University of Oxford（牛津大学）

Prediction-Powered Active Testing

预测驱动的主动测试

Kianoosh Ashouritaklimi, Valentin Kilian, Daolang Huang, Tom Rainforth, François Caron

机构 * Department of Statistics, University of Oxford（牛津大学统计学系） ； Department of Computer Science, Aalto University（艾尔沃斯大学计算机科学系） 纠错

AI总结 针对现有主动测试估计器未利用黑盒模型预测信息的问题，提出预测驱动的主动测试（PPAT）框架。它结合无偏估计器与控制变量，通过使损失残差化降低方差，推导获取规则，建立渐近正态性，在风险估计上优于现有方法。

Bayesian Experimental Design via Score Matching

通过得分匹配进行贝叶斯实验设计

Angus Phillips, Gavin Kerrigan, Tom Rainforth

机构 * Department of Statistics University of Oxford（统计系牛津大学） 纠错

AI总结 研究贝叶斯实验设计中预期信息增益双重难处理性问题，提出先解决得分匹配问题分离其与策略学习，再用学到的得分近似单难处理训练策略，减轻计算负担，实验验证该方法可训练竞争策略并提升性能。

Comments Accepted for the 42nd Conference on Uncertainty in Artificial Intelligence (UAI 2026)

Enhancing the KidSat Model: Integrating Geographical Encoding and Data Quality Assessment for Childhood Poverty Prediction

增强KidSat模型：整合地理编码和数据质量评估用于儿童贫困预测

Hou Hin Ip, Ka Nam Lam, Joshua Man Yu Ng, Makkunda Sharma, Seth Flaxman, Codie Gerlach-Wood, H Juliette T Unwin

机构 * School of Mathematics University of Bristol（布里斯托大学数学学院） ； Department of Computer Science University of Oxford（牛津大学计算机科学系） 纠错

AI总结 该研究基于KidSat框架，通过精细数据预处理、图像质量评估和地理编码改进儿童贫困预测。具体包括细化目标矩阵、筛选数据及融合特征。实验表明这些改进有效降低MAE，为基于卫星的社会经济预测提供了可扩展方法。

Threshold Differential Attention for Sink-Free, Ultra-Sparse, and Non-Dispersive Language Modeling

阈值差分注意力：用于无汇、超稀疏和非分散语言建模

Xingyue Huang, Xueying Ding, Mingxuan Ju, Yozen Liu, Neil Shah, Tong Zhao

机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Snap Inc 纠错

AI总结 本文提出阈值差分注意力机制，解决长上下文下的注意力汇问题，实现超稀疏和鲁棒性提升，无需投影方法或标准注意力的噪声积累。

Journal ref ACL 2026

Asynchronous Federated Continual Segmentation with Evolving Clients and Label Spaces

具有不断变化的客户端和标签空间的异步联邦持续分割

Can Peng, Qianhui Men, Pramit Saha, Qianye Yang, Yingyu Yang, Shuwei Xing, Cheng Ouyang, J. Alison Noble

机构 * University of Oxford（牛津大学） ； University of Bristol（布里斯托大学） 纠错

AI总结 研究现实中联邦学习客户端组成和标签空间会变化的问题，提出CA-MMDS框架，通过基于代理的蒸馏更新全局模型，减少通信和计算成本，以多类3D腹部CT分割任务验证其能有效整合客户端知识并获良好分割性能。