University of Oxford（牛津大学）

Functional Attention: From Pairwise Affinities to Functional Correspondences

函数注意力：从成对亲和性到函数对应

Jiefang Xiao, Maolin Gao, Simon Weber, Guandao Yang, Daniel Cremers

机构 * Technical University of Munich, Germany（慕尼黑技术大学，德国） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国） ； PIXL, Department of Computer Science, University of Oxford, United Kingdom（牛津大学计算机科学系PIXL，英国） ； ECE, University of Texas at Austin, USA（德克萨斯大学奥斯汀分校电子与计算机工程系，美国） 纠错

AI总结 提出函数注意力机制，将注意力重新解释为自适应基之间的函数对应，通过结构化线性算子替代softmax亲和性，实现紧凑、可泛化、分辨率不变的全局依赖表示，在PDE求解、3D分割和回归等算子学习任务中达到最先进性能。

Comments 26 pages, 12 figures. Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

Value Functions as Supermartingale Certificates

值函数作为超鞅证书

Alessandro Abate, Daniel Contro, Mirco Giacobbe, Agustín Martínez-Suñé, Diptarko Roy

机构 * University of Oxford, UK（英国牛津大学） ； University of Birmingham, UK（英国伯明翰大学） 纠错

AI总结 本文通过建立值函数与Streett超鞅证书之间的理论联系，将随机系统的形式化验证方法与强化学习相结合，为ω-正则性质提供了一种基于RL的证书合成方法。

Comments To appear in SAIV'26

LinTree: Improving LLM Reasoning with Explicitly Structured Search Histories

LinTree: 通过显式结构化搜索历史提升LLM推理能力

Liwei Kang, Yee Whye Teh, Wee Sun Lee

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对LLM推理中隐式搜索树导致性能不佳的问题，提出LinTree方法，通过添加父指针显式表示线性化树结构，在Blocks World、网格导航和Sokoban任务中提升了任务性能和搜索效率。

Comments 16 pages, 3 figures

Graphical einops: bridging tensor networks and computation graphs

Graphical einops: 桥接张量网络与计算图

Vincent Wang-Maścianica, Nikhil Khatri

机构 * Laboratory for Human-Centered AI, Department of Philosophy, University of Oxford（人类中心人工智能实验室，哲学系，牛津大学） ； Machine Learning Research Group, Department of Engineering Science, University of Oxford（机器学习研究组，工程科学系，牛津大学） 纠错

AI总结 本文提出一种形式化的图形演算，用于einops的张量编程结构片段，通过等级自然性重写实现张量等变性的图解证明，并应用于注意力掩码转换以优化稀疏注意力实现。

Graph Neural Networks Are Not Continuous Across Graph Resolutions

图神经网络在图分辨率上不连续

Christian Koke, Yuesong Shen, Abhishek Saroha, Marvin Eisenberger, Bastian Rieck, Michael Bronstein, Daniel Cremers

机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Technical University of Munich, Munich（慕尼黑技术大学） ； University of Fribourg（弗里堡大学） ； Institute of Computational Biology（计算生物学研究所） ； University of Oxford（牛津大学） 纠错

AI总结 本文证明图神经网络在自然图收敛模式下不连续，并提出一种基于信息传播方案的结构性修改，使其具备跨尺度连续性，从而实现对不同分辨率的稳定整合与泛化。

Comments arXiv admin note: text overlap with arXiv:2310.00431

TASER: Task-Aware Stein Regularisation for Geometry-Driven Robustness

TASER: 面向几何驱动鲁棒性的任务感知斯坦正则化

Michał Kozyra, Gesine Reinert

机构 * Department of Statistics, University of Oxford, United Kingdom（英国牛津大学统计系） 纠错

AI总结 提出TASER（任务感知斯坦正则化），一种基于Langevin斯坦算子的训练时正则化框架，通过惩罚训练分布下的逐点斯坦残差，诱导各向异性数据感知平滑性，从而提升模型在分布偏移和对抗扰动下的鲁棒性。

ELAN4D: Embodiment-Centric 4D Supervision for Vision-Language-Action Models via Plug-and-Play Adaptation

