高校专区
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。
视频生成模型的推理时间物理对齐：基于潜在世界模型
机构 * FAIR, Meta Superintelligence Labs ； University of Oxford ； Mila - Qu\' e bec AI Institute ； Columbia University ； McGill University ； Canada CIFAR AI Chair
AI总结 本文提出WMReward方法，通过潜在世界模型提升视频生成的物理合理性，实验表明在多个生成设置中显著提高物理合理性，并在ICCV 2025挑战中取得第一名。
Comments 22 pages, 10 figures
Carré du champ flow matching: 更好的质量-泛化权衡在生成模型中
机构 * Institute of Artificial Intelligence（人工智能研究所） ； Medical University of Vienna（维也纳医科大学） ； University of Oxford（牛津大学） ； AITHYRA ； EPFL（苏黎世联邦理工学院）
AI总结 Carré du champ flow matching通过几何感知噪声改进生成模型的质量-泛化权衡，适用于数据稀缺和非均匀采样场景。
梯度是全部需要吗？如何将基于共识的优化解释为梯度下降的随机松弛
机构 * University of Oxford, Mathematical Institute（牛津大学数学研究所） ； Deeptech Consulting（德普科技咨询） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系） ； Technical University of Munich, School of Computation, Information and Technology, Department of Mathematics（慕尼黑技术大学计算、信息与技术学院数学系） ； Munich Center for Machine Learning Munich Data Science Institute（慕尼黑机器学习中心慕尼黑数据科学研究所）
AI总结 本文将基于共识的优化解释为梯度下降的随机松弛，揭示其在非凸优化中的全局收敛性及对能量壁垒的克服能力。
Comments 49 pages, 5 figures
Sapling-NeRF: 用于森林生态监测的地理定位幼树重建
机构 * Oxford Robotics Institute, Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学机器人研究所、工程科学系、牛津大学、牛津、英国） ； Group of Automation, Robotics and Computer Vision, University of Alicante, Alicante, Spain（自动化、机器人与计算机视觉小组、阿尔瓦登特大学、阿尔瓦登特、西班牙） ； Department of Biology, University of Oxford, Oxford, UK（生物学系、牛津大学、牛津、英国）
AI总结 本文提出Sapling-NeRF方法，结合NeRF、LiDAR SLAM和GNSS，实现地理定位的幼树重建，提升森林生态监测的精度和长期数据采集能力。
在对抗模仿学习中发现算法
机构 * University of Oxford（牛津大学） ； Singapore Management University（新加坡管理大学） ； IIIT Hyderabad（海得拉巴印度理工学院）
AI总结 本文提出DAIL算法，通过数据驱动方法发现奖励分配函数，实现更稳定的对抗模仿学习性能。
Comments Accepted at ICLR 2026 (Poster)
Dyslexify: 一种针对CLIP中印刷攻击的机制性防御
机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； University of Oxford（牛津大学） ； Technological University Dublin（都柏林技术大学） ； Technische Universität Berlin（柏林技术大学）
AI总结 Dyslexify通过消融CLIP中的印刷电路，有效防御印刷攻击，提升性能并保持应用安全性。
基于拓扑信息的AI基础模型实现全球河流预报
机构 * College of Water Sciences, Beijing Normal University, Beijing, China（北京师范大学水科学学院） ； School of Geography and the Environment, University of Oxford, Oxford, UK（牛津大学地理与环境学院） ； Department of Transdisciplinary Science and Engineering, Institute of Science Tokyo, Tokyo, Japan（东京科学研究所跨学科科学与工程系） ； School of Systems Science, Beijing Normal University, Beijing, China（北京师范大学系统科学学院） ； Institute of Industrial Science, University of Tokyo, Tokyo, Japan（东京大学工业科学研究所） ； China Institute of Water Resources and Hydropower Research, Beijing, China（中国水利水电科学研究院） ； State Key Laboratory of Hydro-Science and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing, China（清华大学水利科学与工程国家重点实验室） ； School of Artificial Intelligence, Beijing Normal University, Beijing, China（北京师范大学人工智能学院） ； School of Water Resources and Hydropower Engineering, Wuhan University, Wuhan, China（武汉大学水利水电学院）
