Toward Calibrated, Fair, and accurate Deepfake Detection
迈向校准、公平且准确的深度伪造检测
机构 * University of Oxford（牛津大学）
AI总结 提出Face-Fairness框架，通过Face-Feature Tuning实现无需人口统计标签的深度伪造检测公平性，同时保持或提升整体准确率。
高校专区
University of Oxford（牛津大学）
Evaluation Cards: An Interpretive Layer for AI Evaluation Reporting
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
Generalization in Nonlinear Least Squares via Learned Feature Geometry
非线性最小二乘中基于学习特征几何的泛化性
机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； Sapient Intelligence（智睿科技）
AI总结 通过算法稳定性分析岭正则化非线性最小二乘的泛化误差，利用经验雅可比Gram矩阵和残差曲率项定义数据依赖的有效维度，并证明其与内在维度而非参数数量相关。
Comments Preprint, under review
MedFeat: Model-Aware and Explainability-Driven Feature Engineering with LLMs for Clinical Tabular Prediction
MedFeat: 基于模型感知与可解释性驱动的LLM特征工程用于临床表格预测
机构 * Microsoft Research（微软研究院） ； University of Oxford（牛津大学）
AI总结 提出MedFeat框架，利用模型感知和特征重要性信号迭代引导LLM生成针对性特征，在临床表格预测中平均提升超10%。
PTL-Diffusion: Manifold-Aware Diffusion with Periodic Terminal Laws
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
Next-Token Prediction Learns Generalisable Representations of Sleep Physiology
下一个词预测学习睡眠生理学的可泛化表示
机构 * Institute of Biomedical Engineering, University of Oxford（牛津大学生物医学工程研究所）
AI总结 提出Hypnos模型，通过下一个词预测目标，从多模态生理信号中学习可泛化表示，在睡眠阶段分类和房颤检测等任务上显著优于现有基础模型。
Benchmarking Open-Ended Multi-Agent Coordination in Language Agents
开放式多智能体协作在语言智能体中的基准测试
机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 提出基于JAX的开放式多智能体协作基准Alem，评估13种现代LLM在长时生存世界中的零样本协作能力，发现协调能力是前沿LLM智能体的独立瓶颈。
Comments 42 pages, preprint
Safety is Contextual, LLM-Judges Are Not: Navigating the Rigid Priors of Evaluators
安全是上下文相关的，而LLM评判者不是：应对评估者的刚性先验
机构 * University of Oxford（牛津大学） ； Cohere
AI总结 研究LLM作为安全评判者时，对上下文信息的依赖性和对不同安全定义的可引导性，发现它们难以在上下文或安全定义与自身先验矛盾时调整评估。
scCBGM: Interpretable Single-Cell Counterfactual Editing
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
Vision Hopfield Memory Networks for Image Recognition
Vision Hopfield Memory Networks
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Faculty of Informatics, Vienna University of Technology（维也纳理工大学信息学院）
AI总结 本文提出了一种受大脑启发的视觉Hopfield记忆网络（V-HMN），通过整合分层记忆机制和迭代细化更新，实现了统一框架下的局部和全局动态建模，提升了可解释性和数据效率。
ePC: Fast and Deep Predictive Coding in Digital Simulation
ePC：数字仿真中的快速深度预测编码
机构 * IDLab, Ghent University -- imec, Belgium（ID实验室，根特大学——imec，比利时） ； Brain Network Dynamics Unit, University of Oxford, UK（脑网络动力学单位，牛津大学，英国）
AI总结 提出误差预测编码（ePC），通过重新参数化解决标准状态预测编码（sPC）在数字仿真中的指数信号衰减问题，实现与反向传播相当的深度模型训练速度。
Comments Accepted at ICML 2026 - Main Track. All code available at https://github.com/cgoemaere/error_based_PC
Strategic Integration of Artificial Intelligence in the C-Suite: The Role of the Chief AI Officer
人工智能在C级管理层的战略整合：首席人工智能官的角色