ELAN4D：以具身为中心的4D监督用于视觉-语言-动作模型的即插即用适配

Zeyuan He, Bowen Yang, Zhirui Fang, Keru Zhou, Lei Jiang, Jingjing Qian, Fan Mo, Junchi Yan, Philip Torr, Xiu Li, Li Jiang, Jialin Yu

机构 * Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； The Chinese University of Hong Kong, Shenzhen（香港大学（深圳）） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； University College London（伦敦大学学院） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出ELAN4D框架，通过未来机器人关键点轨迹作为预测性时空监督，以即插即用方式增强VLA策略的鲁棒性和泛化能力。

MatchFixAgent: Language-Agnostic Autonomous Repository-Level Code Translation Validation and Repair

MatchFixAgent: 语言无关的自主仓库级代码翻译验证与修复

Ali Reza Ibrahimzada, Brandon Paulsen, Reyhaneh Jabbarvand, Joey Dodds, Daniel Kroening

机构 * Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign, Urbana, IL, USA（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Amazon, Arlington, VA, USA（亚马逊公司，阿灵顿，弗吉尼亚州，美国） ； University of Oxford, Oxford, UK（牛津大学，牛津，英国） 纠错

AI总结 提出基于大语言模型的多智能体框架MatchFixAgent，实现语言无关的仓库级代码翻译等价性验证与修复，在验证覆盖率和修复成功率上显著优于现有方法。

Comments Published in ICML 2026

GMOS: Grounding Moving Object Segmentation in 3D Space and Time

GMOS: 在3D空间和时间中定位运动物体分割

Junyu Xie, Tengda Han, Weidi Xie, Andrew Zisserman

机构 * Visual Geometry Group, Department of Engineering Science, University of Oxford, UK（牛津大学工程科学系视觉几何组） ； SAI, Shanghai Jiao Tong University, China（上海交通大学SAI） 纠错

AI总结 提出GMOS框架，直接在RGB视频上实现3D感知、时间细粒度的多运动物体分割，并构建GMOS-2K数据集和MOS-I评估协议，在多个基准上取得最先进结果。

Comments Project Page: https://www.robots.ox.ac.uk/vgg/research/gmos/

Permutation-Invariant Spectral Learning via Dyson Diffusion

通过戴森扩散的置换不变谱学习

Tassilo Schwarz, Cai Dieball, Constantin Kogler, Renaud Lambiotte, Arnaud Doucet, Aljaž Godec, George Deligiannidis

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Mathematical bioPhysics Group, Max Planck Institute for Multidisciplinary Sciences（多学科科学研究所马克斯·普朗克数学生物物理组） ； School of Mathematics, Institute for Advanced Study（高级研究院数学学院） ； Department of Statistics, University of Oxford（牛津大学统计系） ； Mathematical Physics and Stochastic Dynamics, University of Freiburg（弗赖堡大学数学物理与随机动力学） 纠错

AI总结 提出戴森扩散模型，利用随机矩阵理论从分析上提取扩散过程的谱特性，将归纳偏置从架构转移到动力学，实现置换不变的谱学习，准确学习图谱并超越现有图扩散模型。

Faithful Embeddings of Irregular and Asynchronous Data for Online Log-NCDEs

不规则和异步数据的忠实嵌入用于在线Log-NCDEs

Benjamin Walker, Alexandre Bloch, Lingyi Yang, Sam Morley, Terry Lyons

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系） 纠错

AI总结 针对不规则和异步数据，提出一种连续且单射的嵌入方法，基于Log-NCDEs实现无需插值的在线计算，并证明其通用性。

Comments 34 pages, 16 figures

Chess-World-Model: A 10M-Game Benchmark for Exact State Tracking from Chess Move Sequences

Chess-World-Model: 一个用于从国际象棋走棋序列精确状态跟踪的1000万对局基准

Benjamin Walker, Terry Lyons

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） 纠错

AI总结 提出一个基于1000万真实国际象棋对局的大规模状态跟踪基准，通过预测合法走棋序列后的棋盘状态，测试模型学习转换规则的能力，并发现循环模型优于Transformer，且随机均匀分布子集能揭示规模掩盖的失败。

Comments 20 pages, 4 figures

CB-SLICE: Concept-Based Interpretable Error Slice Discovery

CB-SLICE: 基于概念的可解释错误切片发现

Yael Konforti, Mateo Espinosa Zarlenga, Elaf Almahmoud, Mateja Jamnik

机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Trinity College, University of Oxford, Oxford, UK（牛津大学三一学院，牛津，英国） ； Cambridge Institute for Technology and Humanity, Cambridge, UK（剑桥技术与人类研究所，剑桥，英国） 纠错

