高校专区
并发随机游戏的鲁棒验证
机构 * Department of Computer Science, University of Oxford, Oxford OX1 2JD, UK（计算机科学系，牛津大学，牛津 OX1 2JD，英国）
AI总结 本文提出鲁棒并发随机游戏模型及验证框架，用于处理多智能体系统中转移概率的不确定性问题。
Comments Extended version of a paper accepted to TACAS 2026. Main text: 17 pages, 2 figures, 2 tables; Appendix: 37 pages, 3 figures, 3 tables. Minor revisions and clarifications to the appendix; no changes to results
在平滑性约束下的动态角同步
机构 * Department of Mathematics, Ludwig-Maximilians-Universität München（数学系，慕尼黑路德维希-马克西米利安大学） ； Department of Mathematics, University of California Los Angeles（数学系，加州大学洛杉矶分校） ； Department of Statistics & Oxford-Man Institute of Quantitative Finance, University of Oxford（统计系及牛津-曼定量金融研究所，牛津大学） ； Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University（数学科学学院，南洋理工大学） ； Inria Lille（里尔Inria）
AI总结 本文提出在平滑性约束下动态角同步的算法，通过非渐近保证的均方误差收敛性，解决了时间演变中的角度估计问题。
Comments 42 pages, 9 figures. Post publication version. Corrected minor typos in eqs. (3.9), (3.11) and Assumption 3
自我改进作为一致性优化：一种理论解释
机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； UC Berkeley（加州大学伯克利分校） ； George Washington University（乔治华盛顿大学）
AI总结 本文提出一致性优化理论，解释语言模型如何通过自我改进提升准确性，并证明其在半监督学习中的最优性。
Comments 39 pages
『他们偷走了我的GPL授权模型！』：迈向标准化和透明的模型授权
机构 * East China Normal University（华东师范大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出ModelGo分析器和ModelGo许可证，旨在解决模型发布中的许可证合规问题，通过本体推理和灵活的许可证设计提升透明度和标准化。
Comments 12 pages, 8 figures. Accepted for publication in WWW2026 Web4Good
EFX的成本：在少量剩余物品下的广义均值效用与复杂性二元对立
机构 * National University of Singapore（新加坡国立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学）
AI总结 研究探讨了在少量剩余物品情况下，EFX与广义均值效用的复杂性关系，揭示了EFX在不同p值下的计算难度及效用损失。
目标至关重要：微调目标影响安全、鲁棒性和人格漂移
机构 * University of Cincinnati（辛辛那提大学） ； University of Toronto（多伦多大学） ； University of Oxford（牛津大学）
AI总结 本文研究了微调目标对LLM安全性和鲁棒性的影响，发现目标选择在不同训练规模下对安全、鲁棒性和人格漂移有显著影响。
大型语言模型在民族志文本标注中表现不佳
机构 * Calleva Research Centre Oxford Internet Institute University of Oxford（牛津大学奥克斯福德互联网研究所卡列瓦研究中心） ； Cohn Institute for the History and Philosophy of Science and Ideas Tel Aviv University（特拉维夫大学科恩研究所） ； Birkbeck College University of London（伦敦大学伯克贝克学院） ； Centre for the Study of Social Cohesion University of Oxford（牛津大学社会凝聚力研究所以及牛津大学）
AI总结 本研究发现大型语言模型在民族志文本标注任务中表现不佳，无法替代人类专家。
语言模型中的部分推理：由不确定性引导的搜索与细化
机构 * Advanced Knowledge Center for Immersive Technologies (AKCIT)（沉浸式技术高级知识中心） ； Federal University of Goiás, Brazil（巴西戈亚斯联邦大学） ； OATML, University of Oxford（牛津大学OATML）
AI总结 PREGU通过监控输出熵并在不确定时触发局部搜索，提升语言模型在多步骤推理任务中的性能。
一种实现路径特定因果公平性的观察性健康数据管道
机构 * Department of Biomedical Informatics（生物医学信息学系） ； Columbia University（哥伦比亚大学） ； Big Data Institute（大数据研究所） ； University of Oxford（牛津大学）
AI总结 本文提出了一种通用管道，用于训练能够解决直接和间接医疗偏见的因果公平机器学习模型。
DINOv3 是否设定了医学视觉的新标准？对2D和3D分类、分割与配准的基准测试
机构 * Imperial College London（伦敦帝国理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Dresden University of Technology（德累斯顿技术大学） ； University of Erlangen-Nuremberg（埃尔兰根-纽伦堡大学） ； University of Oxford（牛津大学） ； University of Sheffield（谢菲尔德大学） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Yale University（耶鲁大学）
AI总结 DINOv3在医学视觉任务中表现出色，但其在深度领域专门化任务中存在性能退化问题。
Comments Technical Report
通过核条件均值嵌入进行条件分布压缩
机构 * School of Mathematics University of Bristol（数学系 伯明翰大学） ； Mathematical Institute University of Oxford（数学研究所 奥克斯福德大学）
AI总结 本文提出ACKH和ACKIP方法，通过线性时间贪心算法压缩条件分布，实验表明其在条件分布压缩任务中优于联合分布压缩和贪心选择方法。
Comments 76 pages, 32 figures, accepted into NeurIPS 2025
检测有毒交易
机构 * Mathematical Institute, University of Oxford, Oxford, UK（牛津大学数学研究所） ； Oxford-Man Institute of Quantitative Finance, Oxford, UK（牛津-曼定量金融研究所）
