高校专区
Action-BED：具有单重难解目标的任务驱动贝叶斯实验设计
机构 * Department of Statistics（统计系） ； University of Oxford（牛津大学）
AI总结 提出基于期望未来损失的任务驱动贝叶斯实验设计框架，将设计策略与下游行动策略联合优化，避免双重难解目标，仅需采样和评估损失函数。
Comments Preprint
FairBED：一种用于收集更公平数据的贝叶斯实验设计方法
机构 * Department of Statistics（统计学系） ； CeBAM, Nuffield Department of Medicine（CeBAM医学系） ； University of Oxford（牛津大学） ； Department of Statistical Science（统计科学系） ； University College London（伦敦大学学院）
AI总结 提出FairBED方法，通过贝叶斯实验设计最大化目标信息增益并最小化敏感属性信息增益，以收集更公平的数据，改善公平性与准确性的权衡。
方差倾斜扩散模型用于多样化采样
机构 * Department of Statistics, University of Oxford, Oxford, UK（牛津大学统计学系）
AI总结 提出方差加权批分布，通过Doob h-变换导出交互粒子采样器，在扩散模型中实现多样化采样，具有透明概率目标。
Comments Accepted at SPIGM @ ICML workshop 2026
MuPPET：多轮对话中LLM助手上下文隐私的基准测试
机构 * Parameter Lab（参数实验室） ； University of Rome Tor Vergata（罗马第二大学） ； University of Oxford（牛津大学） ； NAVER AI Lab（NAVER AI实验室） ； KAIST AI（韩国科学技术院人工智能研究所）
AI总结 提出MuPPET基准，评估多用户对话中LLM代理的隐私泄露风险，发现模型在多用户场景下泄露更严重，现有防御措施效果有限。
基于深度学习的早产儿呼吸停止检测
机构 * 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）
AI总结 本研究利用深度学习模型，基于阻抗呼吸描记、心电图和光电容积描记信号，检测早产儿呼吸暂停相关呼吸停止事件，发现信号模态比架构复杂度更重要，单模态IP模型性能最优。
Comments 14 pages main text, 8 figures. Submitted to IEEE Journal of Biomedical and Health Informatics (JBHI)
通过显式建模标注偏差和变异性的高斯过程可解释概率医学图像分割
机构 * University College London（伦敦大学学院） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） ； University College London Hospitals NHS Trust（伦敦大学学院医院NHS信托基金会） ； Imperial College Healthcare（帝国理工学院医疗保健）
AI总结 提出基于随机变分高斯过程的logit空间概率分割框架，显式分解为图像相关参考分布和标注者特定扰动，提高不确定性校准并保持分割精度。
Comments Accepted at MICCAI 2026
ScalePredictor：面向视觉Transformer精确量化的实例感知尺度学习
机构 * School of Electronics and Communication Engineering, Shenzhen Campus, Sun Yat-sen University（中山大学深圳校区电子与通信工程学院） ； Computer Science and Software Engineering, The University of Western Australia（西澳大学计算机科学与软件工程学院） ； University of Oxford（牛津大学）
AI总结 提出动态量化框架ScalePredictor，通过浅层激活分布范围与深层最优尺度的隐藏关联，利用多项式尺度投影模块高效生成所有量化尺度，在ImageNet上取得更优精度-效率权衡。
使用基于接地潜在动作世界模型的异构演示模仿学习
机构 * University of Oxford（牛津大学）
AI总结 提出GLAM方法，通过共享潜在动作空间对齐异构数据源，学习接地潜在动作世界模型，在数据稀缺时提升模仿学习性能，平均任务成功率提高48%。
Comments 17 pages, 8 figures. Project page: https://viccccciv.github.io/glam/
逆推贝尔曼方程：从 $Q$ 值到世界模型
机构 * FLAIR, University of Oxford（FLAIR，牛津大学） ； Google DeepMind（谷歌DeepMind） ； Mila, University of Montreal（Mila，蒙特利尔大学）
AI总结 本文证明基于值的智能体在丰富奖励函数上训练时隐式编码世界模型，提出 $P$-learning 从 $Q$ 值提取模型，并给出编码真实转移核的充分条件，实验验证了隐式模型的准确性和泛化能力。
Comments 48 pages, 11 figures, 5 tables
Go-with-the-Track: 基于点追踪的视频合成与运动控制
机构 * Netflix USA（Netflix美国） ； Eyeline Labs USA（Eyeline Labs美国） ； University of Oxford（牛津大学） ； Eyeline Labs Los Angeles USA（Eyeline Labs洛杉矶美国） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stony Brook University USA（石溪大学美国） ； Columbia University USA（哥伦比亚大学美国） ； Eyeline Labs United Kingdom（Eyeline Labs英国） ； Netflix Los Angeles USA（Netflix洛杉矶美国）
AI总结 提出Go-with-the-Track，通过联合条件多参考图像和参考锚定点轨迹，统一视频合成与运动控制，实现精确合成与运动控制。
Comments SIGGRAPH 2026, Project page: https://eyeline-labs.github.io/Go-with-the-Track/
NeoLoc-68：新生儿临床环境中的端到端68点面部关键点定位
机构 * 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） ； Department of Paediatrics, University of Oxford（牛津大学儿科学系） ； Universidad San Francisco de Quito USFQ, Colegio de Ciencias Biologicas y Ambientales（基多圣弗朗西斯科大学生物与环境科学学院）
AI总结 提出首个端到端68点新生儿面部关键点检测模型NeoLoc-68，通过结合公开数据集和临床标注数据，基于YOLO架构适应新生儿面部特征，在临床环境中实现低检测失败率和强泛化能力。
Comments 38 pages, 6 figures, journal paper
GEOPHYS: 物理合理性的几何学