AI总结 提出CB-SLICE方法，利用概念瓶颈模型的概念预测失败来发现错误切片，并通过关键词概念解释失败模式，优于现有方法。

Comments 20 pages, 7 figures, 12 tables, to be published at Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Reliable Reasoning with Large Language Models via Preference-Based Maximum Satisfiability

基于偏好最大可满足性的大语言模型可靠推理

Pedro Orvalho, Marta Kwiatkowska, Guillem Alenyà, Felip Manyà

机构 * Artificial Intelligence Research Institute (IIIA) Consejo Superior de Investigaciones Científicas (CSIC)（人工智能研究所（IIIA）西班牙国家科学研究委员会（CSIC）） ； Department of Computer Science University of Oxford（计算机科学系牛津大学） ； Institut de Robòtica i Informàtica Industrial (IRI-CSIC-UPC)（机器人与信息工业研究所（IRI-CSIC-UPC）） 纠错

AI总结 提出一种混合推理方法，通过LLM生成代码将自然语言问题编码为偏好最大可满足性问题，由精确求解器求解并独立验证，显著提高可行性。

Comments 17 pages, 1 figure, 4 tables

Predicting Causal Effects from Natural Language Queries using Structured Representations

使用结构化表示从自然语言查询预测因果效应

Giuliano Martinelli, Piriyakorn Piriyatamwong, Abelardo Carlos Martinez Lorenzo, Jasmin Baier, Riccardo Orlando, Satvik Garg, Sharif Kazemi, Linxi Wang, Arianna Legovini, Samuel Fraiberger

机构 * The World Bank Group（世界银行集团） ； University of Oxford（牛津大学） ； New York University（纽约大学） 纠错

AI总结 针对从自然语言查询预测因果效应的问题，提出Query2Effect基准和两步框架，通过生成结构化表示再预测效应大小，微调使绝对误差降低27%-71%。

Comments 18 pages

World Models in Words: Auditing Physical State-Transition Commitments in Vision-Language Models

语言中的世界模型：审计视觉语言模型中的物理状态转换承诺

Emmanuelle Bourigault

机构 * University of Oxford（牛津大学） 纠错

AI总结 提出WMW框架，通过要求VLM输出结构化轨迹（初始状态、状态转换、结果状态和答案）并利用混合验证器检查模式有效性、状态基础、转换一致性和答案-轨迹兼容性，揭示仅评估最终答案所隐藏的物理推理失败。

Comments 8 pages, 3 figures, 5 tables

Recurrent Structural Policy Gradient for Partially Observable Mean Field Games

循环结构策略梯度用于部分可观测平均场博弈

Clarisse Wibault, Johannes Forkel, Sebastian Towers, Tiphaine Wibault, Juan Duque, George Whittle, Andreas Schaab, Yucheng Yang, Chiyuan Wang, Maike Osborne, Benjamin Moll, Jakob Foerster

机构 * FLAIR, University of Oxford（FLAIR，牛津大学） ； MLRG, University of Oxford（MLRG，牛津大学） ； ifo Institute, LMU Munich（IFO研究所，慕尼黑大学） ； Mila, Québec AI Institute（Mila，魁北克AI研究所） ； University of Zurich（苏黎世大学） ； Peking University（北京大学） ； London School of Economics（伦敦经济学院） 纠错

AI总结 针对部分可观测平均场博弈，提出首个历史感知的混合结构方法RSPG，通过利用低维状态动作空间和已知转移动力学计算期望回报，实现比无模型RL方法快一个数量级的收敛速度。

Approximate Proportionality in Online Fair Division

在线公平分配中的近似比例性

Davin Choo, Winston Fu, Derek Khu, Tzeh Yuan Neoh, Tze-Yang Poon, Nicholas Teh

机构 * Harvard University, USA（哈佛大学） ； University of Oxford, UK（牛津大学） ； Centre for Frontier AI Research (CFAR), Agency for Science, Technology and Research (A*STAR), Singapore（前沿人工智能研究中心（CFAR）） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC）） ； Princeton University, New Jersey, USA（普林斯顿大学） ； Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), Singapore（信息与通信研究所以（I2R）） 纠错

