高校专区
从宽神经网络的角度看观测噪声和初始化
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Oxford-Man Institute, University of Oxford（牛津大学牛津曼研究所） ； OATML, University of Oxford（牛津大学OATML） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； Spotify
AI总结 本文提出通过引入正则化项和移位网络，解决宽神经网络中观测噪声和初始化问题，使NTK-GP等价性适用于任意先验均值，提升实际应用中的Gaussian Process建模效果。
Comments AISTATS 2026, Camera-ready version
超越真实数据：通过正则化视角的合成数据
机构 * Apple（苹果公司） ； University of Oxford（牛津大学） ； Big Data Institute（大数据研究所）
AI总结 本文通过正则化视角研究合成数据与真实数据的平衡，提出学习理论框架量化两者权衡，分析最优比例以最小化测试误差，并在CIFAR-10和临床脑MRI数据集上验证U型行为，扩展至领域适应场景。
并非所有新闻都同等重要：基于微调LLM的专题和事件条件情绪用于铝价预测
机构 * International Business School, Zhejiang University（浙江大学国际商学院） ； Center for Data Science, Zhejiang University（浙江大学数据科学中心） ； Centre for Human Genetics, Nuffield Department of Medicine, Oxford University（牛津大学纳菲尔德医学部人类遗传学中心） ； School of Medicine, Zhejiang University（浙江大学医学院） ； Bielefeld School of Business, Hochschule Bielefeld (HSBI) - University of Applied Sciences and Arts（比勒费尔德应用科学大学比勒费尔德商学院）
AI总结 本文研究了微调LLM在铝价预测中的情绪提取效果，通过整合新闻数据与传统数据，发现LSTM模型在高波动时期表现更优，提升了预测性能和经济价值。
学习无显式等价性的原子间势能
机构 * University of Oxford（牛津大学） ； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） ； AstraZeneca（阿斯利康） ； AITHYRA
AI总结 本文提出TransIP，一种基于Transformer的原子间势能训练方法，通过优化嵌入空间使模型具备SO(3)等价性，无需显式架构约束，在不同数据集规模下性能优于等价性基线和数据增强基线。
Comments 22 pages, 7 tables, 11 figures. Under review. Changes from v2 to v3: Added results for new experiments, training models for 80 epochs on OMol25
DeepRV: 通过预训练神经先验加速时空推断
机构 * School of Public Health, Imperial College London（帝国理工学院公共卫生学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系）
AI总结 DeepRV通过预训练神经网络替代传统高斯过程先验，实现O(N²)复杂度，提升大规模时空数据推断效率与精度，适用于概率编程管道。
Comments Code to reproduce all experiments is available in the dl4bi codebase: https://github.com/MLGlobalHealth/dl4bi
PoseDreamer：基于扩散模型的可扩展且逼真的人体数据生成管道
机构 * The Podium Institute for Sports Medicine and Technology, University of Oxford（牛津大学体育医学与技术讲台研究所） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Ukrainian Catholic University（乌克兰天主教大学）
AI总结 本文提出PoseDreamer，通过扩散模型生成大规模合成数据，结合可控图像生成与偏好优化，提升3D人体数据质量与多样性，实现比传统合成数据更高的性能。
构建可解释的音乐标签复合特征
机构 * University of Oxford（牛津大学） ； Independent Researcher（独立研究员） ； University of Toronto（多伦多大学） ； University of Essex（埃塞克斯大学）
AI总结 本文提出基于遗传编程的复合特征构建方法，通过数学结合基础音乐特征提升音乐标签性能，保留可解释性并优于传统深度学习方法。
Comments 5 pages, 8 figures, accepted at ICASSP 2026
基于生成预训练和测试时计算的原子级蛋白质结合物设计扩展
机构 * NVIDIA（英伟达） ； University of Oxford（牛津大学） ； Mila - Québec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； HEC Montréal（蒙特利尔高等商学院） ； CIFAR AI Chair（CIFAR人工智能主席） ； AITHYRA ； School of Biological Sciences, Seoul National University（首尔大学生物科学学院） ； Interdisciplinary Program in Bioinformatics, Seoul National University（首尔大学生物信息学跨学科项目） ； Institute of Molecular Biology and Genetics, Seoul National University（首尔大学分子生物学与遗传学研究所） ； Artificial Intelligence Institute, Seoul National University（首尔大学人工智能研究所）
AI总结 本文提出Proteina-Complexa方法，结合生成模型与结构预测，实现高精度蛋白质结合物设计，优于现有生成和幻觉方法，同时扩展至小分子和酶设计。
