University of Oxford（牛津大学）

Evaluation of Population Initialization Methods for Genetic Programming-based Symbolic Regression

基于遗传编程的符号回归中种群初始化方法的评估

Lukas Kammerer, Gabriel Kronberger, Deaglan J. Bartlett, Harry Desmond, Pedro G. Ferreira, Stephan Winkler

机构 * Heuristic and Evolutionary Algorithms Laboratory, University of Applied Sciences Upper Austria（上奥地利应用科学大学启发式与进化算法实验室） ； Astrophysics, University of Oxford（牛津大学天体物理学系） ； Institute of Cosmology & Gravitation, University of Portsmouth（朴茨茅斯大学宇宙学与引力研究所） 纠错

AI总结 研究遗传编程符号回归中不同种群初始化方法对解精度和复杂度的影响，发现初始化方法对最终帕累托前沿的影响可忽略。

Comments 15 pages. Accepted for publication at EUROCAST 2026: 20th International Conference on Computer Aided Systems Theory

A Technical Typology of AI Systems in Public Administration

公共管理中AI系统的技术类型学

Jonathan Rystrøm, Chris Schmitz, Nathan Davies, Gerhard Hammerschmid, Albert Meijer, Chris Russell

机构 * University of Oxford（牛津大学） ； Hertie School（赫蒂学院） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） 纠错

AI总结 针对公共管理研究将AI视为单一类别的问题，提出五类AI系统类型学（手编、玻璃箱、黑箱、通用、代理系统），通过分析91篇高引论文发现技术精度不足，并给出改进建议。

Comments Under Review

UniTac: A Unified Multimodal Model for Cross-Sensor Tactile Understanding and Generation

UniTac: 一种用于跨传感器触觉理解与生成的统一多模态模型

Jiahang Tu, Fengyu Yang, Chenyang Ma, Xihang Yu, Ziyao Zeng, Shaokai Wu, Hanbin Zhao, Zhi Tao, Chao Zhang, Hui Qian, Alex Wong

机构 * Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） ； Shanghai Jiaotong University（上海交通大学） ； UNIX AI 纠错

AI总结 提出UniTac，首个统一多模态模型，通过双级表示编码传感器和物体属性，实现触觉理解与生成，在跨传感器任务上达到最优性能。

Comments This paper has been accepted by ECCV 2026

Safe Online Learning via Smooth Safety-Structured Policy Composition

通过平滑安全结构化策略组合实现在线安全学习

Hongpeng Cao, Liqun Zhao, Yuliang Gu, Naira Hovakimyan, Lui Sha, Marco Caccamo

机构 * Technical University of Munich（慕尼黑工业大学） ； University of Oxford（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 提出AutoSafe架构，通过将结构化安全监控与干预直接集成到动作生成中，实现性能与安全行为之间的平滑风险依赖转换，在连续控制基准和实物倒立摆系统上验证了强安全性与学习平滑性。

DDIAgents: Mechanism-Conditioned Context Flow for Drug-Drug Interaction Prediction

DDIAgents: 机制条件上下文流用于药物相互作用预测

Zhenqian Shen, Yu Liu, Xiaoyi Fu, Quanming Yao

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Institute of Biomedical Engineering, University of Oxford（牛津大学生物医学工程研究所） ； Division of Emerging Interdisciplinary Areas, Hong Kong University of Science and Technology（香港科技大学新兴跨学科领域学部） 纠错

AI总结 提出DDIAgents多智能体框架，通过动态知识编排预测药物相互作用，减少无关信息并生成可解释推理，性能优于现有方法。

Structural Preservation and the Logical Expressiveness of Graph Neural Networks

结构保持与图神经网络的逻辑表达能力

Przemysław Andrzej Wałęga, Bernardo Cuenca Grau

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文从语义角度研究图神经网络分类器在结构保持（嵌入、单同态、同态）下的逻辑表达能力，证明每种保持性质对应分级模态逻辑的一个片段，并给出相应GNN架构。

Comments 20 pages