AI总结 研究在线公平分配问题中比例性（PROP1）的可近似性，通过非自适应对手和最大物品价值预测两种松弛方法，设计了具有鲁棒保证的在线算法。

Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026

Offloading Score: Measuring AI Reliance Through Counterfactual Workflows

卸载分数：通过反事实工作流衡量AI依赖度

Vishakh Padmakumar, Lujain Ibrahim, Zora Zhiruo Wang, Jennifer Wang, Q. Vera Liao, Diyi Yang

机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出卸载分数（offloading score），一种通过构建反事实工作流量化用户向AI工具卸载认知努力比例的依赖度度量，并通过内在验证和用户实验证明其能检测时间压力下的依赖度变化。

Comments Preprint

Model Merging by Output-Space Projection

通过输出空间投影进行模型合并

Bethan Evans, Benjamin Etheridge, Stephen Roberts, Jared Tanner

机构 * Department of Mathematics, University of Oxford, Oxford, UK（牛津大学数学系） ； Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学工程科学系） 纠错

AI总结 将模型合并形式化为凸二次规划问题，通过校准输入和微调模型输出最小化平方输出校准目标，并推导出预测合并质量的闭式诊断指标。

One Mask to Rule Them All: On Hidden Facts after Editing and How to Find Them

一掩蔽之：编辑后的隐藏事实及其发现方法

Ali Holmov, Paul Youssef, Nandi Schoots, Christin Seifert

机构 * Technical University of Munich（慕尼黑技术大学） ； Marburg University（马尔堡大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文通过训练二进制掩码揭示ROME和MEMIT知识编辑方法依赖共同权重子集，并证明编辑抑制而非覆盖知识，导致无法传播至相关事实。

Comments Accepted to Findings of ACL 2026

SIA: Self Improving AI with Harness & Weight Updates

SIA: 具有框架与权重更新的自我改进AI

Prannay Hebbar, Yogendra Manawat, Samuel Verboomen, Alesia Ivanova, Selvam Palanimalai, Kunal Bhatia, Vignesh Baskaran

机构 * Hexo Labs（Hexo实验室） ； University of Oxford（牛津大学） 纠错

AI总结 提出SIA框架，通过反馈智能体同时更新任务智能体的框架和权重，在三个领域（中国法律罪名分类、GPU内核优化、单细胞RNA去噪）超越仅迭代框架的方法。

Hierarchical Task Network Planning with LLM-Generated Heuristics

基于LLM生成启发式的层次任务网络规划

Felipe Meneguzzi, Alexandre Buchweitz, Augusto B. Corrêa, Victor Scherer Putrich, André Grahl Pereira

机构 * University of Aberdeen, UK（爱丁堡大学（英国）） ； PUCRS, Brazil（巴西普埃布拉联邦大学） ； University of Oxford, UK（牛津大学（英国）） ； Saarland University, Germany（萨尔大学（德国）） ； Universidade Federal do Rio Grande do Sul, Brazil（巴西里约格兰德 do 南大学） 纠错

AI总结 研究利用大语言模型为层次任务网络规划生成搜索启发式，通过Pytrich规划器在六个基准领域评估，结果表明LLM生成的启发式在覆盖度上接近最优HTN规划器，并在83%的共享问题上显著减少搜索开销。

Comments 9 pages, 3 figures; submitted to NeurIPS 2026

Online Fair Division with Additional Information

在线公平分配与额外信息

Tzeh Yuan Neoh, Jannik Peters, Nicholas Teh

机构 * Harvard University, USA（哈佛大学） ； Shanghai University of Finance and Economics, China（上海财经大学） ； University of Oxford, UK（牛津大学） 纠错

AI总结 研究在线公平分配不可分割物品问题，通过引入归一化信息和频率预测，实现了比以往更强的公平性保证，并提供了学习增强的鲁棒变体。

Comments Appears in the 43rd International Conference on Machine Learning (ICML), 2026

VRAG: Learning World Models for Interactive Video Generation

VRAG：面向交互式视频生成的世界模型学习

Taiye Chen, Xun Hu, Zihan Ding, Chi Jin

机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对自回归视频生成中累积误差和记忆机制不足的问题，提出视频检索增强生成（VRAG）方法，通过显式全局状态条件降低长期累积误差并提升时空一致性。