AI总结 GraphRiverCast通过拓扑信息和物理对齐的神经操作符架构，实现了全球河流系统的系统性水动力模拟，无需历史数据即可进行稳健预测。
Comments 26 pages, 5 figures, 3 extended data tables, 3 extended data figures
VAE-MS：一种用于突变特征提取的非对称变分自编码器
机构 * Center for Clinical Data Science（临床数据科学中心） ； Aalborg University（奥胡斯大学） ； Aalborg University Hospital（奥胡斯大学医院） ； Nuffield Department of Surgical Sciences（外科科学努尔菲尔德部门） ； University of Oxford（牛津大学） ； Nuffield Department of Women’s and Reproductive Health（妇女和生殖健康努尔菲尔德部门）
AI总结 VAE-MS通过结合非对称架构和概率方法，提升了突变特征提取的准确性和泛化能力。
Comments Keywords: Variational Autoencoders, Mutational Signatures
OMNI-LEAK：协调多智能体网络引发的数据泄露
机构 * University of Oxford（牛津大学）
AI总结 OMNI-LEAK攻击通过多智能体协调设置中的单个提示注入泄露敏感数据，揭示了多代理系统在数据安全方面的关键漏洞。
Comments Preprint; corrected typos
分阶段强化学习与后悔景观的几何
机构 * Timaeus（泰缪斯） ； University of Oxford（牛津大学）
AI总结 该研究提出通过局部学习系数分析强化学习的后悔景观几何，揭示了深度强化学习中策略分阶段发展的机制。
Comments 48 pages, 10 figures
基于变换器神经网络架构的量子反馈控制
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Max Planck Institute for the Science of Light（光科学研究所） ； School of Physics, Trinity College Dublin（都柏林三一学院物理学院） ； Department of Physics, King’s College London（伦敦国王学院物理系）
AI总结 本文提出利用变换器神经网络实现量子反馈控制，通过监督和强化学习方法，展示了其在状态稳定化和非可积分多体系统能量最小化中的应用，具有高保真度和实时控制能力。
Comments 9 pages, 4 figures
Journal ref Phys. Rev. Research 8, L012043, Published 24 February, 2026
循诊断轨迹：基于视觉认知的协作网络用于胸部X光诊断
机构 * College of Computer Science, Northwest University（西北大学计算机学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院） ； Department of PET/CT, The First Affiliated Hospital of Xi’an Jiaotong University（西安交通大学第一附属医院PET/CT科）
AI总结 本文提出基于视觉认知的协作网络VCC-Net，通过整合放射科医生的视觉搜索轨迹和注意力模式，提升胸部X光诊断的准确性和可解释性。
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
BioX-Bridge：生物信号跨模态知识迁移的模型桥接
机构 * Department of Engineering Science University of Oxford（工程科学系 奥克大学）
AI总结 BioX-Bridge通过轻量级桥接网络实现生物信号跨模态无监督知识迁移，显著减少可训练参数并提升迁移性能。
通过反向传播编程：在微调LLMs时，一条指令的价值相当于100个示例
机构 * FLAIR, University of Oxford（FLAIR，牛津大学） ； Cohere & Cohere Labs（Cohere及Cohere实验室） ； Anthropic ； UCL AI Centre（UCL人工智能中心） ； MIT（麻省理工学院）
AI总结 通过反向传播编程（PBB）使LLMs能从声明性指令中学习程序性知识，提升训练效率并减少对大量示例的依赖。
我们何时可以信任不可信的监控？跨合谋策略的安全案例草图
机构 * LASR Labs（LASR实验室） ； University of Oxford（牛津大学） ； University of Wyoming（怀俄明大学） ； Imperial College London（伦敦帝国学院） ； UK AI Security Institute（英国人工智能安全研究所）
