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。