高校专区
扩散语言模型训练中的规划感知路径学习
机构 * Duke University（杜克大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； California Institute of Technology（加州理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Oxford（牛津大学） ； AITHYRA ； Imperial College London（伦敦帝国学院）
AI总结 本文提出PAPL，一种通过规划感知路径学习提升扩散语言模型训练与推理一致性的方法，实现跨领域性能提升。
Comments Camera ready version for ICLR2026
RAG-Driver: 多模态大语言模型中基于检索的可泛化驾驶解释
机构 * University of Oxford（牛津大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
AI总结 RAG-Driver通过检索增强的上下文学习，实现高性能、可解释和可泛化的自动驾驶系统。
Comments 14 pages, 6 figures
Journal ref Robotics: Science and Systems (RSS) 2024
迈向理解潜意识学习：何时以及如何隐藏偏见转移
机构 * University of Freiburg（弗赖堡大学） ； University of Oxford（牛津大学） ； WhiteBox
AI总结 研究探讨了语言模型在蒸馏过程中潜意识学习的机制，发现早期层的微调足以引发隐藏偏见的转移，并指出该现象对提示改写敏感。
Comments ICLR 2026
基于掩码扩散模型采样的路径规划
机构 * Duke University（杜克大学） ； Atom Bioworks（Atom生物工坊） ； Mila – Québec AI Institute（魁北克AI研究院） ； Université de Montréal（蒙特利尔大学） ； The University of Oxford（牛津大学） ； Aithyra（Aithyra公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出路径规划策略，通过规划和去噪两个阶段提升掩码扩散模型的生成质量，实验表明在多个领域均取得显著改进。
面向移动操作的风险感知强化学习
机构 * Oxford Robotics Institute, Department of Engineering Science, University of Oxford（牛津大学机器人研究所、工程科学系、牛津大学） ； Dyson Institute of Engineering & Technology（戴森工程与技术研究所） ； Bristol Robotics Laboratory, School of Engineering, University of West England（布里斯托尔机器人实验室、工程学院、西英格兰大学）
AI总结 本文提出了一种基于风险感知的强化学习方法，通过分布强化学习和模仿学习，实现移动操作中的风险敏感决策与策略蒸馏。
站在巨人肩膀上：通过多教师蒸馏重新思考EEG基础模型预训练
机构 * Department of Engineering Science, University of Oxford（工程科学系，牛津大学）
AI总结 本文提出MTDP框架，通过多教师蒸馏预训练EEG基础模型，提升模型性能并减少预训练数据需求。
NOVA3R：非像素对齐的视觉变换器用于模态3D重建
机构 * 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） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学）
AI总结 NOVA3R通过非像素对齐的视觉变换器实现更准确的3D重建，解决了传统像素对齐方法在处理可见和不可见点及重叠区域结构上的局限。
Comments Accepted to ICLR 2026. Project Page: https://wrchen530.github.io/nova3r
从词到世界：大型语言模型能否作为隐式的基于文本的世界模型？
机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft Research（微软研究院） ； University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Oxford University（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Fudan University（复旦大学） ； Mind Lab
AI总结 本文研究了大型语言模型在基于文本的环境中作为世界模型的可行性，通过三个评估层面验证了其在提升智能体性能方面的有效性，并明确了环境复杂性和行为覆盖对世界建模效果的影响。
学习物理系统：通过Dirac结构进行配分的配分
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系）
AI总结 本文提出预配分网络（PSNs），通过Dirac结构学习配分提升，恢复非退化对称几何，实现受约束耗散系统的几何机器学习模型。
Comments Presented at Equivariant Systems: Theory and Applications in State Estimation, Artificial Intelligence and Control, Robotics: Science and Systems (RSS) 2025 Workshop, 6 Pages, 3 Figures
通过熵流计算推导马尔可夫算法的泛化界限
机构 * INRIA - Département d’Informatique de l’Ecole Normale Supérieure（法国国家信息与自动化技术研究所-巴黎高等师范学院计算机系） ； PSL Research University - CNRS（巴黎综合理工研究学院-法国国家科学研究中心） ； Department of Statistics, University of Oxford（牛津大学统计学系）
