University of Oxford（牛津大学）

Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification

使用可解释性作为训练时可靠性信号实现高效心电图分类

Veerendhra Kumar Dangeti, Xiao Gu, Ying Weng, Shreyank N Gowda

机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学工程科学系生物医学工程研究所） ； School of Computer Science, University of Nottingham Ningbo China（宁波诺丁汉大学计算机科学学院） 纠错

AI总结 提出ERTS方法，利用训练中的解释质量（Grad-CAM注意力图）区分信息性和不可靠不确定性，过滤低聚焦样本，在三个ECG数据集上提升macro-F1并降低训练成本。

AI Coding Agents in Social Science: Methodologically Diverse, Empirically Consistent, Interpretively Vulnerable

社会科学中的AI编码智能体：方法多样，经验一致，解释脆弱

Meysam Alizadeh, Fabrizio Gilardi, Mohsen Mosleh, Enkelejda Kasneci

机构 * University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） ； Technical University of Munich（慕尼黑工业大学） 纠错

AI总结 研究LLM智能体在科学分析中的方法多样性与解释脆弱性，通过20次独立实验发现智能体在设计层匹配或超越人类多样性，但在裁决层易受提示影响，偏差源于解释而非估计。

AI Coding Agents Can Reproduce Social Science Findings

AI编码智能体能够复现社会科学研究结果

Meysam Alizadeh, Mohsen Mosleh, Fabrizio Gilardi, Atoosa Kasirzadeh, Joshua Tucker

机构 * University of Oxford（牛津大学） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

AI总结 本研究构建SocSci-Repro-Bench基准测试，评估Claude Code和Codex两个前沿编码智能体在221项社会科学任务中的复现能力，发现它们能复现大部分结果，且Claude Code表现更优，同时提示框架会影响确认性规范搜索。

Understanding Sample Efficiency in Predictive Coding

理解预测编码中的样本效率

Gaspard Oliviers, Elene Lominadze, Rafal Bogacz

机构 * Nuffield Department of Clinical Neurosciences, University of Oxford, United Kingdom（牛津大学神经科学学院Nuffield部门，英国） ； MRC Centre of Research Excellence in Restorative Neural Dynamics, United Kingdom（英国修复神经动力学研究卓越中心） 纠错

AI总结 本文研究预测编码在样本效率上的优势，通过目标对齐度量分析BP和PC的学习效率，发现PC在深度、狭窄和预训练网络中表现更优，提供机制理解以指导PC参数设计。

A Physics-Inspired Optimizer: Velocity Regularized Adam

一种受物理启发的优化器：速度正则化Adam

Pranav Vaidhyanathan, Lucas Schorling, Natalia Ares, Maike Osborne

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出VRAdam优化器，通过引入速度正则化技术，结合Adam的参数缩放，提升训练稳定性与收敛速度，理论分析显示其在非凸目标下的收敛速率为O(√(lnN)/√N)。

Comments L. Schorling and P. Vaidhyanathan contributed equally to this work. 20 pages, 10 figures

The Latent Color Subspace: Emergent Order in High-Dimensional Chaos

潜在颜色子空间：高维混沌中的涌现秩序

Mateusz Pach, Jessica Bader, Quentin Bouniot, Serge Belongie, Zeynep Akata

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文揭示了FLUX.1变分自编码器潜在空间中颜色表示的HSL结构，并提出一种无需训练的闭式潜在空间操作方法，实现对生成图像颜色的预测与显式控制。

Comments Accepted at ICML 2026

Grounding Computer Use Agents on Human Demonstrations

基于人类演示的计算机使用智能体基础构建

Aarash Feizi, Shravan Nayak, Xiangru Jian, Kevin Qinghong Lin, Kaixin Li, Rabiul Awal, Xing Han Lù, Johan Obando-Ceron, Juan A. Rodriguez, Nicolas Chapados, David Vazquez, Adriana Romero-Soriano, Reihaneh Rabbany, Perouz Taslakian, Christopher Pal, Spandana Gella, Sai Rajeswar

机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ServiceNow Research（ServiceNow研究） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； École de Technologie Supérieure（高级技术学院） ； CIFAR AI Chair（CIFAR人工智能主席） 纠错

AI总结 为解决桌面环境高质量基础数据稀缺问题，构建了包含87个应用、56K截图和3.56M人工标注的GroundCUA数据集，并基于此训练GroundNext模型，在5个基准上以少于先前十分之一的数据取得最优结果。

Comments Accepted at ICLR 2026

Noise-Guided Transport for Imitation Learning

噪声引导的模仿学习传输方法

Lionel Blondé, Joao A. Candido Ramos, Alexandros Kalousis

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对低数据场景下的模仿学习，提出噪声引导传输（NGT）方法，通过对抗训练将模仿问题转化为最优传输问题，无需预训练或特殊架构，在极低数据量下实现强性能。

Comments Accepted at ICML 2026. Code: https://github.com/lionelblonde/ngt