The Epistemic Planning Domain Definition Language: Official Guideline
知识规划领域定义语言：官方指南
机构 * Free University of Bozen-Bolzano（博尔扎诺自由大学） ； University of Oxford（牛津大学）
AI总结 本文提出EPDDL语言，通过抽象事件模型统一描述知识规划任务，解决现有规划器碎片化问题，提升可比性与可重复性。
高校专区
University of Oxford（牛津大学）
Reading Recognition in the Wild
野外阅读识别
机构 * Meta Reality Labs Research（Meta现实实验室） ； VGG, University of Oxford（VGG，牛津大学） ； The Ohio State University（俄亥俄州立大学）
AI总结 本文提出阅读识别任务，通过多模态数据和Transformer模型实现对阅读行为的识别，扩展了阅读研究的规模和现实场景。
Comments NeurIPS 2025. Project Page: https://www.projectaria.com/datasets/reading-in-the-wild/
Efficient Preimage Approximation for Neural Network Certification
神经网络认证中的高效预像近似
机构 * Department of Computer Science, University of Oxford, United Kingdom（英国牛津大学计算机科学系） ； Department of Computer Science, Johannes Kepler University Linz, Austria（奥地利约翰·开普勒大学林茨分校计算机科学系） ； Department of Information Engineering and Computer Science, University of Trento, Italy（意大利特伦托大学信息工程与计算机科学系）
AI总结 本文提出PREMAP2，通过改进的分支启发式、自适应蒙特卡洛采样和反向界传播提升预像近似效率，扩展至非均匀先验和置信区间，应用于图像攻击等复杂场景，提升模型可靠性与公平性。
Comments Code available at https://github.com/Anton-Bjorklund/Premap2
Learning Over-Relaxation Policies for ADMM with Convergence Guarantees
为ADMM学习过松弛策略以保证收敛性
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 本文提出通过学习在线更新松弛参数来提升ADMM在特定问题类上的性能，证明了在弱假设下ADMM在时间变化惩罚和松弛参数下的收敛性，并在基准二次程序中验证了学习策略在迭代次数和运行时间上的优势。
A Decision-Theoretic Formalisation of Steganography With Applications to LLM Monitoring
基于决策理论的隐写术形式化及其在大语言模型监控中的应用
机构 * University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； UK AI Safety Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； Mila, University of Montreal（蒙特利尔大学米尔人工智能实验室）
AI总结 本文提出决策理论视角下的隐写术形式化方法，通过通用V-信息量定义隐写差距，用于检测和缓解大语言模型中的隐写推理行为。
Comments First two authors contributed equally
Perception Test 2025: Challenge Summary and a Unified VQA Extension
2025感知测试挑战：挑战总结及统一视觉问答扩展
机构 * Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） ； University of Bristol（布里斯托大学） ； University of Oxford（牛津大学）
AI总结 2025年感知测试挑战旨在评估最新视频模型并衡量多模态感知的进步，通过统一任务测试揭示现有模型在统一接口下处理多样化感知任务的困难。
Open Problems in Frontier AI Risk Management
前沿人工智能风险管理中的开放问题
机构 * Oxford Martin AI Governance Initiative, University of Oxford（牛津大学人工智能治理倡议） ； MIT Computer Science and Artificial Intelligence Laboratory, MIT（麻省理工学院计算机科学与人工智能实验室） ； MIT Future Tech（麻省理工学院未来技术） ； Stanford University（斯坦福大学） ； Governance and Responsible AI Lab, Purdue University（普渡大学治理与负责任的人工智能实验室） ； University of Toronto（多伦多大学） ； Mercatus Center, George Mason University（乔治·马歇尔大学麦卡锡中心） ； Vilnius University（维尔纽斯大学） ； Vijil ； SaferAI ； AI Standards Lab（人工智能标准实验室） ； The Future Society（未来社会） ； Concordia AI（康科德人工智能） ； Pivotal Research ； Center for AI Risk Management & Alignment（人工智能风险管理和对齐中心） ； UC Berkeley Center for Long-Term Cybersecurity（伯克利大学长期网络安全中心） ； Independent（独立）
AI总结 本文探讨前沿人工智能风险管理中的核心问题，通过文献综述识别未解决的挑战，并分类问题类型以指导未来研究与治理。
