高校专区
人工智能与集体决策：增强合法性与失败者同意
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Oxford University（牛津大学）
AI总结 研究探讨AI如何通过收集个体经验增强集体决策的合法性，并通过可视化工具提升信任与社会凝聚力，即使决策与个人偏好相悖。
Comments 11 pages + appendix
通用多模态蛋白质设计使化学编码成为可能
机构 * California Institute of Technology（加州理工学院） ； Mila – Québec AI Institute（Mila – 魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Université Paris-Saclay（巴黎-萨克雷大学） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； Institut Courtois（库尔图瓦研究所） ； LawZero ； AITHYRA ； FutureHouse
AI总结 DISCO模型通过多模态设计实现蛋白质序列和三维结构的协同优化，能够设计出新型血红素酶，催化新的化学反应，拓展了遗传编码转化的潜力。
Agora：通过基于人类声音的AI人设教授共识寻找技能
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Oxford（牛津大学）
AI总结 Agora通过AI平台利用LLM组织真实人类声音，帮助用户通过制定和修订政策建议、听取支持与反对观点并获得反馈来提升共识寻找能力，初步研究显示其能有效提升用户视角转换能力。
Comments Short version: Accepted to ACM CHI Extended Abstracts 2026 (https://doi.org/10.1145/3772363.3798888); Long version under review
一个场景值得一千个特征：从图像特征集合中进行前馈相机定位
机构 * Niantic Spatial ； University of Oxford（牛津大学）
AI总结 本文提出FastForward方法，通过前馈传递实现快速相机定位，利用3D空间锚定的特征集合进行图像与场景对应预测，实现高精度定位且减少地图准备时间。
超越语法：面向应用代理的动作语义学习
机构 * University of Oxford（牛津大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； University College London（伦敦大学学院）
AI总结 本文提出动作语义学习框架ASL，通过捕捉地面真实动作的语义来提升应用代理的准确性和泛化能力，克服了传统语法学习在分布外鲁棒性上的不足。
CC-VPSTO：在不确定性下的在线机器人运动规划中的机会约束路径优化
机构 * Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所） ； ICTEAM, UCLouvain（鲁汶大学ICTEAM）
AI总结 本文提出CC-VPSTO方法，通过机会约束优化解决机器人在不确定性下的路径规划问题，结合蒙特卡洛采样和梯度自由优化，实现高效可靠的任务驱动控制。
Comments 23 pages, 12 figures, submitted to International Journal of Robotics Research
自由范围高斯：非网格对齐的生成3D高斯重建
机构 * Meta Reality Labs（Meta现实实验室） ； Simon Fraser University（西蒙菲莎大学） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学）
AI总结 本文提出Free-Range Gaussians方法，通过高斯参数流匹配从四张图像预测非像素非体素对齐的3D高斯，提升重建质量并减少冗余。
Comments Project Page: https://free-range-gaussians.github.io
EventFlow：通过流匹配进行时间点过程的预测
机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Irvine（加州大学尔湾分校）
AI总结 EventFlow提出了一种非自回归生成模型，用于时间点过程的预测，通过流匹配框架直接学习事件时间的联合分布，降低预测误差，优于基线模型。
Comments AISTATS 2026 Best Paper Award, camera ready version
你的代理比你想象的更脆弱：揭示代理LLM中的间接注入漏洞
机构 * Arizona State University（亚利桑那州立大学） ； Morgan Stanley（摩根士丹利） ； UC Davis（加州大学戴维斯分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Rice University（莱斯大学） ； Florida State University（佛罗里达州立大学） ； University of Oxford（牛津大学）
AI总结 研究揭示了代理LLM在动态环境中存在严重的间接注入漏洞，通过评估六种防御策略发现现有防护不足，提出基于表示工程的检测方法以提升安全性。
PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。
Comments CVPR 2026
超越线性操控：语言模型的统一多属性控制
机构 * Martian ； University of Oxford（牛津大学） ； Thoughtworks
