高校专区
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
下一个词预测学习睡眠生理学的可泛化表示
机构 * Institute of Biomedical Engineering, University of Oxford（牛津大学生物医学工程研究所）
AI总结 提出Hypnos模型，通过下一个词预测目标，从多模态生理信号中学习可泛化表示，在睡眠阶段分类和房颤检测等任务上显著优于现有基础模型。
开放式多智能体协作在语言智能体中的基准测试
机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 提出基于JAX的开放式多智能体协作基准Alem，评估13种现代LLM在长时生存世界中的零样本协作能力，发现协调能力是前沿LLM智能体的独立瓶颈。
Comments 42 pages, preprint
安全是上下文相关的，而LLM评判者不是：应对评估者的刚性先验
机构 * University of Oxford（牛津大学） ； Cohere
AI总结 研究LLM作为安全评判者时，对上下文信息的依赖性和对不同安全定义的可引导性，发现它们难以在上下文或安全定义与自身先验矛盾时调整评估。
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
Vision Hopfield Memory Networks
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Faculty of Informatics, Vienna University of Technology（维也纳理工大学信息学院）
AI总结 本文提出了一种受大脑启发的视觉Hopfield记忆网络（V-HMN），通过整合分层记忆机制和迭代细化更新，实现了统一框架下的局部和全局动态建模，提升了可解释性和数据效率。
ePC：数字仿真中的快速深度预测编码
机构 * IDLab, Ghent University -- imec, Belgium（ID实验室，根特大学——imec，比利时） ； Brain Network Dynamics Unit, University of Oxford, UK（脑网络动力学单位，牛津大学，英国）
AI总结 提出误差预测编码（ePC），通过重新参数化解决标准状态预测编码（sPC）在数字仿真中的指数信号衰减问题，实现与反向传播相当的深度模型训练速度。
Comments Accepted at ICML 2026 - Main Track. All code available at https://github.com/cgoemaere/error_based_PC
人工智能在C级管理层的战略整合：首席人工智能官的角色
机构 * University of Oxford（牛津大学）
AI总结 本文提出角色设计理论，解释企业为何设立首席AI官（CAIO）或采用其他结构，并分析AI的独特属性（分布式判断问责、上游治理、非平稳性）如何影响高管角色设计。
互补还是替代？AI如何增加对人类技能的需求
机构 * Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学） ； Burning Glass Institute（燃烧玻璃研究所） ； Institute for New Economic Thinking, Oxford Martin School（新经济思想研究所，牛津马丁学院） ； Bruegel（布鲁日）
AI总结 基于2018-2024年美、英、澳近3000万条招聘数据，发现AI岗位更需分析思维等互补技能，且这些技能带来工资溢价，并溢出至非AI岗位，同时替代技能需求下降。
Comments 69
时间序列与时空数据的大模型：综述与展望
机构 * Griffith University（格里菲斯大学） ； University of Oxford（牛津大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Zhejiang Normal University（浙江师范大学） ； Ant Group（蚂蚁集团） ； Alibaba Group（阿里巴巴集团） ； Deloitte Service LLP（德勤服务有限责任公司） ； The University of Hong Kong（香港大学） ； NEC Laboratories America（NEC美国实验室） ； A*STAR ； National Yang Ming Chiao Tung University（阳明交通大学） ； JD Technology（京东科技） ； Squirrel Ai Learning
AI总结 综述了面向时间序列和时空数据的大模型，按数据类型、模型类别、范围和应用领域分类，总结了通用与领域专用模型，并整理了相关资源与开放问题。
Comments Accepted by ACM Computing Surveys; 35 Pages; Github Repo: https://github.com/qingsongedu/Awesome-TimeSeries-SpatioTemporal-LM-LLM
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