AI总结 本文提出了一种基于PULSE的贝叶斯方法，用于实时检测和预测有毒交易，通过神经网络实现高效在线学习，提升盈利并减少损失。
Comments 27 pages, 18 figures
多属性综合
机构 * University of Oxford（牛津大学） ； Rice University（里士满大学）
AI总结 该研究提出了一种多属性综合方法，通过固定点计算和符号算法高效实现最大可实现目标集，显著优于传统枚举方法。
助手轴：定位和稳定语言模型的默认人格
机构 * MATS ； Anthropic Fellows Program ； University of Oxford（牛津大学） ； Anthropic
AI总结 研究发现语言模型的默认人格轴影响行为稳定性，通过限制激活区域可防止人格漂移及对抗性突破。
VAL-Bench：信念一致性作为语言模型价值观对齐的度量标准
机构 * MasterClass ； University of Oxford（牛津大学） ； WhiteBox ； Martian
AI总结 VAL-Bench通过评估语言模型在现实价值相关提示中的信念一致性，提出了一种衡量价值观对齐的新基准，揭示了不同模型在一致性上的显著差异。
循环神经网络在ergodic数据序列上的核极限
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics & Statistics, Boston University（波士顿大学数学与统计学系）
AI总结 该研究发展了RNN在ergodic数据序列上的核极限理论，通过固定点分析和微分方程处理，解决了RNN在大规模数据和隐藏单元下的收敛问题。
Comments Revision in response to reviewers' comments. The mean-field random function has been replaced by a mean-field term. Some typos fixed. Minor title change
OrthoGeoLoRA：用于Web上结构化社会科学概念检索的几何参数高效微调
机构 * University of Surrey（萨里大学） ； Washington State University（华盛顿州立大学） ； University of Oxford（牛津大学） ； New York University Shanghai（纽约大学上海分校） ； University College London（伦敦大学学院）
AI总结 OrthoGeoLoRA通过几何约束改进低秩适应，实现更高效的参数微调，提升社会科学概念检索性能。
测试测试者：由人类驱动的语音AI测试平台质量评估
机构 * Radboud University（拉德堡德大学） ； Unversitat Pompeu Fabra（庞培法拉大学） ； University of Oxford（牛津大学）
AI总结 本文提出首个系统框架，通过人类中心基准测试评估语音AI测试平台的质量，揭示不同平台在模拟和评估质量上的显著差异。
心血管疾病中的成像锚定多组学：整合心脏成像、批量、单细胞和空间转录组学
机构 * International Ph.D. Program in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan ； AIBioMed Research Group, Taipei Medical University, Taipei, Taiwan ； Medical Sciences Division, University of Oxford, Oxford, United Kingdom ； Computational Biology Department, School of Computer Science, Carnegie Mellon University, Pittsburgh, PA, USA ； Department of Computer Science, Emory University, Atlanta, GA, USA ； Department of Chemistry, Emory University, Atlanta, GA, USA ； International Master Program for Translational Science, College of Medical Science ； Technology, Taipei Medical University, Taipei 110, Taiwan ； In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan ； Translational Imaging Research Center, Taipei Medical University Hospital, Taipei, Taiwan
AI总结 本文提出通过整合心脏成像与多组学数据，推动心血管疾病研究的多模态融合方法，提升疾病诊断和治疗的精准性。
基于Web代理的权限声明
机构 * University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Centre for the Governance of AI（人工智能治理中心） ； Coral Protocol（珊瑚协议） ； Cooperative AI Foundation（协作人工智能基金会） ； Webair ； Johns Hopkins University（约翰霍普金斯大学） ； Witan Labs（Witan实验室） ； Stanford University（斯坦福大学） ； Microsoft（微软） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 本文提出 agent-permissions.json，一种轻量级声明，用于规范 Web 代理的交互权限，以提升自动化应用与网站所有者的协调性。
Comments Authored by the Lightweight Agent Standards Working Group https://las-wg.org/
人工智能代理时代的记忆
机构 * Core Supervisors. 0.5em Affiliations: National University of Singapore, Renmin University of China, Fudan University, Peking University, Nanyang Technological University, Tongji University, University of California San Diego, Hong Kong University of Science ； Technology (Guangzhou), Griffith University, Georgia Institute of Technology, OPPO, Oxford University
AI总结 本文系统梳理了人工智能代理记忆的现状与分类，提出了记忆的三种形式、功能分类及动态分析，为未来智能设计提供理论基础。
全球对流层云和热带气旋的三维重建
机构 * University of Oxford（牛津大学） ； Universitat de València（瓦伦西亚大学） ； National Observatory of Athens（雅典国家天文台） ； National Technical University of Athens（雅典技术大学） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； European Space Agency（欧洲航天局） ； Environment and Climate Change Canada（加拿大环境与气候变化部）
AI总结 本文提出一种基于预训练-微调的框架，利用多颗卫星数据实现全球范围内热带气旋的三维云重建，首次实现对强风暴的高精度三维结构重建。