Comments 81 pages, 3 figures
Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval
自主知识图谱探索与自适应广度-深度检索
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议）
AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。
Comments Accepted at ACL 2026 Main Conference
Open Challenges in Multi-Agent Security: Towards Secure Systems of Interacting AI Agents
多智能体安全中的开放挑战：迈向交互式AI智能体的安全系统
机构 * Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Association for Computing Machinery (ACM)（计算机协会（ACM）） ； Independent（独立） ； MATS Research（MATS研究） ； CyLab Security & Privacy Institute, Carnegie Mellon University（CyLab安全与隐私研究所，卡内基梅隆大学） ； Qualcomm Inc.（高通公司） ； Oxford Martin AI Governance Initiative（牛津马丁人工智能治理倡议） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT Media Lab（麻省理工媒体实验室） ； SAP SE（SAP德国分公司） ； OWASP GenAI Security Project - Agentic Security Initiative（OWASP生成式AI安全项目-代理安全倡议） ； Contramont Research（Contramont研究） ； The Alan Turing Institute（艾伦·图灵研究所） ； Department of Economics, New York University（纽约大学经济系） ； Zenity（Zenity公司） ； King’s College London（伦敦国王学院） ； Arizona State University（亚利桑那州立大学） ； Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； Deep Cyber Ltd（Deep Cyber有限公司）
AI总结 本文探讨多智能体交互带来的安全挑战，提出多智能体安全新领域，旨在解决智能体间及与人类、机构的交互中出现的安全问题，分析安全与效用、安全与安全之间的权衡。
Bye Bye Perspective API: Lessons for Measurement Infrastructure in NLP, CSS and LLM Evaluation
再见视角API：NLP、CSS和LLM评估中的测量基础设施教训
机构 * Weizenbaum Institute（韦izenbaum研究所） ； TU Berlin（柏林技术大学） ； University of Oxford（牛津大学） ； KU Leuven（根特大学） ； Pleias（Pleias公司） ； Freie Universität Berlin（柏林自由大学） ； University of Bremen（不莱梅大学） ； ifib research（ifib研究） ； TU Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； HTW Berlin（柏林应用技术大学） ； University of Hamburg（汉堡大学）
AI总结 视角API的关闭使NLP、CSS和LLM评估领域失去自动化毒性测量的基准，本文探讨其依赖问题及对研究的影响，呼吁建立独立、可验证的测量基础设施。
Comments 13 pages, 1 figure, 1 table
Evaluating Computational Pathology Foundation Models for Prostate Cancer Grading under Distribution Shifts
评估计算病理学基础模型在前列腺癌分级下的分布偏移鲁棒性
机构 * Department of Medical Epidemiology and Biostatistics, Karolinska Institutet（卡罗林斯卡研究所医学流行病学与生物统计学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 本文评估了计算病理学基础模型在前列腺癌分级中的鲁棒性，发现跨机构转移时性能显著下降，表明大规模预训练不足以保证下游泛化能力。
On quantitative Laplace-type convergence results for some exponential probability measures, with two applications
关于某些指数概率测度的定量拉普拉斯型收敛结果及其两个应用
机构 * Department of Statistics, University of Oxford, UK（英国牛津大学统计系） ； Centre Borelli, CNRS and ENS Paris-Saclay, France（法国CNRS与ENS巴黎-萨克雷大学博雷利中心）
AI总结 本文研究了指数势函数下的测度序列收敛性，建立了Wasserstein距离下的定量界，并应用于最大熵模型和SGLD算法在低温下的收敛性分析。
One-shot emergency psychiatric triage across 15 frontier AI chatbots
在15个前沿AI聊天机器人上进行一次紧急精神病科分诊
机构 * Max Planck UCL Centre for Computational Psychiatry and Ageing Research（马克斯·普朗克大学伦敦计算精神病学与衰老研究中心） ； UK AI Security Institute（英国人工智能安全研究所） ； Department of Experimental Psychology, University of Oxford（牛津大学实验心理学系） ； Microsoft AI（微软人工智能） ； Department of Psychiatry, University of Oxford（牛津大学精神病学系）
