University of Oxford（牛津大学）

Universal Time Series Generation with Neural Controlled Differential Equations

基于神经受控微分方程的通用时间序列生成

Torben Berndt, Elyes Farjallah, Leif Seute, Raeid Saqur, Benjamin Walker, Jan Stühmer

机构 * Heidelberg Institute for Theoretical Studies（海德堡理论研究所） ； IAR, Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学IAR部门） ； Max Planck Institute for Polymer Research（马克斯·普朗克聚合物研究所） ； IWR, Heidelberg University（海德堡大学IWR部门） ； Dept. of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Vector Institute, Toronto, Canada（多伦多向量研究所） 纠错

AI总结 本文证明结构化线性受控微分方程（SLiCEs）是通用时间序列生成器，并提出生成式SLiCEs（G-SLiCEs）用于路径空间上的流匹配，在概率预测和下流任务中表现优异，尤其适用于不规则网格。

Deep Learning-based Algebraic Reynolds Stress Closures for RANS Simulations of Turbulent Flows

基于深度学习的代数雷诺应力闭合模型用于湍流RANS模拟

Daniel Dehtyriov, Jonathan F. MacArt, Justin Sirignano

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Aerospace and Mechanical Engineering, University of Notre Dame（诺特丹大学航空航天与机械工程系） 纠错

AI总结 提出一种物理驱动的深度学习闭合模型DARSM，通过神经网络映射流动不变量到隐式代数雷诺应力方程中的经验参数，并结合伴随方程实现端到端优化，在方形管道和周期性山丘基准测试中平均速度误差降低2-4倍。

Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination

批量校准的置信模糊集：样本外污染下的快速、可处理决策

Mengqi Chen, Thomas B. Berrett, Theodoros Damoulas, Michele Caprio

机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学） 纠错

AI总结 提出批量校准置信模糊集，通过分离批量内污染和尾部贡献，得到闭式有限风险目标，转化为线性或二阶锥规划，实现高效鲁棒优化。

Comments Accepted for publication (spotlight) at ICML 2026

MoReBench: Evaluating Procedural and Pluralistic Moral Reasoning in Language Models, More than Outcomes

MoReBench：评估语言模型中的程序性和多元道德推理，超越结果

Yu Ying Chiu, Michael S. Lee, Rachel Calcott, Brandon Handoko, Paul de Font-Reaulx, Raphaël Millière, Paula Rodriguez, Chen Bo Calvin Zhang, Ziwen Han, Udari Madhushani Sehwag, Yash Maurya, Christina Q Knight, Harry R. Lloyd, Florence Bacus, Conor Downey, Mantas Mazeika, Bing Liu, Yejin Choi, Mitchell L Gordon, Sydney Levine

机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） 纠错

AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。

Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)