University of Oxford（牛津大学）

Knowledge Graph Augmented Large Language Models for Disease Prediction

基于知识图谱的大型语言模型用于疾病预测

Ruiyu Wang, Tuan Vinh, Ran Xu, Yuyin Zhou, Jiaying Lu, Francisco Pasquel, Mohammed K Ali, Carl Yang

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Division of Medical Sciences, Oxford University（牛津大学医学系） ； Department of Computer Science and Engineering, UCSC（UCSC计算机科学与工程系） ； Nell Hodgson Woodruff School of Nursing, Emory University（埃默里大学内尔·霍根·伍德鲁夫护理学院） ； School of Medicine, Emory University（埃默里大学医学院） ； Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院） 纠错

AI总结 本文提出基于知识图谱的大型语言模型框架，用于提升疾病预测的准确性与解释性，通过构建时间一致的推理依据，在多个数据集上取得优于经典基线的性能。

Enhancing Large Language Model Reasoning with Reward Models: An Analytical Survey

用奖励模型增强大语言模型推理能力：一项分析性综述

Qiyuan Liu, Hao Xu, Xuhong Chen, Wei Chen, Yee Whye Teh, Ning Miao

机构 * Department of Data Science and Hong Kong Institute of AI for Science, City University of Hong Kong（数据科学系和香港人工智能科学研究所，香港城市大学） ； Li Auto Inc., China（中国利汽车公司） ； Department of Statistics, University of Oxford（统计系，牛津大学） 纠错

AI总结 该综述系统介绍奖励模型（RMs）的概念、训练与评估方法，梳理其在大语言模型（LLMs）推理中的三类核心应用，并探讨RMs相关开放问题，为其有效部署提供见解。

Comments Accepted for publication in Artificial Intelligence Review

ActionParty: Multi-Subject Action Binding in Generative Video Games

ActionParty：生成视频游戏中的多主体动作绑定

Alexander Pondaven, Ziyi Wu, Igor Gilitschenski, Philip Torr, Sergey Tulyakov, Fabio Pizzati, Aliaksandr Siarohin

机构 * Snap Research（Snap研究院） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出ActionParty，一种可控制多主体的生成视频游戏世界模型，通过引入主体状态标记和空间偏置机制，提升动作关联准确性与身份一致性。

Comments ECCV 2026 - Project page: https://action-party.github.io/

Constitutional Midtraining: Content Presence Drives Alignment Gains

宪法式中间训练：内容存在驱动对齐增益

Desiree Cho, Cameron Tice, Bernie Hogan, Hunar Batra, Puria Radmard, Jun Zhao, Nigel Shadbolt

机构 * University of Oxford（牛津大学） ； Institute for Ethics in AI, University of Oxford（牛津大学人工智能伦理研究所） ； Geodesic Research ； Oxford Internet Institute, University of Oxford（牛津大学互联网研究院） 纠错

AI总结 该研究提出宪法式中间训练方法，在中间训练中插入基于原则价值观的内容，可提升模型对齐的泛化性与持久性，削弱SFT灌输的敲诈倾向且不造成能力损失，为以SFT为中心的流程提供低成本补充方案。

Quadratic Objective Perturbation: Curvature-Based Differential Privacy

二次目标扰动：基于曲率的差分隐私

Daniel Cortild, Coralia Cartis

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

AI总结 本文提出二次目标扰动(QOP)，通过引入随机二次形式扰动目标函数，利用曲率特性实现强凸性和稳定性，从而在较弱假设下实现$(\varepsilon, δ)$-差分隐私，并提供实用性和数值比较。

AI Alignment in Medical Imaging: Unveiling Hidden Biases Through Counterfactual Analysis

医学影像中的AI对齐：通过反事实分析揭示隐藏偏差

Haroui Ma, Francesco Quinzan, Theresa Willem, Stefan Bauer

机构 * School of Computation, Information and Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Helmholtz AI, Munich, Germany（海德堡人工智能研究所，德国慕尼黑） 纠错

AI总结 本研究针对医学影像ML系统的偏差问题，提出结合条件潜在扩散模型与统计假设检验的统计框架，在多数据集上验证其优于基线，为医疗AI安全提供可靠工具。

CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding

CycleVLA: 通过子任务回溯和最小贝叶斯风险解码实现的前瞻性自修正视觉-语言-动作模型

Chenyang Ma, Kai Lu, Guangyu Yang, Jiuming Liu, Shitong Xu, Bill Byrne, Ioannis Havoutis, Niki Trigoni, Andrew Markham

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

AI总结 CycleVLA通过子任务回溯和最小贝叶斯风险解码实现前瞻性自修正，提升视觉-语言-动作模型的故障预测与恢复能力

Comments Project Page: https://dannymcy.github.io/cyclevla/

The Interplay Between Interpolation and Aggregation in Regression: Optimal Sample Complexity