机构 * University of Oxford（牛津大学）
AI总结 本文提出角色设计理论，解释企业为何设立首席AI官（CAIO）或采用其他结构，并分析AI的独特属性（分布式判断问责、上游治理、非平稳性）如何影响高管角色设计。
Complement or substitute? How AI increases the demand for human skills
互补还是替代？AI如何增加对人类技能的需求
机构 * Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学） ； Burning Glass Institute（燃烧玻璃研究所） ； Institute for New Economic Thinking, Oxford Martin School（新经济思想研究所，牛津马丁学院） ； Bruegel（布鲁日）
AI总结 基于2018-2024年美、英、澳近3000万条招聘数据，发现AI岗位更需分析思维等互补技能，且这些技能带来工资溢价，并溢出至非AI岗位，同时替代技能需求下降。
Comments 69
Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook
时间序列与时空数据的大模型：综述与展望
机构 * Griffith University（格里菲斯大学） ； University of Oxford（牛津大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Zhejiang Normal University（浙江师范大学） ； Ant Group（蚂蚁集团） ； Alibaba Group（阿里巴巴集团） ； Deloitte Service LLP（德勤服务有限责任公司） ； The University of Hong Kong（香港大学） ； NEC Laboratories America（NEC美国实验室） ； A*STAR ； National Yang Ming Chiao Tung University（阳明交通大学） ； JD Technology（京东科技） ； Squirrel Ai Learning
AI总结 综述了面向时间序列和时空数据的大模型，按数据类型、模型类别、范围和应用领域分类，总结了通用与领域专用模型，并整理了相关资源与开放问题。
Comments Accepted by ACM Computing Surveys; 35 Pages; Github Repo: https://github.com/qingsongedu/Awesome-TimeSeries-SpatioTemporal-LM-LLM
Accounting for Context: Shaping Moral Credences for Value Alignment
考虑情境：塑造道德信念以实现价值对齐
机构 * University of Oxford（牛津大学）
AI总结 本文针对价值对齐中道德多元性问题，提出在聚合道德评估时必须考虑情境因素，并形式化道德不确定性下的决策，揭示弱帕累托原则的违反是辛普森悖论的一种变体。
Interpreting Learning Under Competing Models: Joint and Stepwise Approaches for Dynamic Cognitive Diagnosis
解释竞争模型下的学习：动态认知诊断的联合与逐步方法
机构 * School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Psychology, Lancaster University（兰卡斯特大学心理学系）
AI总结 研究在项目-技能结构未知时，联合估计Q矩阵与学习过程相比先确定Q矩阵再研究学习，如何改变对学习者发展的结论，并通过动态认知诊断模型分析阅读游戏数据，发现联合分析更可靠。
Multi-Robot Planning and Control from CCTV Camera Networks in a Real Warehouse
基于真实仓库中闭路电视摄像机网络的多机器人规划与控制
机构 * Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，牛津大学，英国） ； Robot Systems Group, Technical University of Munich, Germany（机器人系统组，慕尼黑技术大学，德国）
AI总结 提出仅利用分布式CCTV网络和边缘计算实现多机器人协调规划与控制的方法，在真实仓库中验证了四台机器人和30个摄像头的系统，首次实现仅依赖外部摄像头网络的现场多机器人协调。
What Do People Actually Want From AI? Mapping Preference Plurality
人们真正希望从AI中得到什么？偏好多元性映射
机构 * Oxford Internet Institute, University of Oxford（牛津大学互联网研究所） ； Meedan
AI总结 通过分析75个国家1500份开放式回答，发现不同人对AI的期望各异，多数价值观仅被少数人要求，且同一词语（如“真实性”）含义分歧，某些能力存在争议，揭示当前RLHF偏好聚合方法的根本缺陷。
Comments Accepted at the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
Position: Don't Just "Fix it in Post": A Science of AI Must Study Training Dynamics
立场：不要仅仅“在后期修复它”：AI科学必须研究训练动态
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Harvard University（哈佛大学） ； University of Oxford, Martian（牛津大学，火星） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本文主张AI科学应超越事后分析，研究训练动态以预测、干预和设计模型行为，并指出当前在可解释性、公平性等领域的进展及开放问题。
