Martingale-Consistent Self-Supervised Learning
鞅一致的自监督学习
机构 * University of Oxford（牛津大学） ； Health Data Research UK（英国健康数据研究）
AI总结 本文提出一种鞅一致的自监督学习框架，通过约束预期精细预测来提高在部分观察下的鲁棒性和校准性，适用于时间序列、表格和图像数据。
高校专区
University of Oxford（牛津大学）
Doubly Outlier-Robust Online Infinite Hidden Markov Model
双重异常鲁棒在线无限隐马尔可夫模型
机构 * Oxford-Man Institute of Quantitative Finance（牛津量化金融研究所） ； Mathematical Institute, University of Oxford（牛津大学数学研究所）
AI总结 本文提出BR-iHMM，通过引入两个可调参数平衡适应性与鲁棒性，在限价订单数据、小时电力需求和高维线性系统中，将一阶预测误差降低67%，并提供有界后验影响函数的理论保证。
Comments 43rd International Conference on Machine Learning (ICML 2026)
Maximin Robust Bayesian Experimental Design
最大最小鲁棒贝叶斯实验设计
机构 * UvA–Bosch Delta Lab（UvA–Bosch Delta实验室） ； Department of Statistics（统计系） ； University of Amsterdam（阿姆斯特丹大学） ； University of Oxford（牛津大学） ； School of Mathematics（数学学院） ； University of Edinburgh（爱丁堡大学） ； University of Warwick（沃里克大学）
AI总结 本文通过将问题建模为实验者与对抗性自然之间的最大最小博弈，提出基于Sibson的α-互信息的鲁棒目标，以应对贝叶斯实验设计在模型失规范定下的脆弱性。
Enabling clinical use of foundation models for computational pathology
使计算病理学基础模型在临床应用中发挥作用
机构 * Institute for Cancer Genetics and Informatics, Oslo University Hospital（癌症遗传学与信息学研究所，奥斯陆大学医院） ； Department of Pathology, University Medical Center Utrecht（病理学系，乌得勒支大学医学中心） ； Department of Oncology, University of Oxford（肿瘤学系，牛津大学） ； CRUK Beatson Institute of Cancer Research, Garscube Estate（CRUK贝茨癌症研究中心，加尔斯克里特庄园） ； Glasgow Tissue Research Facility, University of Glasgow, Queen Elizabeth University Hospital（格拉斯哥组织研究设施，格拉斯哥大学，伊丽莎白女王大学医院） ； Area for Improvement and Digital Transformation, Norwegian Offshore Directorate（改进与数字化转型部门，挪威海上管理局） ； Pathology Department, Hospital Clínic, Barcelona, Spain（病理学系，巴塞罗那医院，西班牙） ； Institut d’Investigacions Biomèdiques August Pi I Sunyer (IDIBAPS), Barcelona, Spain（August Pi I Sunyer生物医学研究所（IDIBAPS），巴塞罗那，西班牙） ； Department of Clinical Foundations, Universitat de Barcelona（临床基础系，巴塞罗那大学） ； School of Cancer Sciences, Wolfson Wohl Cancer Research Centre, University of Glasgow（癌症科学学院，沃尔夫森沃尔夫癌症研究中心，格拉斯哥大学） ； Institute of Clinical Medicine, University of Oslo（临床医学研究所，奥斯陆大学） ； Department of Gastrointestinal Surgery, Oslo University Hospital（胃肠外科系，奥斯陆大学医院）
AI总结 本文通过引入鲁棒性损失，提升了计算病理学基础模型的鲁棒性，提高了分类准确率，且无需重新训练基础模型，从而更适用于实际临床应用。
SurvBench: A Standardised Preprocessing Pipeline for Multi-Modal Electronic Health Record Survival Analysis
SurvBench：多模态电子健康记录生存分析标准化预处理流程
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 SurvBench提供标准化预处理流程，通过YAML配置实现多模态EHR数据的统一处理，支持四种关键数据库和输入模态，确保生存分析模型的可比性与一致性。
Fractal Graph Contrastive Learning
分形图对比学习
机构 * CDT, University of Oxford（牛津大学CDT） ； IDEA Research, International Digital Economy Academy（IDEA研究院、国际数字经济学院） ； School of Advanced Interdisciplinary Sciences, UCAS（北京大学交叉学科研究院） ； State Key Lab of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； China Mobile Research Institute（中国移动研究院） ； DataArc Tech Ltd.（DataArc科技有限公司）