回归中插值与聚合的相互作用：最优样本复杂度

Mikael Møller Høgsgaard, Kasper Green Larsen, Liang-Yu Zou

机构 * Department of Computer Science, Aarhus University（奥胡斯大学计算机科学系） ； Department of Statistics, University of Oxford（牛津大学统计学系） 纠错

AI总结 本文从理论上研究回归中插值与聚合的相互作用，证明γ-图维度刻画了广泛自然聚合过程的可学习性，并发现通过中位数聚合三个插值假设的简单过程在所有聚合过程中最优，且严格强于恰当学习。

The Optimal Sample Complexity of Linear Contracts

线性合约的最优样本复杂度

Mikael Møller Høgsgaard

机构 * Department of Statistics, University of Oxford, United Kingdom（英国牛津大学统计系） ； Department of Computer Science, Aarhus University, Denmark（丹麦奥胡斯大学计算机科学系） 纠错

AI总结 本文通过经验效用最大化算法，证明仅需 O(ln(1/δ)/ε²) 个样本即可实现最优线性合约的 ε-近似，并匹配下界，从而确立最优样本复杂度。

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。

Vision-Language-Policy Model for Dynamic Robot Task Planning

用于动态机器人任务规划的视觉-语言-策略模型

Jin Wang, Kim Tien Ly, Jacques Cloete, Jin Jin, Nikos Tsagarakis, Ioannis Havoutis

机构 * Dynamic Robot Systems Group, Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所动态机器人系统组） ； Humanoids and Human-Centered Mechatronics (HHCM), Istituto Italiano di Tecnologia（意大利技术研究所人形与以人为中心的机电系统） 纠错

AI总结 针对机器人在非结构化环境中自然语言命令与自主执行衔接难题，提出基于视觉-语言模型的VLP框架，能解释指令、整合推理生成行为策略，还可动态调整策略，实验证明其有强大规划自主性和跨实体泛化能力。

ClothTransformer: Unified Latent-Space Transformers for Scalable Cloth Simulation

ClothTransformer: 用于可扩展布料模拟的统一潜空间变换器

Yu Zhang, Yidi Shao, Wenqi Ouyang, Yushi Lan, Zhexin Liang, Chengrui Wu, Xudong Xu, Xingang Pan

机构 * S-Lab, Nanyang Technological University, Singapore（新加坡南洋理工大学S实验室，南洋理工大学，新加坡） ； Feeling AI ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 提出ClothTransformer，通过将布料模拟重构为潜空间中的自回归序列建模，使用统一Transformer架构处理多种场景，实现比现有方法低4-9倍的误差，并引入可扩展潜空间公式和穿透自由数据集。

Posterior Sampling Reinforcement Learning with Gaussian Processes for Continuous Control: Sublinear Regret Bounds for Unbounded State Spaces

基于高斯过程的后验采样强化学习用于连续控制：无界状态空间的次线性遗憾界

Hamish Flynn, Joe Watson, Ingmar Posner, Jan Peters

机构 * University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Darmstadt（达姆施塔特技术大学） ； Robotics Institute Germany（德国机器人研究所） 纠错

AI总结 本文通过递归应用Borell-Tsirelson-Ibragimov-Sudakov不等式和链式方法，在弱平滑条件下证明了GP-PSRL算法的贝叶斯遗憾界为$\widetilde{\mathcal{O}}(H\sqrt{\gamma_TT})$，解决了先前理论工作的局限性。

Comments Accepted at ICML 2026. 45 pages, 8 figures

Global Automation Atlas

全球自动化图谱

Prashant Garg, Tommaso Crosta, Jasmin Baier

机构 * Imperial College London（伦敦帝国学院） ； Bocconi University（博科尼大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出了一种基于任务和国家特定的方法，用于全球范围内分类自动化暴露，以区分劳动力替代和增强自动化，相关技术渠道以及人工智能的物质作用。研究涵盖了124个国家，生成了覆盖全球99%人口和GDP的233万个任务-国家标签。

Comments 78 pages, 6 figures, 5 Extended Data figures. Substantially revised and expanded. Data and code: https://automationatlas.org/

Scientific reasoning does not reliably translate into scientific forecasting in frontier AI

用人工智能预测科学进步

Sean Wu, Pan Lu, Yupeng Chen, Jonathan Bragg, Yutaro Yamada, Peter Clark, David Clifton, Philip Torr, James Zou, Junchi Yu

机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Allen Institute for AI（人工智能研究所） ； Sakana AI 纠错