Comments Accepted as an oral to the ICML: https://icml.cc/virtual/2026/poster/67142
High entropy leads to symmetry-equivariant policies in Dec-POMDPs
高熵导致 Dec-POMDP 中的对称等变策略
机构 * FLAIR, Department of Engineering Science, University of Oxford（奥德赛实验室，工程科学系，牛津大学） ； Collaborative Artificial Intelligence, University of Stuttgart（协同人工智能，斯图加特大学）
AI总结 证明在 Dec-POMDP 中，足够高的熵正则化可确保策略梯度收敛到对称等变联合策略，并通过实验发现高熵系数能提升跨种子交叉对战的回报。
Evaluating AI-based Scientific Knowledge Synthesis with Epidemiological Systematic Reviews
基于流行病学系统评价评估AI科学知识综合
机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nottingham（诺丁汉大学） ； Snowflake AI Research（Snowflake人工智能研究） ； Independent（独立）
AI总结 提出AgentSLR评估框架，包含自动化工作流和专家标注数据集，测试LLM在流行病学系统评价各阶段能力，发现无模型全面领先，结构化提取是主要瓶颈。
Discovering Interpretable Algorithms by Decompiling Transformers to RASP
通过将Transformer反编译为RASP发现可解释算法
机构 * Saarland Informatics Campus, Saarland University（萨尔兰大学信息学院校区，萨尔兰大学） ； University of Oxford（牛津大学） ； Allen Institute for AI（人工智能研究所）
AI总结 提出一种将训练好的Transformer忠实重参数化为RASP程序，并通过因果干预发现小型充分子程序的方法，实验表明长度泛化的Transformer内部实现了简单可解释的RASP程序。
Comments 104 pages, 92 figures. Accepted for publication at ICML 2026
Maximising the Set-Piece Return: Optimising Football Corner Tactics with Graph Reinforcement Learning
最大化定位球回报：用图强化学习优化足球角球战术
机构 * School of Computer Science, University of Birmingham, Birmingham, UK（伯明翰大学计算机科学学院） ； Nottingham Forest Football Club, Nottingham, UK（诺丁汉森林足球俱乐部） ； Oxford Robotics Institute, University of Oxford, Oxford, UK（牛津大学机器人研究所） ； School of Sport, Exercise and Rehabilitation Sciences, University of Birmingham, Birmingham, UK（伯明翰大学运动、体能与康复科学学院）
AI总结 提出一种基于图强化学习的框架，通过调整进攻球员位置和速度来最大化角球首次触球射门概率，在英超角球数据上优于传统优化方法。
Comments 11 pages, 4 figures
Equivariant Neural Belief Propagation
等变神经信念传播
机构 * Department of Computer Science, University of Oxford（计算机科学系，牛津大学） ； FLock.io
AI总结 提出等变神经信念传播（ENBP），通过等变高斯混合消息和秩2精度矩阵合成，实现SE(3)对称性下的高效概率推理，在分子构象和机器人推理任务中显著超越基线。
Comments 18 pages
Quantum enhanced rare event discovery and sampling
量子增强的罕见事件发现与采样
机构 * Centre for Quantum Technologies, National University of Singapore（量子技术中心，新加坡国立大学） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Nanyang Quantum Hub, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋量子中心，南洋理工大学物理与数学科学学院）
AI总结 针对概率极低的罕见事件发现与采样问题，提出一种无需预先知道事件类型的量子算法，实现了与稀有度阈值的最优量子标度，并在重尾系统和稳态随机过程中分别获得二次加速和鲁棒多项式加速。
Comments 36 pages (8+28)
Multi-ResNets for Subspace Preconditioning in Constrained Optimization
Multi-ResNets：约束优化中子空间预条件的多残差网络
机构 * UCLA（加州大学洛杉矶分校） ； University of Oxford（牛津大学） ； Tapestry, Google（谷歌Tapestry） ； Alphabetical ordering, authors contributed equally to this work（作者等量贡献）