AI总结 研究评估了15个前沿AI聊天机器人在精神病科分诊中的表现，发现其在高风险情况下的准确率较高，但对低风险情况存在明显过度分诊的问题。
Sharp Risk Bounds for Early-Stopping in Gaussian Linear Regression
高维高斯线性回归中早停镜像下降法的风险界
机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） ； Department of Statistics, University of Oxford（牛津大学统计系）
AI总结 研究高维高斯线性回归中早停镜像下降法的最优风险界，基于局部高斯宽度推导出LSE的风险界扩展，提出Minkowski函数条件下的新势能构造方法，实现ESMD的minimax最优性分析。
Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction
对乳腺癌生存预测的病理基础模型进行基准测试
机构 * Department of Medical Epidemiology and Biostatistics, Karolinska Institutet（卡罗林斯卡研究所医学流行病学与生物统计学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Division of Oncology, Department of Clinical Sciences Lund, Lund University（卢德大学临床科学系肿瘤学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州先进研究中心）
AI总结 本文通过标准化流程评估了多种病理基础模型在乳腺癌生存预测中的性能，发现H-optimus-1表现最佳，且第二代模型优于第一代，但多数模型性能差异较小，紧凑模型H0-mini在参数较少的情况下表现更优。
Hierarchical Behaviour Spaces
层次行为空间
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； University of Oxford（牛津大学）
AI总结 本文提出层次行为空间(HBS)方法，通过线性组合奖励函数诱导行为空间，提升策略表达能力，在NetHack环境中验证了其性能，发现层级优势源于探索而非长期推理。
GradMAP: Gradient-Based Multi-Agent Proximal Learning for Grid-Edge Flexibility
GradMAP:基于梯度的多智能体近端学习用于电网-边缘灵活性
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 本文提出GradMAP，一种基于梯度的多智能体近端学习方法，通过在电网-边缘设备中实现去中心化学习，有效减少三相交流负载流约束违规，提升训练效率。
Why AI Harms Can't Be Fixed One Identity at a Time: What 5300 Incident Reports Reveal About Intersectionality
为何AI伤害无法逐个身份类别修复：5300份事件报告揭示的交叉性
机构 * Nokia Bell Labs（诺基亚贝尔实验室） ； University of Oxford（牛津大学）
AI总结 研究通过分析5300份AI事件报告，揭示AI伤害并非单一身份类别导致，交叉性身份类别如青少年女孩、低收入有色人种等会放大伤害，强调交叉性在AI风险评估中的重要性。
Comments 29 pages, 7 figures
Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation
单源领域泛化中的小波子带解耦在视网膜图像分割中
机构 * Indian Statistical Institute（印度统计研究所） ； University of Oxford（牛津大学） ； Radcliffe Department of Medicine, University of Oxford（牛津大学拉德克利夫医学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 本文提出WaveSDG网络，通过小波子带分解解耦解剖结构与领域特定外观，提升视网膜图像分割的单源领域泛化性能。
POUR: A Provably Optimal Method for Unlearning Representations via Neural Collapse
POUR：一种通过神经坍塌进行表示去学习的可证明最优方法
机构 * Institute of Biomedical Engineering, University of Oxford, UK（牛津大学生物医学工程研究所）
AI总结 本文提出POUR方法，通过神经坍塌理论，设计可证明最优的表示去学习算法，有效去除特定概念或训练图像的影响，同时保留保留知识，优于现有方法。
Comments CVPR 2026
From Rights to Rites: Expectations Management in Smart-Home AI
从权利到仪式：智能家庭AI中的期望管理
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute for Ethics in AI, University of Oxford（牛津大学人工智能伦理研究所）
AI总结 研究探讨智能家庭AI期望的构建与管理，通过33次访谈揭示设计中的四大矛盾，提出期望管理模型，强调道德判断与跨文化差异，为负责任的智能家庭设计提供指导。
Comments Accepted as a main track conference paper at 2026 HCI International (HCII), Montreal, Canada
Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation
