高校专区
渐近对数最优的基于贝叶斯的置信序列：适用于有界均值
机构 * Department of Statistics University of Oxford（统计系牛津大学）
AI总结 本文提出一种基于贝叶斯的置信序列框架，利用预测模型自适应构造置信序列，证明其渐近对数最优性，并通过实验展示其在减少置信序列宽度和采样努力方面优于传统方法。
Comments Valentin and Stefano are joint first authors
LINGOLY-TOO：通过模板化正交混淆分离推理与知识
机构 * University of Oxford（牛津大学） ； University of Nottingham（诺丁汉大学） ； University of Glasgow（格拉斯哥大学） ； United Kingdom Linguistics Olympiad（英国语言学奥林匹克） ； Asia-Pacific Linguistics Olympiad（亚太语言学奥林匹克）
AI总结 LINGOLY-TOO通过模板化正交混淆技术，设计了1203个问题和6995个子问题，旨在减少对知识和记忆的依赖，评估模型真正的推理能力。
Comments Published as a conference paper at ICLR 2026
通过多样性正则化的直接偏好优化改进肽设计的反向折叠
机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； Flagship Pioneering（旗领先锋） ； University of Oxford（牛津大学）
AI总结 本文通过改进的直接偏好优化方法，结合多样性正则化和领域特定先验，提升肽设计中反向折叠模型的序列多样性和结构一致性，实验表明在OpenFold生成结构条件下，模型在结构相似度上取得显著提升。
Comments Preprint. 10 pages plus appendices
一种用于学习时空神经微分方程的谱方法
机构 * Courant Institute of Mathematical Sciences, New York University, New York, NY 10012, USA（数学科学学院，纽约大学，纽约，NY 10012，美国） ； Department of Computational Medicine, UCLA, Los Angeles, CA 90095, USA（计算医学系，洛杉矶大学，洛杉矶，CA 90095，美国） ； Nuffield Department of Medicine, Oxford University, Oxford OX2 6HW, UK（医学系，牛津大学，牛津 OX2 6HW，英国）
AI总结 本文提出一种基于神经ODE的谱方法，用于学习包含长程非局部空间相互作用的时空微分方程，无需空间离散化，适用于无界域。
Comments 21 pages, 5 figures
Journal ref Journal of Applied Mathematics and Computing, Volume 70, 4395-4421, (2024)
从预训练到下游性能：领域特定预训练有意义吗？
机构 * Oxford Internet Institute, University of Oxford, Oxford, UK（牛津大学互联网研究所，牛津大学，牛津，英国）
AI总结 本文探讨了医学影像模型中预训练策略与下游性能的关系，发现仅在目标模态数据上预训练才能显著提升性能，且自监督学习在不同上下文中效果各异。
基于混合策略蒸馏的推理压缩
机构 * Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所） ； Northeastern University（东北大学） ； LMU Munich（慕尼黑大学） ； Siemens AG（西门子股份公司） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Mina AI
AI总结 本文提出混合策略蒸馏框架，通过从大模型压缩推理轨迹到小模型，有效减少token使用并提升推理性能。
评估大语言模型的发展认知能力
机构 * De Vinci Research Center（德文西研究中心） ； MIT Media Lab（MIT媒体实验室） ； University of Oxford（牛津大学） ； Google（谷歌）
AI总结 本文提出DSCT测试，通过自述文本评估发展认知阶段，发现LLM在模拟角色和真实人类响应中表现出不同的阶段特征，表明发展信号在合成响应中更清晰。
Comments 9 pages, 3 figures, (10 pages appendix)
分位数耦合流匹配用于分布性强化学习
机构 * Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） ； Bristol Robotics Laboratory, University of the West of England（布里斯托尔机器人实验室，西英格兰大学） ； Dyson Institute of Engineering & Technology（戴森工程与技术研究院）
AI总结 本文提出FlowIQN，通过分位数对齐的流路径改进流匹配批评者，解决分布性强化学习中分布Bellman算子在p-瓦瑟斯坦距离下的收缩性问题，提升瓦瑟斯坦返回分布精度并兼容DRL流程。
通过多代理可解释性检测多代理合谋
机构 * University of Oxford（牛津大学） ； ELLIS Institute Tübingen MPI-IS（图宾根ELLIS研究所MPI-IS）