AI总结 提出一种分阶段残差神经网络架构MResOpt，通过优先级分解约束满足和阶段感知损失，在预测-补全-校正流水线中实现域知有序约束满足，并在理想无限宽条件下表现为序列高斯过程回归，显著降低高优先级约束违反。
On the training of physics-informed neural operators for solving parametric partial differential equations
关于物理信息神经算子训练以求解参数化偏微分方程的研究
机构 * College of Civil Engineering, Tongji University（同济大学土木工程学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Institute for Foundations of Data Science, Yale University（耶鲁大学数据科学基础研究所）
AI总结 本文系统研究了物理信息神经算子（PINO）的训练策略，包括架构设计、优化器选择、损失平衡和配置点采样，通过实验发现CViT架构表现稳定，并揭示了梯度冲突和因果违反等优化问题，表明PINN的缓解算法在PINO中同样有效。
Adaptive state-action abstractions via rate-distortion
基于率失真的自适应状态-动作抽象
机构 * Department of Informatics, University of Sussex（苏塞克斯大学信息学院） ； Department of Brain Science, Imperial College London（伦敦帝国学院脑科学系） ； Centre for Eudaimonia and Human Flourishing, University of Oxford（牛津大学幸福与人类繁荣中心）
AI总结 提出通过率失真原理构建软状态-动作抽象，并利用性能证书动态调整抽象粒度，以在压缩状态和动作信息时实现近似最优性能。
Comments 28 pages, 2 figures
Towards World Models in Biomedical Research
迈向生物医学研究的世界模型
机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China（网络与交换技术国家重点实验室，北京邮电大学，北京，中国） ； Department of Engineering Science, University of Oxford, Oxford, United Kingdom（英国牛津大学工程科学系，牛津，英国） ； Institute of Medical Artificial Intelligence, South China Hospital, Medical School, Shenzhen University, Shenzhen, Guangdong, China（医学人工智能研究所，南方医院，医学学院，深圳大学，深圳，广东，中国） ； Zhongguancun Academy & Zhongguancun Institute of Artificial Intelligence, Beijing, China（中关村学院及中关村人工智能研究院，北京，中国） ； Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, 100084, Beijing, China（北京信息科学与技术国家研究中心（BNRist），清华大学，100084，北京，中国） ； Department of Chemical and Nano Engineering, University of California, San Diego, La Jolla, CA, USA（美国加州大学圣地亚哥分校化学与纳米工程系，La Jolla，CA，美国） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Monash Biomedicine Discovery Institute and Department of Biochemistry and Molecular Biology, Monash University, Melbourne, Victoria, Australia（莫纳什大学生物医学发现研究所和生物化学与分子生物学系，墨尔本，维多利亚，澳大利亚） ； David R. Cheriton School of Computer Science, University of Waterloo, Waterloo, Ontario, Canada（加拿大滑铁卢大学戴维·R·切里顿计算机科学学校，滑铁卢，安大略，加拿大） ； Department of ICT and Center for AI Research, University of Agder (UiA), Jon Lilletuns vei 9, Grimstad, Norway（挪威阿格德大学（UiA）信息与通信技术系及人工智能研究中心，Jon Lilletuns vei 9，Grimstad，挪威） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国）
AI总结 提出生物医学世界模型作为AI驱动发现的新范式，通过学习分子、细胞、组织和临床状态的潜在表征及干预条件动态，实现未来轨迹模拟，并探讨其在虚拟细胞、类器官、虚拟患者和手术模拟等应用中的潜力。
Dream.exe: Can Video Generation Models Dream Executable Robot Manipulation?
Dream.exe: 视频生成模型能否梦想出可执行的机器人操作？
机构 * Show Lab, National University of Singapore（新加坡国立大学Show实验室） ； University of Oxford（牛津大学） ； Tencent（腾讯）
AI总结 提出Dream.exe评估框架，通过视频到执行流水线测试视频生成模型产生的运动能否转化为可执行的机器人操作，发现视觉质量不能预测可执行性。
