University of Oxford（牛津大学）

Can AI Debias the News? LLM Interventions Improve Cross-Partisan Receptivity but LLMs Overestimate Their Own Effectiveness

AI能否去偏新闻？LLM干预提升了跨党派接受度但LLM高估了自身效果

Faisal Feroz, Jonas R. Kunst

机构 * Department of Experimental Psychology, University of Oxford（心理学实验系，牛津大学） ； Uehiro Oxford Institute, University of Oxford（牛津大学欧胡罗研究所） ； Psychology Programme, School of Social Sciences, Nanyang Technological University（南洋理工大学社会科学学院心理学项目） ； Department of Communication and Culture, BI Norwegian Business School（BI挪威商学院传播与文化系） 纠错

AI总结 研究探讨LLM对新闻去偏的影响，发现实质性重构干预提升保守派对左派新闻的信任度，但LLM高估自身效果，需人类监督。

Eluder dimension: localise it!

Eluder 维度：局部化它！

Alireza Bakhtiari, Alex Ayoub, Samuel Robertson, David Janz, Csaba Szepesvári

机构 * University of Alberta（阿尔伯塔大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文通过建立广义线性模型类的Eluder维度下界，提出局部化方法以克服传统分析无法获得一阶 regrets 的问题，改进了伯努利老虎机结果，并首次获得有限时间强化学习的一阶界。

Administrative Law's Fourth Settlement: AI and the Scrutable State

行政法的第四次 settlements：人工智能与能力-问责陷阱

Nicholas Caputo

机构 * University of Oxford（牛津大学） ； Oxford Martin AI Governance Initiative（牛津马丁人工智能治理倡议） 纠错

AI总结 本文探讨行政法在人工智能时代如何摆脱能力与问责之间的困境，提出通过建立可审计的AI系统框架，提升政府透明度与问责机制。

Comments 87 pages

Latent Interpolation Learning Using Diffusion Models for Cardiac Volume Reconstruction

使用扩散模型进行心脏容积重建的潜在插值学习

Niklas Bubeck, Suprosanna Shit, Chen Chen, Can Zhao, Pengfei Guo, Dong Yang, Georg Zitzlsberger, Daguang Xu, Bernhard Kainz, Daniel Rueckert, Jiazhen Pan

机构 * School of Computation, Information and Technology, Technical University Munich（技术大学慕尼黑计算信息学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学生物医学工程研究所） ； Imperial College London（伦敦帝国学院） ； University of Sheffield（谢菲尔德大学） ； NVIDIA（英伟达） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； Department AIBE of Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡大学AIBE系） ； School of Medicine, Klinikum Rechts der Isar, Technical University of Munich（慕尼黑技术大学医学院，莱纳特医院） 纠错

AI总结 针对心脏磁共振成像二维切片采集稀疏致容积信息不完整、现有重建方法有局限的问题，提出CaLID框架，创新采用基于扩散模型的插值方案、潜在空间高效计算法，仅用稀疏二维图像输入达SOTA，扩展到二维加时间数据，提升了重建质量和效率。