University of Oxford（牛津大学）

Beyond a Shadow of a Doubt: Close Proximity Geometry Reconstruction Using FMCW Radar Shadow Effects

不容置疑：利用FMCW雷达阴影效应进行近距离几何重建

Felix de Trogoff du Boisguezennec, Benjamin Ramtoula, Daniele De Martini

机构 * Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，英国） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） 纠错

AI总结 针对恶劣环境下感知退化问题，提出利用车辆底盘遮挡形成的雷达阴影恢复近处细长垂直物体的三维倾斜角度，通过解析闭式映射实现，仿真和实验验证了可行性。

Beyond One-Size-Fits-All: Diagnosis-Driven Online Reinforcement Learning with Offline Priors

超越一刀切：基于诊断的在线强化学习与离线先验知识

Guozheng Ma, Lu Li, Zilin Wang, Pierre-Luc Bacon, Dacheng Tao

机构 * Nanyang Technical University（南洋理工大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出诊断驱动的张力管理框架，通过三种功能角色表征离线先验知识如何重塑在线优化，并展示跨领域证据，解决先验知识有效性随部署变化的问题。

Efficient Adaptive Data Acquisition via Pretrained Belief Representations

通过预训练信念表示的高效自适应数据获取

Daolang Huang, Zhuoyue Huang, Conor Hassan, Luigi Acerbi, Samuel Kaski, Tom Rainforth

机构 * ELLIS Institute Finland（芬兰ELLIS研究所） ； Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系） ； Department of Computer Science, University of Helsinki, Finland（芬兰赫尔辛基大学计算机科学系） ； Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系） ； Department of Statistics, University of Oxford, UK（英国牛津大学统计系） 纠错

AI总结 提出POLAR框架，利用预训练预测模型作为信念状态编码器，解耦表示学习与策略学习，在贝叶斯实验设计、贝叶斯优化和主动学习中实现高效自适应数据获取。

Comments Preprint

Learning Perceptive Platform Adaptive Locomotion Controllers for Quadrupedal Robots

学习四足机器人的感知平台自适应运动控制器

David Rytz, Kim Tien Ly, Ioannis Havoutis

机构 * Dynamic Robot Systems, Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所动态机器人系统） 纠错

AI总结 研究如何将感知融入形态感知强化学习架构，通过自适应地形课程训练跨形态通用控制器，发现仅评论家感知在鲁棒性和稳定性上优于完全感知策略。

The Degeneracy Distillery

退化蒸馏器

T. Lucas Makinen, Deaglan J. Bartlett, Niall Jeffrey, Benjamin D. Wandelt

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Imperial Centre for Inference and Cosmology (ICIC), Imperial College London（伦敦帝国理工学院帝国推理与宇宙学中心） ； Astrophysics, University of Oxford（牛津大学天体物理学系） ； CNRS & Sorbonne Université, Institut d’Astrophysique de Paris (IAP)（法国国家科学研究中心与索邦大学巴黎天体物理研究所） ； Department of Physics and Astronomy, University College London（伦敦大学学院物理与天文学系） ； Department of Physics & King’s Institute for Artificial Intelligence, King’s College London（伦敦国王学院物理系与国王人工智能研究所） ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） 纠错

AI总结 提出退化蒸馏器方法，通过估计和展平Fisher信息矩阵，自动符号化检测并解决物理模型中的退化参数组合，降低神经后验估计所需的模拟预算。

Comments 30 pages, 10 figures. Supporting code found at https://github.com/tlmakinen/degeneracy_distillery

The Epi-LLM Framework: probing LLM behavioral priors through epidemiological agent-based models

Epi-LLM框架：通过流行病学基于智能体的模型探究LLM行为先验

Petra Ferencz, Ava Keeling, Tobias O'Keefe, Lorenzo Stigliano, Francesco Di Lauro, Andres Colubri, Jasmina Panovska-Griffiths

机构 * Big Data Institute, Li Ka Shing Center for Health Information and Discovery, University of Oxford, Oxford, United Kingdom（大数据研究所、李嘉诚健康信息与发现中心、牛津大学、牛津、英国） ； Leverhulme Centre for Demographic Science, Nuffield Department of Population Health, University of Oxford, Oxford, United Kingdom（勒弗赫姆人口科学中心、努尔菲尔德人口健康系、牛津大学、牛津、英国） ； Pandemic Sciences Institute, Nuffield Department of Medicine, University of Oxford, Oxford, United Kingdom（流行病学科学研究所、努尔菲尔德医学系、牛津大学、牛津、英国） ； Department of Genomics and Computational Biology, UMass Chan Medical School, United States（基因组与计算生物学系、UMass Chan医学学校、美国） ； Broad Institute of Harvard and MIT, United States（哈佛大学和麻省理工学院Broad研究所、美国） ； The Queen’s College, University of Oxford, Oxford, United Kingdom（女王学院、牛津大学、牛津、英国） 纠错

AI总结 提出Epi-LLM框架，整合基于智能体的建模、真实流行病游戏和大语言模型，模拟疫情中智能体行为，发现LLM智能体减少峰值感染，感知健康严重性是隔离行为最强预测因子，且LLM架构影响疫情动态。

Comments Submitted to American Journal of Epidemiology

Sampling Strategies for Robust Universal Quadrupedal Locomotion Policies

鲁棒通用四足运动策略的采样策略

David Rytz, Kim Tien Ly, Ioannis Havoutis

机构 * Dynamic Robot Systems（动态机器人系统） ； Oxford Robotics Institute（牛津机器人研究所） ； University of Oxford（牛津大学） 纠错

AI总结 研究通过采样物理参数和关节增益，训练单一强化学习策略以泛化到多种四足机器人配置，比较三种采样策略，并利用先验和参考模型提升鲁棒性，在ANYmal上零样本部署。

Removing Noise, not Finding Gold: Quality Filtering for Large-Scale Pretraining

去除噪声，而非寻找黄金：大规模预训练的质量过滤

Thiziri Nait Saada, Louis Bethune, Michal Klein, David Grangier, Marco Cuturi, Pierre Ablin

机构 * Work done as an intern at Apple（苹果公司实习生） ； University of Oxford（牛津大学） ； Apple（苹果公司） 纠错

AI总结 本文深入分析基于分类器的质量过滤（CQF）方法，发现其虽提升下游任务性能，但会隐式过滤高质量数据，且与基于合成数据的模型行为趋势不同，质疑CQF捕捉数据质量的有效性。

Comments 21 pages, 22 figures, 2 tables, accepted at ICML 2026