AI总结 本文通过熵流方法推导出马尔可夫算法的泛化界限，扩展了其适用范围至所有由时间齐次马尔可夫过程支配的算法。
可学习的稀疏性用于视觉生成模型
机构 * National University of Singapore（新加坡国立大学） ； RWTH Aachen University（亚琛工业大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种无需重新训练的扩散模型剪枝方法，通过学习可微掩码和时间步梯度检查点技术，实现高效参数压缩与性能保持。
Comments Project page: https://yangzhang-v5.github.io/EcoDiff
EgoWorld：利用丰富的外参照观测将外参照视角转换为自身参照视角
机构 * AI Lab, LG Electronics（LG电子人工智能实验室） ； KAIST（韩国科学技术院） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
AI总结 EgoWorld通过重建丰富的外参照观测来实现外参照到自身参照视角的转换，展示了在增强现实、虚拟现实和机器人应用中的先进性能和鲁棒性。
Comments Accepted by ICLR 2026. Project Page: https://redorangeyellowy.github.io/EgoWorld/
UniG2U-Bench: 统一模型是否能提升多模态理解？
机构 * Microsoft Research Asia（微软亚洲研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； University of Oxford（牛津大学）
AI总结 UniG2U-Bench通过系统评估生成到理解的任务，揭示统一模型在多模态理解中的局限性和改进方向。
几何结构与James对称正定矩阵双锥域中的偏差
机构 * Department of Computer Science University of Oxford, UK（计算机科学系 奥克斯福德大学） ； Sony Computer Science Laboratories Inc.（索尼计算机科学实验室）
AI总结 本文提出两种新的几何结构，基于James的双锥重新参数化，用于改进SPD矩阵空间中的测地线性质和相似性度量。
Comments 35 pages, 4 figures
面向流形的去噪分数匹配（MAD）
机构 * Department of Statistics University of Oxford（牛津大学统计系） ； Department of Mathematics, Imperial College London, London, United Kingdom（伦敦帝国理工学院数学系）
AI总结 本文提出了一种面向流形的去噪分数匹配方法，通过分解分数函数来隐式考虑流形，从而减少计算负担并提高效率。
CREPE：通过复制交换控制扩散模型
机构 * University of Cambridge（剑桥大学） ； Technical University of Denmark（丹麦技术大学） ； University of Oxford（牛津大学） ； Cornell University（康奈尔大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Xaira Therapeutics（Xaira制药公司）
AI总结 CREPE通过复制交换算法在推理过程中控制扩散模型，实现样本生成的高多样性与在线优化，适用于多种任务并优于传统SMC方法。
Comments Accepted to ICLR 2026
基于物理的机器学习闭合关系和壁模型用于高超声过渡-连续边界层预测
机构 * Department of Aerospace and Mechanical Engineering, University of Notre Dame（航空航天与机械工程系，圣约翰大学） ； Department of Mechanical and Aerospace Engineering, University of California, Irvine（机械与航空航天工程系，加州大学伊维德分校） ； Mathematical Institute, University of Oxford（数学研究所，牛津大学）
AI总结 本文提出基于物理的机器学习闭合关系和壁模型，用于提升高超声过渡-连续边界层预测的准确性。
Journal ref Physical Review Fluids 11, 033402 (2026)
几何核包：用于流形、网格和图上几何学习的热核和Matérn核
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所） ； Cornell University（康奈尔大学） ； ETH Zürich and University of Edinburgh（苏黎世联邦理工学院和爱丁堡大学）
AI总结 GeometricKernels 是一个用于几何学习的Python包，实现了热核和Matérn核，支持在流形、网格和图上进行不确定性量化和自动微分。
Journal ref Journal of Machine Learning Research, 2025
深度学习在金融时间序列中的应用：一种大规模的风险调整性能基准测试
机构 * Machine Learning Research Group, Department of Engineering Science, University of Oxford（牛津大学工程科学系机器学习研究组） ； Oxford-Man Institute of Quantitative Finance, University of Oxford（牛津大学量化金融研究所）
AI总结 本文通过大规模基准测试，发现专门学习丰富时间表示的模型在金融时间序列预测中表现更优，尤其在夏普比率和交易成本方面具有优势。
Comments 43 pages, 27 figures, 11 tables
球形潜在动作先验用于基于物理的人形机器人控制