AI总结 本文提出K-Steering方法，通过训练非线性多标签分类器实现语言模型的多属性控制，避免线性假设，无需存储和调整个别属性向量，支持动态行为组合。
Comments Accepted to Findings of EMNLP, 2025
BAS：一种基于决策理论的评估大语言模型置信度的方法
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research（牛津大学苏州高等研究院）
AI总结 本文提出BAS，一种基于决策理论的评估方法，用于评估大语言模型置信度在不同风险偏好下的决策支持能力，揭示置信度与决策可靠性之间的关系，并展示如何通过干预提升置信度可靠性。
Comments 24 pages, 7 figures, 6 tables
Kimi K2.5 的独立安全性评估
机构 * Constellation ； Anthropic Fellows Program（Anthropic研究员项目） ； Brown University（布朗大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Imperial College London（伦敦帝国学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Bar Ilan University（巴伊兰大学） ； University of Toronto（多伦多大学） ； University of Oxford（牛津大学）
AI总结 Kimi K2.5作为开源大模型，在安全评估中显示出潜在风险，包括CBRNE滥用、网络安全漏洞及政治偏见，但其在拒绝恶意请求方面表现较弱，凸显开源模型的安全挑战。
MECO：一种用于老年人情绪和认知理解的多模态数据集
机构 * Nanjing Medical University（南京医科大学） ； University of Exeter（埃克塞特大学） ； University of Oxford（牛津大学）
AI总结 MECO数据集通过收集42名老年人的多模态信号，提供30592个同步样本，旨在填补老龄化群体情绪和认知预测研究的空白，支持个性化情绪识别和早期轻度认知障碍检测。
Comments 8 pages, 3 figures
因果审计：时间序列因果发现中假设违反风险评估的框架
机构 * Institute for Systems and Robotics, Instituto Superior Técnico（系统与机器人研究所，里斯本高等理工学院） ； Digital Scholarship at Oxford, University of Oxford（牛津大学数字学术中心） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
AI总结 本文提出Causal-Audit框架，用于评估时间序列因果发现中假设违反的风险。通过计算五个假设家族的效果大小诊断，生成校准风险评分，并应用考虑回避的决策策略，以减少误判。
Comments 28 pages, 10 figures, 15 tables. Being submitted to Journal of Causal Inference JCI
Holos：一种基于大语言模型的多智能体系统，用于代理网络
机构 * Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sun Yat-sen University（中山大学） ； University of Oxford（牛津大学） ； Holos Engineering
AI总结 Holos是一种大规模多智能体系统，旨在解决LLM驱动智能体在扩展、协调和价值分配中的挑战，通过五层架构和内生价值循环，推动代理网络的自组织和持续发展。
Comments 38 pages, 8 figures, and 4 tables
PAPO：通过解耦优势归一化稳定规则整合训练
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Wuhan University（武汉大学）
AI总结 PAPO通过解耦优势归一化整合过程级评估，解决现有奖励设计的两个局限：Outcome Reward Models（ORM）仅评估最终答案正确性，而Process Reward Models（PRM）虽监督更丰富但易导致奖励黑客。
Comments 16 Pages,9 Figures
EGM: 高效视觉语义语言模型
机构 * NVIDIA（英伟达） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学）
AI总结 本文提出EGM，通过生成大量中等质量token来提升小模型的视觉语义能力，实验证明其在效率和性能上优于大模型。
ELEPHANT：测量和理解LLMs中的社交阿谀
机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学）
AI总结 研究通过ELEPHANT基准测量LLMs中的社交阿谀行为，发现模型在保持用户形象方面比人类更极端，且在道德冲突中倾向于支持用户立场。
扩散模型更安全，但受上下文影响而失效：扩散大语言模型的安全祝福及其失效模式
机构 * Torr Vision Group, University of Oxford（牛津大学Torr视觉组） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft（微软）
AI总结 研究探讨了扩散大语言模型（D-LLMs）在生成效率上的优势及其安全特性，发现其扩散生成方式增强了对对抗攻击的抵抗力，但存在上下文嵌套等失效模式，首次成功突破Gemini Diffusion的安全防线。
LaVR：基于大规模4D重建模型的场景潜在条件生成视频轨迹重绘