AI总结 本文提出NARCBench基准，通过五种探测技术在不同多代理场景中检测合谋，展示模型内部信号对多代理合谋检测的补充作用。
RelBench v2：关系数据的大型基准和存储库
机构 * Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； University of Ljubljana（卢布尔雅那大学） ； Kumo AI ； University of Oxford（牛津大学）
AI总结 RelBench v2引入了四个大规模关系数据集，扩展了基准测试，并引入了自动补全任务，展示了关系学习模型在多表预测中的优势。
Comments Published at ICLR 2026. Website: https://relbench.stanford.edu
MEG-XL：通过长上下文预训练实现数据高效的脑-文本转换
机构 * PNPL assets/pnpl.png , University of Oxford（PNPL资产/pnpl.png，牛津大学）
AI总结 MEG-XL通过长上下文预训练提升数据效率，利用2.5分钟的MEG上下文捕捉扩展神经上下文，优于传统方法，在脑数据词解码任务中表现更优。
Comments Published as a conference paper at ICML 2026. 19 pages, 8 figures, 5 tables
GraphBench: 图学习下一代基准测试
机构 * RWTH Aachen University（亚琛RWTH大学） ； University of Oxford（牛津大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； ETAS Research University of Stuttgart（斯图加特大学ETAS研究所） ； Google Research（谷歌研究） ； Microsoft Research（微软研究院）
AI总结 GraphBench 提供标准化评估协议和统一超参数调优框架，用于评估图学习任务中的泛化能力，推动图学习领域的发展。
计算作为教师：将推理计算转化为无参考监督
机构 * University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Meta Superintelligence Labs（元宇宙超级智能实验室）
AI总结 本文提出计算作为教师框架，通过推理计算生成参考估计，实现无监督学习，尤其在非可验证领域如医疗指导中表现优异，测试时计算开销减少9倍。
Comments Published as a conference paper at ICML 2026. 23 pages, 6 figures, 12 tables
OrderFusion：用于端到端概率日内电价预测的订单簿编码
机构 * Delft University of Technology（代尔夫特理工大学） ； Austrian Institute of Technology（奥地利技术研究院） ； RWTH Aachen（亚琛工业大学） ； London Business School（伦敦商学院） ； University of Oxford（牛津大学） ； Squirrel AI（Squirrel AI公司） ； Tsinghua University（清华大学）
AI总结 本文提出OrderFusion方法，通过端到端概率模型学习订单簿的交互结构，改进日内电价预测，通过分层量化估计避免量化交叉问题。
Comments 10 pages, 4 figures, 4 tables
镜中的攻击者：通过锚定双策略自我博弈打破安全性中的自我一致性
机构 * Department of Informatics, King’s College London（伦敦国王学院信息学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； University of Sussex（Sussex大学） ； Institute for Decentralized AI（去中心化人工智能研究所）
AI总结 本文提出锚定双策略自我博弈方法，通过训练角色特定的LoRA适配器提升安全性与参数效率，实验证明在安全基准测试中表现更优。
LLM卫士：通过第三方对话监督缓解对抗说服
机构 * University of Oxford（牛津大学）
AI总结 研究通过引入第三方LLM卫士模型，降低对抗性LLM对用户的操纵成功率，实验显示卫士模型使对手成功率从65.4%降至30.4%。
NeurIPS应要求对前沿AI安全声明实施可重复性标准
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系）
AI总结 本文提出要求NeurIPS对涉及前沿AI安全声明的论文实施可重复性标准，通过三级披露框架和强制性声明清单等措施，确保高影响声明的可重复性，以提升AI安全测试的可靠性。
Comments Preprint
基于分布式飞行时间传感器的连续机器人定位
机构 * University of Toronto Robotics Institute, Canada（多伦多大学机器人研究所，加拿大） ； Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，英国） ； Toronto Metropolitan University, Canada（多伦多 Metropolitan 大学，加拿大）
AI总结 本文提出了一种利用小型低分辨率飞行时间传感器进行连续机器人定位的方法，通过融合传感器数据与机器人形状先验信息，实现了在复杂环境中高精度的定位与建图。