AI总结 本文研究了人工智能在预测科学进步中的能力，提出了一种基于时间的评估框架，并介绍了CUSP基准，通过可行性评估、机制推理、生成性解决方案设计和时间预测来评估AI系统的科学预测能力，发现当前前沿模型在不同领域存在系统性限制，且预测结果受事件发生时间影响较大，表明AI在科学预测中仍存在不足。

Comments 62 pages, 14 figures, 25 tables

Uncertainty Decomposition for Bayes-Filtered Transformers via Bayesian Predictive Inference

在TabPFN中不确定性分解的原理框架

Sandra Fortini, Kenyon Ng, Sonia Petrone, Judith Rousseau, Susan Wei

机构 * Bocconi University（博科尼大学） ； Monash University（墨尔本大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出在TabPFN中进行不确定性分解的原理框架，通过贝叶斯预测推断方法，推导出基于预测更新波动性的方差估计器，并实现快速计算的可信区间，同时针对分类任务提出基于熵的不确定性分解方法。

Comments Major revision, retitled. The quasi-martingale conditions of v1 are relaxed to weaker signed conditions; adds empirical diagnostics showing a meta-learned Beta-Bernoulli BFT satisfies the signed condition

FusionNet: Physics-Aware Representation Learning for Multi-Spectral and Thermal Data via Trainable Signal-Processing Priors

FusionNet：通过可训练信号处理先验对多光谱和热数据进行物理感知表示学习

Georgios Voulgaris

机构 * University of Oxford（牛津大学） 纠错

AI总结 研究针对水泥生产设施监测难题，提出FusionNet框架，通过整合多光谱数据，嵌入信号处理先验，经消融研究等实验验证，该框架能结合物理感知特征选择与深度学习架构，高精度检测水泥生产设施，为工业监测提供可靠框架。

Comments Accepted for publication in the IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (JSTARS)

Soft $Q(λ)$: A multi-step off-policy method for entropy regularised reinforcement learning using eligibility traces

Soft Q(λ): 一种用于熵正则化强化学习的多步离策略方法，使用效用追踪

Pranav Mahajan, Ben Seymour

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出Soft Q(λ)，一种基于效用追踪的离策略方法，通过引入新的Soft Tree Backup操作符，扩展了软Q学习的多步框架，实现了高效的信用分配。

Hide and Seek in Embedding Space: Geometry-based Steganography and Detection in Large Language Models

嵌入空间中的隐秘行动：基于几何的隐写术与大语言模型中的检测

Charles Westphal, Keivan Navaie, Fernando E. Rosas

机构 * UCL Centre for Artificial Intelligence, University College London, UK（伦敦大学学院人工智能中心，大学学院伦敦） ； School of Computing and Communications, Lancaster University, UK（兰卡斯特大学计算机与通讯学院） ； Department of Informatics, University of Sussex, UK（苏塞克斯大学信息学院） ； Centre for Psychedelic Research and Centre for Complexity Science, Imperial College London, UK（伦敦帝国学院迷幻研究与复杂科学中心） ； Centre for Eudaimonia and Human Flourishing, University of Oxford, UK（牛津大学幸福与人类繁荣中心） 纠错

AI总结 本研究提出了一种低恢复性隐写术，通过嵌入空间衍生映射提升秘密恢复率，同时减少负载恢复性，并提出基于机制可解释性的检测方法，提高微调模型中的秘密检测准确率。

Warning labels shift perceptions of sycophantic AI, but not its influence

警告标签改变对谄媚AI的认知，但不改变其影响

Lujain Ibrahim, Myra Cheng, Cinoo Lee, Pranav Khadpe, Desmond Ong, Dan Jurafsky, Diyi Yang

机构 * University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 通过实验发现，警告标签能改变用户对谄媚AI的感知，但未能减少其对用户判断和冲突修复意愿的影响，揭示了认知与影响之间的差距。

Representing Research Attention as Contextually Structured Flows

将研究关注度表示为上下文结构化流

Jessica Rodrigues, Angelo Salatino, Gard Jenset, Scott Hale

机构 * University of Oxford（牛津大学） ； The Open University（开放大学） ； Springer Nature 纠错

AI总结 提出注意力流（attention flows）作为上下文结构化表示，编码注意力的组织及其随时间演化，通过类比推理基准评估发现流表示更有效支持结构比较，并提升部分观测和结构扰动下的鲁棒性。

Comments Accepted at STi 2026 - International Conference on Science and Technology Indicators

Addressing Benchmarking Gaps in Large Language Models for Health and Medicine with Dynamic Red-Teaming

超越基准：动态、自动和系统化的红队代理用于可信的医疗语言模型

Jiazhen Pan, Bailiang Jian, Paul Hager, Yundi Zhang, Che Liu, Friederike Jungmann, Hongwei Bran Li, Julian Canisius, Chenyu You, Junde Wu, Jiayuan Zhu, Fenglin Liu, Yuyuan Liu, Niklas Bubeck, Moritz Knolle, Chen, Chen, Christian Wachinger, Zhenyu Gong, Cheng Ouyang, Georgios Kaissis, Benedikt Wiestler, Daniel Rueckert