机构 * The Hong Kong University of Science（香港科学与技术大学） ； University of Oxford, Oxford, United Kingdom（牛津大学）
AI总结 SLMP通过两阶段方法学习动作先验，利用蒸馏、判别器和语义一致性约束构建结构化潜在空间，实现稳定随机采样和物理合理的行为生成。
奖励模型继承预训练中的价值偏见
机构 * Department of Experimental Psychology, University of Oxford（心理学系，牛津大学） ； Department of Computer Science, University of Oxford（计算机科学系，牛津大学） ； AI/ML Research Group, Universitat Pompeu Fabra（人工智能/机器学习研究组，庞培法华大学） ； Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学）
AI总结 本研究发现奖励模型继承预训练模型的价值偏见，影响其对代理和共融的偏好，揭示了预训练阶段对安全和对齐的重要性。
Journal ref International Conference on Learning Representations (ICLR), 2026
ResCP：用于时间序列预测的水库置信区间预测
机构 * UiT the Arctic University of Norway（UiT北极大学） ； IDSIA USI-SUPSI, Università della Svizzera italiana（IDSIA瑞士联合大学） ； University of Oxford（牛津大学） ； NORCE Norwegian Research Centre AS（挪威研究机构）
AI总结 ResCP通过水库计算实现无训练时间序列预测的置信区间方法，有效处理局部时间动态并保持计算效率。
Comments ICLR 2026
SymGPT：通过结合符号执行与大语言模型审计智能合约
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Connecticut（康涅狄格大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； SKLP, Institute of Computing Technology, Chinese Academy of Sciences（SKLP，计算技术研究所，中国科学院）
AI总结 SymGPT结合符号执行与大语言模型，自动检测智能合约的ERC规则违规，识别出大量潜在安全漏洞。
Comments 34 pages. arXiv admin note: text overlap with arXiv:2404.04306
解耦动态丰富性与表示学习：迈向实用测量
机构 * Oxford University（牛津大学） ； Seoul National University（首尔国立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出了一种计算高效且性能无关的丰富性度量标准，用于分析动态丰富性与表示学习之间的关系，并探讨了训练因素对丰富性的影响。
Comments Published at ICLR 2026
数字陪伴：AI陪伴与AI助手的重叠使用
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。
Comments Final version with incorporated reviewer comments
为LLM推理稳定化策略梯度以实现样本高效的强化学习
机构 * OATML, University of Oxford（OATML，牛津大学） ； OXCAV, University of Oxford（OXCAV，牛津大学）
AI总结 CAPO通过曲率感知优化提升LLM推理的样本效率和稳定性
Comments Published at ICLR 2026
FORCE：通过特征过度依赖校正实现可转移的视觉劫持攻击
机构 * Sydney AI Centre, The University of Sydney（悉尼人工智能中心，悉尼大学） ； Department of Engineering Science, University of Oxford（工程科学系，牛津大学）
AI总结 FORCE方法通过校正特征过度依赖，提升视觉劫持攻击的跨模型可转移性。
Comments Accepted by CVPR 2026
行动胜于提示：大型语言模型在图推断中的大规模研究
机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院）
AI总结 研究通过大规模评估揭示LLM在图推断中的表现，发现代码生成在长文本图中表现最佳，异质图上交互策略仍有效，且方法能灵活适应不同输入类型。
EquiReg：等变正则化扩散用于逆问题
机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine, Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； Neuroscience and Mental Health Institute, University of Alberta（阿尔伯塔大学神经科学与心理健康研究所） ； New York University（纽约大学） ； California Institute of Technology（加州理工学院） ； University of Oxford（牛津大学）
AI总结 EquiReg通过正则化扩散模型提升逆问题求解，有效引导采样向保持对称性的区域，提升图像修复和偏微分方程求解质量。
基于经验的自适应级联代理用于乳腺癌筛查与诊断以减少活检指征
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Department of Computer Science, Khalifa University（卡利法大学计算机科学系）
AI总结 基于经验的自适应级联代理框架用于乳腺癌筛查与诊断，通过减少诊断升级和活检指征提升诊断特异性。
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