布式CCTV网络和边缘计算实现多机器人协调规划与控制的方法，在真实仓库中验证了四台机器人和30个摄像头的系统，首次实现仅依赖外部摄像头网络的现场多机器人协调。
What Do People Actually Want From AI? Mapping Preference Plurality
人们真正希望从AI中得到什么？偏好多元性映射
机构 * Oxford Internet Institute, University of Oxford（牛津大学互联网研究所） ； Meedan
AI总结 通过分析75个国家1500份开放式回答，发现不同人对AI的期望各异，多数价值观仅被少数人要求，且同一词语（如“真实性”）含义分歧，某些能力存在争议，揭示当前RLHF偏好聚合方法的根本缺陷。
Comments Accepted at the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
Position: Don't Just "Fix it in Post": A Science of AI Must Study Training Dynamics
立场：不要仅仅“在后期修复它”：AI科学必须研究训练动态
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Harvard University（哈佛大学） ； University of Oxford, Martian（牛津大学，火星） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本文主张AI科学应超越事后分析，研究训练动态以预测、干预和设计模型行为，并指出当前在可解释性、公平性等领域的进展及开放问题。
Comments Accepted as an oral to the ICML: https://icml.cc/virtual/2026/poster/67142
High entropy leads to symmetry-equivariant policies in Dec-POMDPs
高熵导致 Dec-POMDP 中的对称等变策略
机构 * FLAIR, Department of Engineering Science, University of Oxford（奥德赛实验室，工程科学系，牛津大学） ； Collaborative Artificial Intelligence, University of Stuttgart（协同人工智能，斯图加特大学）
AI总结 证明在 Dec-POMDP 中，足够高的熵正则化可确保策略梯度收敛到对称等变联合策略，并通过实验发现高熵系数能提升跨种子交叉对战的回报。
Evaluating AI-based Scientific Knowledge Synthesis with Epidemiological Systematic Reviews
基于流行病学系统评价评估AI科学知识综合
机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nottingham（诺丁汉大学） ； Snowflake AI Research（Snowflake人工智能研究） ； Independent（独立）
AI总结 提出AgentSLR评估框架，包含自动化工作流和专家标注数据集，测试LLM在流行病学系统评价各阶段能力，发现无模型全面领先，结构化提取是主要瓶颈。
Discovering Interpretable Algorithms by Decompiling Transformers to RASP
通过将Transformer反编译为RASP发现可解释算法
机构 * Saarland Informatics Campus, Saarland University（萨尔兰大学信息学院校区，萨尔兰大学） ； University of Oxford（牛津大学） ； Allen Institute for AI（人工智能研究所）
AI总结 提出一种将训练好的Transformer忠实重参数化为RASP程序，并通过因果干预发现小型充分子程序的方法，实验表明长度泛化的Transformer内部实现了简单可解释的RASP程序。
Comments 104 pages, 92 figures. Accepted for publication at ICML 2026