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； University of Oxford（牛津大学） ； TUM University Hospital（慕尼黑技术大学医院） ； Imperial College London（伦敦帝国理工学院） ； Harvard Medical School（哈佛医学院） ； Stony Brook University（史泰兹布鲁克大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出DAS红队框架，通过动态压力测试揭示医疗语言模型在鲁棒性、隐私、偏见和幻觉方面的潜在风险，发现高静态基准性能与低动态可靠性之间的'基准差距'。

Gaussian Process Aggregation for Root-Parallel Monte Carlo Tree Search with Continuous Actions

用于具有连续动作的根并行蒙特卡罗树搜索的高斯过程聚合

Junlin Xiao, Victor-Alexandru Darvariu, Bruno Lacerda, Nick Hawes

机构 * Oxford Robotics Institute, Department of Engineering Science, University of Oxford（牛津机器人研究所、工程科学系、牛津大学） 纠错

AI总结 研究连续动作空间环境中根并行蒙特卡罗树搜索的聚合问题，核心方法是用高斯过程回归获取动作值估计，经6个领域系统评估，该方法优于现有策略且推理时间增加适度。

Comments To appear in the Reinforcement Learning Journal (RLJ) and to be presented at the Third Reinforcement Learning Conference (RLC 2026)

CaLiSym: Learning Symplectic Dynamics of Real-World Systems through Structured Canonical Lifts

CaLiSym：通过结构化规范提升学习现实世界系统的辛动力学

Aristotelis Papatheodorou, Pranav Vaidhyanathan, Natalia Ares, Ioannis Havoutis, Gerard J. Milburn

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； School of Mathematics and Physics, University of Sussex（萨塞克斯大学数学与物理系） 纠错

AI总结 研究针对物理学习局限，引入CaLiSym框架，通过结构化规范提升将辛学习扩展到含能量动量交换的机器人系统。用广义岭SympNet预测器实例化，实验表明该方法能改进分布外自回归预测，保持辛形式，为现实机器人系统提供几何保持动力学模型。

Comments 19 pages, 4 figures, 5 tables

Benefits and Limitations of Communication in Multi-Agent Reasoning

多智能体推理中通信的益处与局限性

Michael Rizvi-Martel, Satwik Bhattamishra, Neil Rathi, Guillaume Rabusseau, Michael Hahn

机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Saarland University（萨尔兰大学） 纠错

AI总结 研究多智能体推理中通信的益处与局限，提出理论框架分析其表达能力，应用于三个算法族，得出相关界限，通过实验验证关键量权衡，为设计可扩展多智能体推理系统提供指导。

Comments 34 pages, 14 figures

INFANiTE: Implicit Neural representation for high-resolution Fetal brain spatio-temporal Atlas learNing from clinical Thick-slicE MRI

INFANiTE：隐式神经表示用于高分辨率胎儿脑空间-时间大体图谱学习从临床厚切片MRI

Xiaotian Hu, Mingxuan Liu, Hongjia Yang, Tongxi Song, Yijin Li, Yifei Chen, Haoxiang Li, Zihan Li, Yingqi Hao, Ziyu Li, Yi Liao, Haibo Qu, Qiyuan Tian

机构 * Beihang University（北航大学） ； Tsinghua University（清华大学） ； Sichuan University（四川大学） ； University of Oxford（牛津大学） 纠错

AI总结 INFANiTE通过隐式神经表示方法，实现了从厚切片MRI中高效生成高分辨率胎儿脑空间-时间大体图谱，显著加快了图谱构建过程，提升了图谱的一致性、参考保真度和生物合理性。

Spectral Diffusion Processes

谱扩散过程

Angus Phillips, Thomas Seror, Michael Hutchinson, Valentin De Bortoli, Arnaud Doucet, Emile Mathieu

机构 * University of Oxford（牛津大学） ； ENS, CNRS, PSL University Paris（巴黎高等师范学院、国家科学研究中心、巴黎大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究将扩散模型应用于函数空间上的随机过程，通过谱表示分离随机部分与时空结构，用有限维扩散模型建模谱系数，经截断确保模型有效性，投影回原空间对应相关噪声扩散模型，还展示了方法在多模态数据建模及条件采样上的有效性。

Comments This version (v3) extends the previous workshop version (v2) with conditional sampling and theoretical results. Work carried out in 2022/23. V2 appeared in Score-based Methods Workshop at the 36th Conference on Neural Information Processing Systems (NeurIPS 2022)