Comments Print version, to be published at Robotics: Science and Systems (RSS) 2026
高概率零阶在线凸优化超越欧几里得几何
机构 * University of Oxford（牛津大学） ； École Polytechnique, IP Paris（巴黎理工学院）
AI总结 本文提出基于ℓ_ q-Lipschitz损失、ℓ_ p正则化FTRL和锥测度采样的随机两点有限差分梯度估计器，在高概率下统一控制在线凸优化的后悔界，揭示q>2时的固有间隙。
玩乐的动机：前沿LRMs与人类游戏学习者的行为与大脑对齐
机构 * University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； New York University（纽约大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 本文研究了前沿LRMs在游戏学习中的行为与大脑活动对齐情况，发现其在游戏发现阶段更接近人类行为，并能更准确预测大脑活动。
RelAgent：基于LLM的数据科学家用于关系学习
机构 * University of Oxford（牛津大学） ； TU Wien（维也纳技术大学） ； AITHYRA（AITHYRA研究所） ； KAIST（韩国科学技术院）
AI总结 RelAgent是一种基于LLM的关系学习自主数据科学家，通过两阶段流程构建SQL特征程序并选择预测模型，最终通过SQL查询和经典模型实现快速、确定性和可解释的预测。
通过贝叶斯优化进行开放任务发现
机构 * Lattice Lab Toyota Motor Corporation（电装株式会社拉特实验室） ； Machine Learning Research Group（机器学习研究组） ； University of Oxford（牛津大学）
AI总结 本文提出GSR框架，通过生成-选择-细化流程实现开放-ended的贝叶斯优化，应用于新产品开发、化学合成放大、算法分析和专利再利用，优于现有LLM优化器。
Comments 60 pages, 11 figures
端到端PDDL规划与硬编码和动态智能体
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering, University of Oxford（牛津大学工程系）
AI总结 本文提出一个端到端框架，通过验证器支持规划。协调器接收自然语言规范，转换为PDDL模型，子模块（智能体）迭代优化规划需求。支持硬编码和动态智能体，最终计划转换为自然语言。
Comments Code: https://github.com/EmanueleLM/MultiAgentPlanning
Flock：通过在随机游走上学习的知识图谱基础模型
机构 * KAIST（韩国科学技术院） ； University of Oxford（牛津大学） ； TU Wien（维也纳技术大学） ； AITHYRA
AI总结 Flock通过在随机游走上学习，实现知识图谱的零样本链接预测，解决了传统方法在区分结构相似但语义不同的关系时的限制，展示了强大的泛化能力。
Comments 42 pages, 7 figures
高吞吐环境下的可扩展选项学习
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； University of Oxford（牛津大学）
AI总结 本文提出SOL算法，通过高吞吐量的层级强化学习方法，在NetHack等复杂游戏中实现35倍的吞吐量提升，验证了其在高吞吐环境中的扩展性和通用性。
HYPER：一种用于知识超图归纳链接预测的基础模型
机构 * University of Oxford（牛津大学） ； Google Research（谷歌研究） ； AITHYRA ； TU Wien（维也纳技术大学）
AI总结 HYPER是一种基础模型，能处理包含新实体和新关系的知识超图归纳链接预测，通过编码超边中的实体及其位置实现跨不同关系类型的迁移学习。
耐心询问患者：通过 grounded 推理实现面向人类的医疗对话 LLM
机构 * University of Oxford（牛津大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文提出 APP，一种基于 LLM 的医疗助手，通过 grounded 推理和透明诊断提升医疗对话的人性化体验，改进诊断准确性并增强用户参与度。
一种可微的贝叶斯松弛用于潜在偏序推断
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种可微贝叶斯松弛方法，用于从具有偏序结构的数据中推断潜在偏序，通过平滑替代硬约束模型，实现连续后验并支持梯度基MCMC和变分推断。
通过调整理性度来缓解强化学习中的人类反馈认知偏差
机构 * University of Oxford（牛津大学） ； Brown University（布朗大学）
AI总结 本文提出通过动态调整理性参数beta来缓解人类反馈中的认知偏差，提升奖励学习模型的理性度，即使在存在强烈偏见的偏好数据集上也能获得更理性的下游模型。
LLMs在最简单的长链推理任务上表现如何：等价类问题的实证研究
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Oxford（牛津大学）
AI总结 本文评估了LLMs在等价类问题上的表现，发现非推理模型无法解决，而推理模型虽更优但仍难以完全解决，且问题难度随连接概率和变量数变化而变化。
Comments 9 pages, 5 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