Comments Published at NeurIPS 2025. Project page: https://sites.google.com/view/vrag

Are LLMs Socially Adaptive? Contrasting Belief Evolution in Large Language Models and Humans

大型语言模型是否具有社会适应性？对比大型语言模型与人类的信念演化

Yu Lei, Hao Liu, Chengxing Xie, Songjia Liu, Zhiyu Yin, Canyu Chen, Guohao Li, Philip Torr, Zhen Wu

机构 * Tsinghua University（清华大学） ； Department of Psychological and Cognitive Sciences（心理与认知科学系） ； College AI（人工智能学院） ； School of Management（管理学院） ； Fudan University（复旦大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Northwestern University（西北大学） ； University of Oxford（牛津大学） 纠错

AI总结 本研究提出基于社会心理学的仿真基准FairMindSim和信念-奖励对齐行为演化模型BREM，通过连续经济游戏对比人类与LLM的决策动态，发现中等能力模型表现出过度惩罚的刚性攻击性，而前沿模型随推理能力提升趋向人类式的克制与宽容。

Comments KDD 2026 Oral

MeniOmni: A Structured Multimodal Benchmark for Holistic Meniscus Injury Assessment

MeniOmni：用于整体半月板损伤评估的结构化多模态基准

Shurui Xu, Siqi Yang, Weiping Ding, Hui Wang, Mengzhen Fan, Yuyu Sun, Shuyan Li

机构 * 1School of Electronics, Electrical Engineering ； Computer Science, Queen's University Belfast, Belfast, UK ； 2Radiology Department, Affiliated Nantong Clinical College of Nantong University, Nantong First People's Hospital, School of Clinical Medicine, Nantong University, Nantong, Jiangsu, China ； 3School of Artificial Intelligence ； Computer Science, Nantong University, Nantong, China ； 4Faculty of Data Science, City University of Macau, Macau, China ； 5Department of Chemistry, University of Oxford, Oxford, UK ； 6Orthopedics Department, Nantong First People's Hospital, Southeast University, Nantong, Jiangsu, China 纠错

AI总结 提出MeniOmni基准，包含多中心MRI、临床先验和专家标注文本，支持细粒度Stoller分级和诊断报告生成，并引入风险感知序数评估和语义一致性指标Meni-Score。

Comments Accepted by IEEE International Conference on Multimedia and Expo (ICME) 2026 (Oral Presentation)

Segment to Focus: Guiding Latent Action Models in the Presence of Distractors

聚焦分割：在干扰物存在下引导潜在动作模型

Marcus Fechner, Hamza Adnan, Constantin C. Lüth, Matthew T. Jackson, Alexey Zakharov, J. Marius Zöllner

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； University of Oxford（牛津大学） 纠错

AI总结 针对动作相关视觉干扰导致潜在动作模型失效的问题，提出MaskLAM方法，利用分割基础模型（如SAM）零样本获取智能体掩码，限制重建目标于智能体像素，迫使潜在动作编码内源动态，显著提升下游策略性能。

Unifying Low Dimensional Spectra in Deep Learning

统一深度学习中的低维谱

Connall Garrod, Jonathan P. Keating

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

AI总结 本文利用无约束特征模型（UFM）证明深度神经坍缩（DNC）是多种深度学习矩阵（如Hessian、梯度和权重）中低维谱结构的统一来源，并给出了特征值和特征向量的解析构造。

Comments revised version; title changed slightly. 45 pages, 20 figures. Accepted at the International Conference on Machine Learning 2026

La-Proteina: Atomistic Protein Generation via Partially Latent Flow Matching

La-Proteina: 通过部分潜变量流匹配进行原子级蛋白质生成

Tomas Geffner, Kieran Didi, Zhonglin Cao, Danny Reidenbach, Zuobai Zhang, Christian Dallago, Emine Kucukbenli, Karsten Kreis, Arash Vahdat

机构 * NVIDIA ； University of Oxford（牛津大学） ； Mila - Québec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） 纠错

AI总结 提出La-Proteina模型，利用部分潜变量表示和流匹配方法联合生成蛋白质的全原子结构和氨基酸序列，在多项基准测试中达到最先进性能。