多模态检索增强生成中视觉证据的身份解耦匿名化
机构 * Department of Computer Science University of Oxford, UK
AI总结 本文提出身份解耦MRAG框架，通过在检索与生成之间插入生成匿名化模块，解耦人脸身份与属性，利用生成对抗网络和拒绝采样器实现隐私保护。
Comments ACM International Conference on Multimedia Retrieval 2026
Scalable Spatiotemporal Inference with Biased Scan Attention Transformer Neural Processes
可扩展的时空推断与偏扫描注意力变压器神经过程
机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； University of Bristol（布里斯托尔大学）
AI总结 本文提出BSA-TNP模型，通过引入核回归块、群不变注意力偏置和高效偏扫描注意力，实现高精度、高效率的时空过程建模，支持多分辨率学习和大规模推断。
High-Dimensional Private Linear Regression with Optimal Rates
高维隐私线性回归的最优速率
机构 * Institute of Science and Technology Austria (ISTA)（奥地利科学与技术研究所） ； University of Oxford（牛津大学） ； Tel Aviv University（特拉维夫大学）
AI总结 本文研究了高维随机数据下的差分隐私线性回归，提出了一种满足零集中差分隐私的单次DP梯度下降算法，证明了其在well-conditioned数据下的非渐近风险为O(γ + γ²/ρ²)，并展示了在ill-conditioned情况下隐私参数ρ对风险指数的影响。
Comments Updated version of "Better Rates for Private Linear Regression in the Proportional Regime via Aggressive Clipping"
Architecture Matters for Multi-Agent Security
多智能体安全中的架构问题
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学）
AI总结 本文研究多智能体系统设计决策对任务性能与攻击抵御之间的权衡，通过三个环境和13种架构配置，分析智能体角色、通信拓扑和内存三个关键设计选择的影响。
CODA: Coordination via On-Policy Diffusion for Multi-Agent Offline Reinforcement Learning
CODA：通过在线扩散实现多智能体离线强化学习中的协调
机构 * Inephany Ltd（Inephany有限公司） ； Department of Statistics, University of Oxford（牛津大学统计系） ； University of Cape Town Cape Town, South Africa（南非开普敦大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 CODA通过在线扩散生成合成经验，解决多智能体离线强化学习中的协调问题，提升联合行为适应性。
Uncertainty Quantification for LLM Function-Calling
大语言模型函数调用的不确定性量化
机构 * University of Oxford（牛津大学） ； Apple（苹果公司）
AI总结 本文研究了大语言模型函数调用中不确定性量化的关键问题，发现多样本方法在自然语言问答中表现优异，但在函数调用场景中不如单样本方法有效，并提出利用函数调出输出特性改进现有方法。
CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration
基于CT的局部变化正则化用于全身体积PET变形注册
机构 * Institute of Medical Technology, Peking University Health Science Center（北京大学医学部医学技术研究所） ； Ren Ji Hospital, Shanghai Jiao Tong University（上海交通大学仁济医院） ； University of Oxford（牛津大学）
AI总结 本文提出基于CT的局部变化正则化方法，用于全身体积PET变形注册，通过CT体积构建voxel级正则化图，提高全身体积注册精度和器官对齐性能。
SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations
SceneScribe-1M：一个具有全面几何和语义标注的大规模视频数据集
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo（宁波数字孪生研究院，东部技术研究院，宁波） ； Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin（浙江工业智能与数字孪生重点实验室）
AI总结 SceneScribe-1M通过提供一个包含一百万真实视频的数据集，支持3D几何感知与视频合成的统一资源，推动了单目深度估计、场景重建等下游任务及文本到视频合成等生成任务的发展。
Comments Accepted by CVPR 2026
Beyond Cross-Modal Alignment: Measuring and Leveraging Modality Gap in Vision-Language Models
超越跨模态对齐：测量和利用模态差距在视觉-语言模型中
机构 * King’s College London（伦敦国王学院） ； University of Surrey（萨里大学） ； University of Oxford（牛津大学） ； MIT CSAIL（麻省理工学院CSAIL实验室） ； The Alan Turing Institute（阿兰·图灵研究院）
AI总结 本文提出通过测量和利用模态差距改进视觉-语言模型的下游任务，引入模态主导分数和自动可解释性度量，实现轻量级编辑和系统分析。
Comments accepted by ACL26-findings