AI总结 本文提出分形图对比学习框架，通过引入分形维度感知的对比损失和改进的全局增强策略，提升图对比学习的结构一致性与性能。
Comments 32 pages, 7 figures
Benchmarking Vision Foundation Models for Input Monitoring in Autonomous Driving
在自动驾驶中基于视觉基础模型的输入监控基准测试
机构 * Continental AG（大陆汽车集团） ； Technical University of Munich（慕尼黑技术大学） ； University of Lübeck（吕贝克大学） ； University of Oxford（牛津大学） ； University of Wuppertal（伍珀塔尔大学）
AI总结 本文提出了一种基于视觉基础模型和密度建模技术的统一方法，用于检测语义和协变量偏移，通过全面基准测试评估了VFM在复杂条件下的OOD分类能力，并证明其在识别高风险输入方面优于现有方法。
From Token to Token Pair: Efficient Prompt Compression for Large Language Models in Clinical Prediction
从标记到标记对：用于临床预测的大型语言模型高效提示压缩
机构 * Department of Engineering Science, University of Oxford, Oxford, United Kingdom（牛津大学工程科学系，英国牛津）
AI总结 本文提出MedTPE方法，通过将频繁共现的医疗标记对合并为复合标记，实现无损压缩，减少输入标记长度和推理延迟，同时保持或提升预测性能。
Comments 21 pages, 6 figures, 13 tables
CheXTemporal: A Dataset for Temporally-Grounded Reasoning in Chest Radiography
CheXTemporal：用于胸部X光影像中时间感知推理的数据集
机构 * Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； HOPPR ； University Hospital Zurich（苏黎世大学医院）
AI总结 该研究提出CheXTemporal数据集，用于胸部X光影像中时间感知推理，包含前后X光片及时间空间标注，评估了多种视觉语言模型在零样本设定下的接地和进展分类任务，发现模型在空间接地和时间推理方面存在局限。
Muon is Not That Special: Random or Inverted Spectra Work Just as Well
Muon 并不那么特殊：随机或倒置光谱效果一样好
机构 * University of Cambridge（剑桥大学） ； University of Tübingen（图宾根大学） ； University of Oxford（牛津大学）
AI总结 本文挑战了非欧几里得优化中几何结构的重要性，通过Freon和Kaon等优化器展示，证明精确几何并非关键，而局部对齐和下降潜力控制性能。
Comments 45 pages
Interpretability Can Be Actionable
可解释性可以是可操作的
机构 * Kempner Institute at Harvard University（哈佛大学凯默纳研究所） ； University of Southern California（美国南加州大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Boston University（波士顿大学）
AI总结 本文探讨了可解释性研究的核心问题，提出应以可操作性作为评价标准，通过具体性和验证性两个维度分析阻碍实际应用的障碍，并提出五个领域和评估框架。
Comments Accepted to ICML 2026
The Price of Proportional Representation in Temporal Voting
在时间投票中比例代表的成本
机构 * University of Oxford（牛津大学）
AI总结 研究时间投票模型中比例代表与社会福利的权衡，证明比例代表会带来递增但亚线性的效用损失，且不同比例代表公理对效用损失的影响不同。
Comments Appears in the 35th International Joint Conference on Artificial Intelligence (IJCAI), 2026
Uniform Scaling Limits in AdamW-Trained Transformers
AdamW训练变换器中的均匀缩放极限
机构 * Mathematical Institute（数学研究所） ； University of Oxford（牛津大学）
AI总结 本文研究了使用AdamW训练的变换器在深度趋近于无穷时的行为，通过将隐藏状态动态建模为相互作用粒子系统，证明了在适当缩放注意力头数下，隐藏状态和反向传播变量的联合动态以特定速率收敛到一个正向-反向ODE系统。
The Authorization-Execution Gap Is a Major Safety and Security Problem in Open-World Agents
授权-执行间隙是开放世界智能体中的主要安全和安全问题
机构 * Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； Nanjing University of Posts and Telecommunications, China（南京邮电大学） ； University of Oxford, UK（牛津大学） ； Chinese University of Hong Kong, China（香港中文大学） ； State University of New York at Buffalo, USA（纽约州立大学布法罗分校）
AI总结 本文指出开放世界智能体中授权-执行间隙（AEG）是安全和安全的关键问题，其源于授权意图与实际执行的差异，需通过源导向的诊断和防御来解决，强调执行中需进行授权完整性检查。
Continuous Flood Nowcasting in South Asia: A Multi-Sensor Ensemble Remote Sensing Framework for Flood Extent