AI总结 本文提出了一种跨合谋策略的安全案例草图，探讨了不可信监控的安全性问题，分析了不同合谋策略的有效性，并指出了未解决的挑战。
Comments 66 pages, 14 figures, Preprint
打破代理骨干：评估AI代理中骨干LLM的安全性
机构 * Lakera AI ； ETH Zürich（苏黎世联邦理工学院） ； UK AI Security Institute（英国人工智能安全研究所） ； OATML, University of Oxford（OATML，牛津大学）
AI总结 本文提出威胁快照框架，用于评估AI代理中LLM骨干的安全性，通过构建$b^3$基准测试揭示LLM安全性的关键影响因素。
Comments Julia Bazinska and Max Mathys contributed equally
分布外检测中的隐形大猩猩效应
机构 * Department of Engineering Science, University of Oxford（工程科学系，牛津大学）
AI总结 本文发现分布外检测中存在隐形大猩猩效应，即当异常检测对象与模型感兴趣区域在视觉上相似时，检测性能会提高，揭示了OOD检测中的潜在失败模式。
Comments Accepted at CVPR 2026
MultiDiffSense: 基于扩散的多模态视觉-触觉图像生成，基于物体形状和接触姿态
机构 * Department of Bioengineering, Imperial-X Initiative, Imperial College London（生物工程系、Imperial-X计划、帝国理工学院伦敦分校） ； CAMS-Oxford Institute, University of Oxford（CAMS-牛津研究所、牛津大学）
AI总结 MultiDiffSense是一种基于扩散的多模态视觉-触觉图像生成模型，通过双条件化实现可控且物理一致的多模态生成，提升了触觉传感数据集的生成效率和跨模态学习能力。
Comments Accepted by 2026 ICRA
语言模型中的注意力缺陷：对程序性幻觉的因果解释
机构 * Hassana Labs（Hassana 实验室） ； University of Oxford（牛津大学）
AI总结 语言模型在执行复杂流程时出现程序性幻觉，研究发现其源于回答模式未激活或候选选择偏差，通过干预可显著提升远距离绑定准确性。
猛禽飞行动力学的可解释数据驱动模型
机构 * Department of Biology, University of Oxford（牛津大学生物学系） ； The Alan Turing Institute（艾伦·图灵研究所） ； Department of Cyrospheric and Atmospheric Sciences, University of Innsbruck（因斯布鲁克大学大气科学系） ； Autodesk Research（Autodesk研究）
AI总结 本文提出了一种基于动态模式分解的数据驱动模型，用于解释猛禽飞行动力学，通过分析运动捕捉数据揭示飞行动作的可解释模式结构。
Comments 16 pages, 4 figures
预训练网络中的激活空间不确定性量化
机构 * Department of Engineering, University of Cambridge, Cambridge, UK（剑桥大学工程系） ； Mathematical Institute（数学研究所） ； Oxford-Man Institute, University of Oxford, Oxford, UK（牛津大学奥克斯曼研究所）
AI总结 GAPA通过在激活空间中提供闭合形式的epistemic方差，实现了预训练网络的高效不确定性量化，无需采样或反向传播。
MedVAR：通过下一步尺度自回归预测实现可扩展和高效的医学图像生成
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 MedVAR通过下一步尺度自回归预测方法，实现了高效且可扩展的医学图像生成，为医学生成基础模型提供了新的方向。
Comments 23 pages, 8 figures
通过任务空间的提升实现自我改进
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； University of Oxford（牛津大学）
AI总结 ExIt通过自适应课程强化学习方法，使大语言模型在推理时实现多步骤自我改进，提升任务性能。
Comments TMLR, February 2026
深度在大语言模型中的诅咒
机构 * Westlake University（西湖大学） ； Emory University（埃默里大学） ； Dalian University of Technology（大连理工大学） ； University of Surrey（萨里大学） ； University of Oxford（牛津大学）
AI总结 本文提出LayerNorm Scaling方法，通过缩放输出方差缓解深度诅咒，提升大语言模型的预训练和微调性能。
Comments Accepted by NeurIPS 2025
全局指挥官与局部执行者：一种双智能体框架用于场景导航
机构 * National University of Singapore（新加坡国立大学） ； Simon Fraser University（西蒙弗雷泽大学） ； University of Oxford（牛津大学）
AI总结 DACo提出双智能体框架，通过解耦全局推理与局部执行，提升复杂环境中长时序导航的稳定性和性能。
Comments 18 pages, 9 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