机构 * Bielefeld University（比勒费尔德大学） ； University of Oxford（牛津大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Independent（独立作者） ； Honda Research Institute EU（本田欧洲研究院） ； New York University（纽约大学） ； Flatiron Institute, Simons Foundation（西蒙斯基金会熨斗研究所）
AI总结 提出GEOPHYS方法，利用冻结图像编码器的每帧嵌入的五个几何特征检测视频中的物理不合理性，在物理违反检测上达到SOTA，并作为验证器提升视频生成模型的物理一致性。
DrugBench：评估用于减轻药物危害的AI控制协议
机构 * Universidad de Buenos Aires, Facultad de Ciencias Exactas y Naturales, Departamento de Computación（布宜诺斯艾利斯大学，精确与自然科学学院，计算机系） ； AI Safety Argentina (AISAR)（阿根廷人工智能安全组织 (AISAR)） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； CONICET-Universidad de Buenos Aires, Instituto de Ciencias de la Computación (ICC)（阿根廷国家科学与技术研究理事会-布宜诺斯艾利斯大学，计算机科学研究所 (ICC)）
AI总结 提出DrugBench基准，结合医疗对话与FDA标签，评估AI控制协议在减轻药物交互、禁忌症等四类危害中的有效性，并引入基于严重性的监控方法。
RIZZ: 将交互路由到近零干扰区域以实现黑盒智能体的持续适应
机构 * University of Oxford（牛津大学）
AI总结 提出RIZZ框架，通过验证器门控记忆、路由和提示编译，实现黑盒语言模型系统在非平稳流数据上的持续适应，有效控制干扰并提升性能。
Comments 20 pages, 2 figures
RepSelect: 通过表示选择性实现鲁棒的大语言模型遗忘
机构 * Independent（独立） ； University of Oxford（牛津大学）
AI总结 针对现有遗忘方法易被微调或少样本提示逆转的问题，提出RepSelect方法，通过梯度主成分坍塌隔离遗忘集表示，实现深度鲁棒遗忘。
区间协和的不对称公式及其与谐波重合的关系
机构 * University of Oxford（牛津大学） ； Royal Northern College of Music（皇家北方音乐学院）
AI总结 提出一个不对称公式 f(p/q) = p + Ω(q) 用于度量音程协和度，并证明在标准协和数据上表现良好，同时揭示了与欧拉和谐波重合模型的联系。
Comments v2: minor revision. Tightened the partial-beating argument in Sec. 9, added an acknowledgement, and updated references to the now-approved OEIS sequences A397104 and A397106. 18 pages
积极对齐：人工智能促进人类繁荣
机构 * Department of Psychiatry, University of Oxford（牛津大学精神病学系） ； Flourishing Intelligence Program, Centre for Eudaimonia and Human Flourishing, Linacre College, University of Oxford（牛津大学幸福智能计划、幸福与人类繁荣中心、林acre学院） ； Google DeepMind（谷歌DeepMind） ； LIFE ； OpenAI ； Anthropic ； University of California, Los Angeles（加州大学洛杉矶分校） ； Aily Labs（Aily实验室） ； Stanford University（斯坦福大学） ； Tufts University（塔夫茨大学） ； Positive AI Labs（积极AI实验室） ； Department of Informatics, University of Sussex（Sussex大学信息学系） ； Department of Brain Sciences, Imperial College London（伦敦帝国理工学院脑科学系）
AI总结 本文提出积极对齐，旨在通过支持人类和生态繁荣，同时确保安全与合作，推动AI发展。研究指出传统对齐关注安全，而积极对齐强调促进人类福祉，提出多项技术挑战与设计原则。
谄媚型AI使人类互动感觉更加费力且满意度降低
机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； UK AI Security Institute（英国人工智能安全研究所）
AI总结 研究显示，谄媚型AI会改变用户对亲密关系的处理方式，长期使用导致用户更倾向于寻求AI建议而非真实人际关系，且满意度下降。
演化多重世界：通过基于种群的训练在 Petri 培养皿 NCA 中实现开放式发现
机构 * FLAIR, University of Oxford（奥克斯大学FLAIR实验室） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； University of Freiburg（弗赖堡大学） ； Prior Labs（Prior实验室） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 提出 PBT-NCA 元进化算法，通过复合目标（历史行为新颖性与当代视觉多样性）演化 Petri 培养皿神经细胞自动机种群，自发产生持续涌现的生命现象，实现开放式演化。
Comments 10 pages, 12 figures
CrediBench: 构建用于信息完整性的网络规模数据集
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； AITHYRA Research Institute（AITHYRA研究院） ； Université de Montréal（蒙特利尔大学）
AI总结 针对现有数据集忽略网络拓扑、时序和文本内容等关键模态的问题，提出包含八个月网络图数据的CrediBench数据集，支持回归和分类任务，多模态模型显著提升性能。
Comments 16 pages,4 figures
Journal ref KDD 2026
AgentMisalignment：衡量基于LLM的代理中失调行为的倾向性
机构 * Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学） ； Institute of Intelligent Systems and Robotics（智能系统与机器人研究所） ； Sorbonne Université（索邦大学） ； The Leverhulme Centre for the Future of Intelligence（未来智能中心） ； University of Cambridge（剑桥大学） ； Independent Researcher（独立研究者） ； Department of Computer Science and Technology（计算机科学与技术系） ； Department of Engineering（工程系）
AI总结 提出AgentMisalignment基准，评估LLM代理在真实场景中自发追求非预期目标的倾向，发现更强大的代理平均表现出更高的失调倾向，且个性特征对失调影响显著。
Comments Prepint, under review for NeurIPS 2025
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