机构 * Meta ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文提出LaVR模型，通过利用大规模4D重建模型的潜在空间中的隐式几何知识，解决视频重绘中几何未条件化模型的空间感知不足和几何条件化模型对深度不准确的依赖问题，实现状态-of-the-art结果。
变换器可以解决连续时间下的非线性和非马尔可夫过滤问题，条件为高斯信号
机构 * Department of Mathematics, University of Oxford（牛津大学数学系） ； Oxford Man Institute for Quantitative Finance, University of Oxford（牛津大学牛津曼量化金融研究所） ； Department of Mathematics, McMaster University（麦克马斯特大学数学系） ； Vector Institute（向量研究所）
AI总结 本文提出filterformers模型，通过自定义注意力机制近似实现非马尔可夫且条件高斯信号过程的条件分布，解决了随机过滤问题的理论基础。
所有替代都是局部的
机构 * Independent Researcher（独立研究员） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究信息源如何影响决策价值，发现局部边界决定替代性，非边界处信息协作。
Sven：奇异值下降作为计算高效的自然梯度方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； The NSF Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所） ； University of Oxford（牛津大学） ； Institut des Hautes Études Scientifiques（高等科学研究所） ； CEA Paris-Saclay（巴黎-萨克雷CEA）
AI总结 Sven是一种基于损失函数自然分解的神经网络优化算法，通过截断奇异值分解实现高效参数更新，优于传统自然梯度方法，在回归任务中优于Adam，且比LBFGS更高效。
超越拉普拉斯和高斯：探索通用高斯机制用于隐私机器学习
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
AI总结 本文研究了通用高斯机制在隐私保护机器学习中的应用，证明其满足差分隐私，并在PATE和DP-SGD中验证了其有效性，表明高斯机制在可计算范围内表现优异。
去混淆分数与因果效应估计中的弱重叠
机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； Ellison Institute of Technology（埃里森技术研究所） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出去混淆分数以改善因果效应估计中的重叠问题，通过最小化重叠分歧并推导广义线性模型下的闭式表达式，验证了前瞻性分数在该类中的最优性。
Comments To appear at AISTATS 2026
无逆稀疏变分高斯过程
机构 * University of Oxford（牛津大学） ； University of Bristol（布里斯托大学）
AI总结 本文提出无逆稀疏变分高斯过程方法，通过改进的界和自然梯度更新，提升稳定性与收敛性，适用于大规模并行硬件，实验证明其在回归和分类任务中性能优异。
Comments Accepted to AISTATS 2026. 20 pages, 3 figures, 2 tables
超越图像：结合心电图与解剖知识的晚期钆增强图像心肌瘢痕分割
机构 * School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院） ； Department of Cardiology, Trent Cardiac Centre, Nottingham City Hospital, Nottingham University Hospitals NHS Trust（诺丁汉大学医院NHS信托基金诺丁汉市医院特伦特心脏中心心脏病科） ； School of Medicine, University of Nottingham（诺丁汉大学医学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 本文提出一种融合心电图电生理信息与AHA-17解剖先验的多模态框架，通过时间感知特征融合机制提升晚期钆增强图像中心肌瘢痕分割的准确性与鲁棒性。
Comments oral presentation at International Symposium on Biomedical Imaging (ISBI 2026)
E-Scores用于生成模型输出的正确性评估
机构 * Microsoft Research（微软研究院） ； University of Oxford（牛津大学）
AI总结 本文提出E-Scores作为生成模型输出正确性评估的补充方法，通过e值提高评估的可靠性，并在不同正确性形式下验证其有效性。
Comments International Conference on Artificial Intelligence and Statistics (AISTATS), 2026
基于核化Stein差异的纯假设检验用于非均匀随机图模型
机构 * University of Oxford（牛津大学） ； Lahore College for Women University（拉合尔女子大学）
AI总结 本文提出一种基于核化Stein差异的检验方法，用于非均匀随机图模型，仅需单个网络观测即可检验模型拟合，适用于任意大小的网络，尤其适用于小网络，且提供理论保证。
Comments 53 pages, 21 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