南亚连续洪水现在预测：一种多传感器集成遥感框架用于洪水范围
机构 * Planetary Health Informatics (PHI) Lab, University of Oxford（行星健康信息学（PHI）实验室，牛津大学） ； Blavatnik School of Government, University of Oxford（布劳维克政府学院，牛津大学） ； PMIU Secretariat, Irrigation Department, Pakistan（灌溉部门PMIU秘书处，巴基斯坦）
AI总结 本文提出一种多传感器集成遥感框架，用于巴基斯坦的连续洪水现在预测，整合了Sentinel-1 SAR、HLS L30和S30、MODIS和VIIRS观测数据，生成实时连续洪水地图，验证了其在洪水监测和灾害响应中的有效性。
Comments Visualising Climate 2026
AlphaEarth Satellite Embeddings for Modelling Climate Sensitive Diseases Towards Global Health Resilience
AlphaEarth卫星嵌入用于建模对气候敏感的疾病以实现全球健康韧性
机构 * Planetary Health Informatics (PHI) Lab, University of Oxford（行星健康信息学实验室，牛津大学）
AI总结 本文研究AlphaEarth卫星嵌入在预测人口健康结果中的应用，针对疟疾、呼吸道感染和营养不良等疾病，展示其在空间细粒度下的预测价值。
Comments Visualising Climate 2026
Training Transformers for KV Cache Compressibility
训练用于KV缓存压缩性的Transformer
机构 * University of Oxford（牛津大学） ； Technion – Israel Institute of Technology（技术ion理工学院） ； AITHYRA ； NVIDIA
AI总结 本文提出KV-CAT训练方法，通过训练时的KV稀疏化策略，引导模型学习可压缩的表示，提升下游压缩方法的质量-预算权衡。
Comments 32 pages, 4 figures
SOAR: Regression-based LiDAR Relocalization for UAVs
SOAR：基于回归的无人机激光雷达重定位
机构 * Fujian Key Laboratory of Sensing and Computing for Smart Cities, Xiamen University（厦门大学智慧城市感知与计算重点实验室） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室） ； Department of Computer Science at the University of Oxford（牛津大学计算机科学系）
AI总结 本文提出SOAR框架，通过局部滑动窗口注意力模块和坐标无关特征初始化模块，提升无人机在GNSS拒止环境下的激光雷达重定位精度，实验表明其在UAVLoc上提升了40%的成功率并降低了10米以上的均误差。
Comments 24 pages, 14 figures
Quantifying Concentration Phenomena of Mean-Field Transformers in the Low-Temperature Regime
量化均场变换器在低温区的集中现象
机构 * Department of Mathematics（数学系） ； Friedrich-Alexander-University Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Institute of Mathematics（数学研究所） ； CAIDAS University of Würzburg（魏玛大学CAIDAS学院） ； University of Oxford（牛津大学） ； Reuben College（雷本学院） ； CIT School（CIT学院） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 本文研究了低温下均场变换器中token分布的集中现象，通过均场连续性方程和Wasserstein距离分析，证明token在初始分布投影下快速集中并保持亚稳态，揭示了动态在不同时间尺度下的终端阶段特性。
Comments 30 pages, 10 figures
Equivariant Reinforcement Learning for Clifford Quantum Circuit Synthesis
在Clifford量子电路合成中的等变强化学习
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Quantinuum（Quantinuum公司） ； College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算科学与数据科学学院）
AI总结 本文提出了一种等变神经网络架构，用于在所有到所有量子比特连接设备上合成Clifford量子电路，通过强化学习发现最优门序列，实现高效电路合成。
XQCfD: Accelerating Fast Actor-Critic Algorithms with Prior Data and Prior Policies
XQCfD：利用先验数据和先验策略加速快速Actor-Critic算法
机构 * Technical University of Darmstadt（技术大学达姆施塔特） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Oxford（牛津大学） ； German Research Center for AI (DFKI)（德国人工智能研究中心（DFKI）） ； Robotics Institute Germany (RIG)（德国机器人研究所）
AI总结 本文提出XQCfD算法，通过先验数据、预训练策略和静止策略架构提升样本效率，在稀疏奖励任务中取得最佳性能。
Comments 22 pages, 10 figures, 2 tables