基于学习的多视图立体：综述
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Computer and Communication Sciences, EPFL（苏黎世联邦理工学院计算机与通信科学学院） ； Australian National University（澳大利亚国立大学） ； Microsoft, Zurich（微软（瑞士））
AI总结 本文综述了基于学习的多视图立体方法，重点介绍了基于深度图的方法，并讨论了该领域未来的研究方向。
Comments Accepted to IEEE T-PAMI 2026
什么破坏了基于知识图谱的RAG？对在不完整知识下推理的基准测试和经验洞察
机构 * University of Oslo（奥斯陆大学） ； Bosch Center for AI（博世人工智能中心） ； University of Stuttgart（斯图加特大学） ； Amazon（亚马逊公司） ； University of Oxford（牛津大学） ； The University of Manchester（曼彻斯特大学） ； University of Southampton（南安普顿大学）
AI总结 本文提出BRINK基准测试，揭示了当前KG-RAG方法在知识不完整时推理能力有限，依赖内部记忆且泛化能力各异。
Comments Accepted as a main conference paper at EACL 2026
Jailbreak-AudioBench: 对大型音频语言模型中 jailbreak 威胁的深入评估与分析
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； Xi’an Jiaotong University（西安交通大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Northeastern University（东北大学） ； Beijing University of Technology（北京理工大学）
AI总结 Jailbreak-AudioBench 通过构建工具箱、数据集和基准，深入评估大型音频语言模型中 jailbreak 威胁，并促进安全防护机制的发展。
类脑协同核心在大语言模型中驱动行为与学习
机构 * Department of Computing Imperial College London（帝国理工学院计算机系） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； AI Centre Department of Computer Science University College London（伦敦大学学院人工智能中心） ； Department of Informatics University of Sussex（Sussex大学信息学院） ； Centre for Complexity Science and Center for Psychedelic Research Department of Brain Science Imperial College London（帝国理工学院复杂科学中心和迷幻研究中心） ； Department of Psychiatry and Centre for Eudaimonia and Human Flourishing University of Oxford（牛津大学精神病学系和幸福与人类繁荣中心） ； Division of Information Engineering and St John’s College University of Cambridge（剑桥大学信息工程系和圣约翰学院） ； Montreal Neurological Institute McGill University（麦吉尔大学蒙特利尔神经科学研究所） ； Division of Psychology and Language Sciences University College London（伦敦大学学院心理学与语言科学系）
AI总结 本研究发现大语言模型中自发形成的协同核心与人脑相似，通过学习产生，影响行为与学习性能。
ConstraintLLM: 一种用于工业级约束编程的神经符号框架
机构 * Hangzhou Institute for Advanced Study, UCAS, Hangzhou, China（杭州高等研究院，UCAS，杭州，中国） ； University of Oxford, Oxford, UK（牛津大学，牛津，英国） ； University of Science and Technology Beijing, Beijing, China（北京科技大学，北京，中国） ； SKLCS and Key Laboratory of System Software, ISCAS, Beijing, China（SKLCS和系统软件重点实验室，ISCAS，北京，中国） ； Laboratory of Parallel Software and Computational Science, ISCAS, Beijing, China（并行软件与计算科学实验室，ISCAS，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国）
AI总结 ConstraintLLM是一种专为约束编程设计的神经符号框架，通过引入Constraint-Aware Retrieval Module和Tree-of-Thoughts框架，实现了在工业级约束编程基准上的高性能求解。
Comments Accepted to the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), Main Conference
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 15999-16019
DeePM：面向系统性宏观投资组合管理的鲁棒深度学习
机构 * Oxford-Man Institute & Machine Learning Research Group University of Oxford（牛津-曼彻斯特研究所及机器学习研究组牛津大学） ； Machine Learning Research Group University of Oxford（机器学习研究组牛津大学）
AI总结 DeePM通过解决异步过滤、低信噪比和分布鲁棒性问题，实现了系统性宏观投资组合管理的高风险调整收益
人工智能调解能否提升民主讨论？
机构 * Google DeepMind（谷歌DeepMind） ； Massachusetts Institute of Technology（麻省理工学院） ； Yale Law School（耶鲁法学院） ； Department of Experimental Psychology, University of Oxford（牛津大学实验心理学系）
AI总结 本文探讨人工智能如何通过增强参与、公平调解和有意义讨论来提升民主讨论的质量。
Journal ref Knight Institute for the First Amendment at Columbia University Symposium on "AI and Democratic Freedoms", April 10-11, 2025
Reflect3r: 通过镜像反射辅助的单视角3D立体重建
机构 * University of Oxford（牛津大学）
AI总结 Reflect3r通过利用镜像反射作为辅助视图，实现单视角3D立体重建，结合对称感知损失提升姿态估计，并在动态场景中实现高效几何恢复。
Comments 3DV 2026. Code and Data Available at https://jingwu2121.github.io/reflect3r/
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