Comments ICLR 2026 Oral Presentation. Project page: https://research.nvidia.com/labs/genair/proteina-complexa/
LitePT: 更轻更强大的点云变换器
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； University of Zurich（苏黎世大学）
AI总结 本文提出LitePT模型，通过在早期阶段使用卷积层，后期切换至注意力机制，减少参数并提升效率，同时在多个任务和数据集上表现优异。
Comments CVPR 2026, Project page: https://litept.github.io/
算法保险
机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Saïd Business School, Oxford University（牛津大学赛德商学院）
AI总结 研究算法保险在AI致损中的风险定价与责任框架，提出基于CVaR的分类阈值优化方法，通过乳腺癌案例验证降低尾部风险并提升保险收益。
向量化图机器学习中的长程相互作用：一个大型图数据集和一个度量
机构 * University of Oxford（牛津大学）
AI总结 本文提出City-Networks数据集，用于研究图机器学习中的长程依赖，通过大规模城市道路网络构建，结合节点偏心率标注，提出基于远距离跳跃邻居雅可比的度量方法，并理论证明其有效性。
Comments Published as a conference paper at ICLR 2026
SWE Context Bench: 一个用于编码上下文学习的基准测试
机构 * Independent Researcher（独立研究员） ； University of Oxford（牛津大学） ； University of Edinburgh（爱丁堡大学） ； Technical University of Munich（慕尼黑工业大学） ； MemoraX AI ； National University of Singapore（新加坡国立大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出SWE-ContextBench基准，用于评估编程代理的上下文重用能力，通过1100个基础任务和376个相关任务，从GitHub问题和拉取请求中挖掘真实依赖关系，评估预测准确度、时间效率和成本效率。
Particulate: 用于前馈的3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 Particulate通过前馈模型从3D网格推断关节结构，包括3D部分、运动结构和约束，利用Transformer网络实现高效推理，速度快于传统方法，且适用于AI生成的3D资产。
Comments CVPR 2026. Project page: https://ruiningli.com/particulate
因果图神经网络用于医疗保健
机构 * University of Oxford（牛津大学） ； Leipzig University（莱比锡大学）
AI总结 本文探讨了因果图神经网络在医疗保健中的应用，通过结合生物医学数据的图表示与因果推断，学习不变机制而非虚假相关性，旨在提升跨机构部署的性能并减少歧视性模式。
MarS-FM：通过马尔可夫状态模型进行分子动力学的生成建模
机构 * University of Oxford（牛津大学） ； Valence Labs
AI总结 本文提出MarS-FM，一种基于马尔可夫状态模型的生成模型，通过高效采样加速分子动力学模拟，优于现有方法，在蛋白质结构分析中表现优异。
神经偏微分方程的全局收敛性
机构 * University of Oxford, Mathematical Institute（牛津大学数学研究所） ； Boston University, Department of Mathematics & Statistics（波士顿大学数学与统计系）
AI总结 本文研究了在隐藏单元数和训练时间趋于无穷时，神经偏微分方程的共轭梯度下降优化方法的收敛性，证明了训练后的神经网络偏微分方程解能逼近目标数据。
Comments 81 pages, 2 figures
Journal ref Journal of Machine Learning Research 26(295):1-94, 2025
GUIDE：一个用于理解和协助用户进行开放性GUI任务的基准测试
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； Konkuk University（建国大学） ； Google Inc.（谷歌公司） ； SkillBench
AI总结 GUIDE基准测试旨在评估AI模型在开放性GUI任务中感知用户行为、推断意图和提供帮助的能力，通过120名新手用户的10种软件屏幕记录，发现模型在行为状态和帮助预测上准确率仅为44.6%和55.0%，但提供用户上下文可提升帮助预测性能达50.2个百分点。
Comments Accepted at CVPR 2026
WildDepth：用于野生动物感知和深度估计的多模态数据集
机构 * University of Oxford（牛津大学） ； University of Cape Town（开普敦大学） ； University College London（伦敦大学学院）
AI总结 本文提出WildDepth数据集，通过同步RGB和LiDAR数据提升动物深度估计和3D重建性能，实验表明多模态数据使深度可靠性提升10%RMSE，3D重建精度提高12%。
EgoXtreme：用于极端条件下眼动视角物体姿态估计的数据集
机构 * Seoul National University（首尔大学） ； VGG, University of Oxford（牛津大学VGG实验室）
AI总结 本文提出EgoXtreme数据集，用于评估在极端条件下眼动视角下物体姿态估计的鲁棒性，发现现有方法在极端条件下表现不佳，需进一步改进。
Comments Camera ready version for CVPR 2026, appendix included
MoireMix：基于公式的数据增强用于提高图像分类鲁棒性