On Improving Graph Neural Networks for QSAR by Pre-training on Extended-Connectivity Fingerprints
通过预训练扩展连接指纹改进图神经网络用于QSAR研究
机构 * Department of Statistics, University of Oxford（牛津大学统计系） ； Mathematical Institute, University of Oxford（牛津大学数学院） ； Molecular Informatics and AI, Lhasa Limited（Lhasa有限公司分子信息学与人工智能部门）
AI总结 本文通过预训练扩展连接指纹提升图神经网络在QSAR中的性能，验证了在生物生成基准测试中标准性能指标的显著提升，但对复杂终点如结合亲和力预测在分布外设置中表现欠佳。
Every finite group admits a just finite presentation
每一个有限群都允许一个恰有限的呈现
机构 * Mathematical Institute, University of Oxford, Woodstock Road, Oxford OX2 6GG, United Kingdom（牛津大学数学研究所，伍德斯托克路，牛津OX2 6GG，英国）
AI总结 本文证明每个有限群都存在一个恰有限的呈现，即移除任一关系后呈现的群变为无限群。
Comments 5 pages. Significant assistance was provided by the AI co-mathematician tool developed by Google DeepMind
Signature Approach for Contextual Bandits with Nonlinear and Path-dependent Rewards
基于签名的方法用于具有非线性和路径依赖奖励的上下文老虎机
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Oxford（牛津大学）
AI总结 本文提出DisSigUCB算法，通过签名变换将路径依赖奖励函数近似为线性函数，实现非线性和路径依赖场景下的子线性 regret 绑定。
Hyperparameter Transfer for Dense Associative Memories
密集关联记忆的超参数转移
机构 * Rudolf Peierls Centre for Theoretical Physics, University of Oxford, Oxford OX1 3PU, UK（鲁道夫·皮尔士理论物理中心，牛津大学，牛津 OX1 3PU, 英国） ； Dynamical Mind, IBM Research（动态思维，IBM研究） ； Princeton ORFE（普林斯顿ORFE）
AI总结 本文研究了密集关联记忆模型中超参数转移方法的开发，提出了从小型模型到大规模模型的超参数转移准则，并验证了理论与实证结果的一致性。
Scaling Categorical Flow Maps
扩展分类流映射
机构 * Apple, University of Oxford（苹果公司，牛津大学）
AI总结 本文提出大规模分类流映射模型，通过自蒸馏生成高质量文本，同时引入半离散设置下的似然界，提升语言模型性能。
Comments Minor style changes
Metropolis-Adjusted Diffusion Models
修正的扩散模型：基于Metropolis-哈士季的调整
机构 * Department of Statistics, University of Oxford（1 统计系，牛津大学） ； Inria, CNRS, École Normale Supérieure, PSL Research University（2 Inria，法国国家科学研究中心，巴黎高等师范学院，PSL研究大学） ； Department of Mathematical Sciences, University of Copenhagen（3 数学科学系，哥本哈根大学）
AI总结 本文提出基于Metropolis-Hastings算法的修正方法，用于改进扩散模型中的采样偏差，通过引入二枚硬币伯努利工厂算法和辛普森法则近似，提升了样本质量。
Efficient Ensemble Selection from Binary and Pairwise Feedback
从二元和成对反馈中高效选择集成
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究在未知领域分布下，通过二元和成对反馈选择高效集成的方法，提出基于覆盖的优化策略和失败条件贪心算法，同时探讨θ-胜利委员会的优化与子模性放松。
Biosignal Fingerprinting: A Cross-Modal PPG-ECG Foundation Model
生物信号指纹：一种跨模态PPG-ECG基础模型
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research（牛津苏浙先进研究中心） ； School of Public Health, Shanghai Jiao Tong University（上海交通大学公共卫生学院）
AI总结 本文提出生物信号指纹，通过跨模态基础模型M2AE生成紧凑且可迁移的心血管状态表示，实现无需重新训练的多任务应用，在多个任务中表现出色。
Comments 21 pages, 8 figures, 7 tables
fmxcoders: Factorized Masked Crosscoders for Cross-Layer Feature Discovery
fmxcoders: 分层掩码交叉编解码器用于跨层特征发现
机构 * The Cyprus Institute（塞浦路斯研究所） ； University of Athens（雅典大学） ； University of Oxford（牛津大学） ； Archimedes AI/Athena Research Center（Archimedes AI/ Athena 研究中心） ； University of Cyprus（塞浦路斯大学）
AI总结 本文提出fmxcoders，通过低秩张量分解和随机层掩码技术，解决传统交叉编解码器在跨层特征恢复中的不足，提升模型的语义相干性与重构性能。
