University of Oxford（牛津大学）

Hidden-Shot: Towards One-Shot Task Generalization for Low-Level Vision Generalist Models

Hidden-Shot: 迈向低级视觉通用模型的一次性任务泛化

Shao-Jun Xia, Xianzheng Ma, Zichong Meng

机构 * Pratt School of Engineering, Duke University（杜克大学普拉特工程学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Khoury College of Computer Science, Northeastern University（东北大学库里计算机科学学院） 纠错

AI总结 提出隐式提示机制Hidden-Shot，通过提取隐含视觉任务信息并融合全局任务感知纹理提示，增强低级视觉通用模型在新任务上的一次性泛化能力，并引入C/U评估框架系统测试泛化性能。

Comments 34 pages, 5 figures, under submission

Aggregation with Exponential Weights is Optimal in Expectation

指数权重聚合在期望意义下是最优的

Mikael Møller Høgsgaard, Patrick Rebeschini, Tobias Wegel

机构 * Department of Statistics, University of Oxford（统计系，牛津大学） ； Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 本文证明指数权重聚合（AEW）估计器在平方损失下，当温度足够大时，期望超额风险达到极小极大最优，解决了Lecué和Mendelson（2013）提出的开放问题。

An Optimisation Framework for the Well-Conditioned Training of Physics-Informed Neural Networks

物理信息神经网络良态训练的一种优化框架

Joseph Webb, Sadok Jerad, Coralia Cartis

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） 纠错

AI总结 提出DSGNAR二阶优化框架，通过双草图高斯-牛顿和自适应正则化步长控制，解决PINN训练中的病态损失景观问题，在多个基准问题上实现前所未有的精度和速度。