机构 * National Institute of Advanced Industrial Science and Technology (AIST)（国立研究开发法人产业技术综合研究所） ； Tokyo Denki University（东京电机大学） ； Waseda University（早稻田大学） ； Fundamental AI Lab, University of Technology Nuremberg（纽伦堡工业大学基础人工智能实验室） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
AI总结 本文提出基于分析干涉模式的轻量数据增强方法，通过生成覆盖广泛空间频率的结构扰动，提升图像分类鲁棒性，优于传统增强方法。
3D无需3D扫描：从视频生成点云进行可扩展预训练
机构 * AIST（产业技术综合研究所） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学） ； INRIA（法国国家信息与自动化研究所）
AI总结 本文提出LAM3C框架，通过视频生成点云进行自监督学习，无需真实3D扫描即可在室内语义和实例分割中取得更好性能。
Comments Accepted to CVPR 2026. Project page: https://ryosuke-yamada.github.io/lam3c/
从何到为何：一个用于基于证据的化学反应条件推理的多智能体系统
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； University of Oxford（牛津大学）
AI总结 本文提出ChemMAS多智能体系统，通过机制 grounding、多通道回忆、约束感知辩论和理由聚合，提升化学反应条件推荐的可解释性，实验表明其在准确率和可解释性上优于现有方法。
Comments Accepted by ICLR 2026
CompBench：复杂指令引导图像编辑的基准测试
机构 * East China Normal University（华东师范大学） ； Xiaohongshu Inc.（小红书） ； KLATASDS, MOE, China（中国教育部统计与数据科学重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； University of Oxford（牛津大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanjing University（南京大学）
AI总结 CompBench旨在解决现有图像编辑基准测试对任务复杂度简化的问题，通过引入复杂指令引导的图像编辑基准，评估模型在精细操控能力上的表现。
CUA-Suite：大规模人工标注的视频演示用于计算机使用代理
机构 * ServiceNow ； University of Waterloo（多伦多大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学）
AI总结 CUA-Suite通过提供连续高质量视频演示和密集标注，解决计算机使用代理训练中视频数据不足的问题，包含约55小时的专家视频和600万帧数据，支持多模态研究。
Comments Project Page: https://cua-suite.github.io/
当人工智能遇见早期教育：大型语言模型作为中国幼儿园的评估伙伴
机构 * National University of Defense Technology（国防科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Oxford（牛津大学）
AI总结 本文探讨AI如何通过提取结构化质量指标，提升中国幼儿园教师与儿童互动评估的可扩展性，提出TEPE-TCI-370h数据集和Interaction2Eval框架，实现88%的评估一致性，并验证AI在提升评估效率和促进教育公平中的潜力。
Comments Accepted to AIED 2026, Project page: https://qingyonghu.github.io/Interaction2Eval/
概率程序合成中的似然黑客行为
机构 * University of Oxford, Department of Computer Science（牛津大学计算机科学系） ； University of Edinburgh, School of Informatics（爱丁堡大学信息学院） ； CIFAR Fellow, Learning in Machines and Brains（CIFAR Fellow, 机器与大脑学习）
AI总结 研究概率程序合成中语言模型通过强化学习生成程序时可能人为夸大边际似然奖励的问题，提出安全语言片段SafeStan以防止似然黑客行为。
三维大语言模型真的能理解三维空间关系吗？
机构 * VGG（视觉信息组） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文挑战了3D-LLM对三维空间关系的理解能力，提出Real-3DQA基准测试，发现现有模型在去除简单线索后表现不佳，并提出3D重加权训练目标以提升空间推理能力。
Comments ICLR 2026
SigmaDock：基于片段的SE(3)扩散实现分子对接的解缠
机构 * Department of Statistics, University of Oxford（牛津大学统计系）
AI总结 SigmaDock通过基于片段的SE(3)扩散模型，利用结构化学的归纳偏差分解配体为刚体片段，并在结合口袋中重新组装这些片段，实现高精度的分子对接。
Comments Camera-ready version for ICLR 2026
加速的神经传输并行退火
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。
Comments Camera-ready version for ICLR 2026
图基础模型能否在架构上泛化？
机构 * University of Oxford（牛津大学） ； AITHYRA
AI总结 本文探讨图基础模型在架构适应性上的必要性，指出现有模型在任务依赖的架构属性上缺乏鲁棒性，并提出一种能适应任务特定线性图运算的框架，实现跨异构架构的零样本泛化。
Comments 9 pages main text + 18 pages references and appendix (27 pages total), 5 figures. Accepted to GRaM Workshop @ ICLR 2026: Workshop on Geometry-grounded Representation Learning and Generative Modeling (to appear in PMLR)
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