高校专区
神经证明用于复杂系统的正确性验证与控制
机构 * OXCAV - Oxford Control and Verification group（牛津控制与验证小组） ； Department of Computer Science（计算机科学系） ； University of Oxford, United Kingdom（牛津大学）
AI总结 本文提出神经证明方法，用于构建复杂系统模型的正确性验证与控制，通过归纳方法结合神经网络与SMT查询生成可证明正确的策略。
弱监督分割和分类Brightfield中脑图像中的α-突触素聚集物
机构 * Computational Biology, Ecole Normale Sup\'erieure, PSL University, Paris, France. 2 AP-HP, Hôpital Henri Mondor-Albert Chenevier, Service de Neurologie, F-94010 Créteil, France. 3 INSERM U955, Institut Mondor de Recherche Biomédicale, UPEC, Equipe NeuroPsychologie Interventionnelle, F-94010 Creteil, France. 4 Département d'Etudes Cognitives, École normale supérieure, PSL University, 75005 Paris, France. 5 NeurATRIS, Créteil, France. 6 Nuffield Department of Clinical Neurosciences ； the Queen’s College, University of Oxford, UK. 7 Department of Women’s ； Children’s Health, Karolinska Institutet, Sweden. 8 Churchill College, Cambridge University, CB30DS UK.
AI总结 本研究提出了一种基于弱监督分割的自动图像处理流程，用于中脑Brightfield图像中α-突触素聚集物的分割和分类，实现了80%的平衡准确率，为研究其空间分布和与周围细胞的关系提供了新方法。
面向预测的数据流子采样
机构 * University of Oxford（牛津大学） ； Mind Foundry
AI总结 本文提出一种面向预测的数据流子采样方法，通过减少下游预测的不确定性来提升离线学习性能。
Comments Published at CoLLAs 2025
医学影像AI竞赛缺乏公平性
机构 * German Cancer Research Center (DKFZ) Heidelberg（德国癌症研究中心（DKFZ）海德堡） ； DKFZ Heidelberg（德国癌症研究中心（DKFZ）海德堡） ； Digital Oncology Program, National Center for Tumor Diseases (NCT) Heidelberg（数字肿瘤学计划，国家肿瘤疾病中心（NCT）海德堡） ； Radboud Institute for Health Sciences, Radboud University Medical Center（拉德堡德健康科学研究所，拉德堡德大学医学中心） ； Oncode Institute（肿瘤码研究所） ； Vanderbilt University（范德比尔特大学） ； Vanderbilt University Medical Center（范德比尔特大学医学中心） ； MRC Unit for Lifelong Health and Ageing at UCL, Institute of Cardiovascular Science, University College London（英国伦敦大学学院（UCL）MRC长寿与衰老单位，心血管科学研究所） ； Dementia Research Centre, UCL Queen Square Institute of Neurology, University College London（英国伦敦大学学院（UCL）痴呆研究中心，Queen Square神经学研究所） ； School of Biomedical Engineering, King’s College（伦敦国王学院生物医学工程学院） ； Sorbonne Université, Institut du Cerveau – Paris Brain Institute – ICM, CNRS, Inria, Inserm, AP-HP, Hôpital de la Pitié-Salpêtrière（索邦大学，巴黎脑研究所–ICM，CNRS、Inria、Inserm、AP-HP、皮蒂埃-萨拉佩特里医院） ； Department of Urology, Cleveland Clinic（克利夫兰诊所泌尿科部） ； Centre for Biomedical Image Analysis, Faculty of Informatics, Masaryk University（马萨里克大学信息学院生物医学影像分析中心） ； DKFZ Heidelberg, Division of Computational Genomics and Systems Genetics（德国癌症研究中心（DKFZ）海德堡，计算基因组学与系统遗传学部） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Engineering Faculty, Heidelberg University（海德堡大学工程学院） ； School of Computation, Information and Technology, TUM（技术与计算学院，慕尼黑工业大学） ； Faculty of Law / BioQuant, Heidelberg University（海德堡大学法学院/BioQuant） ； The Department of Holistic Systems (HOST), SimulaMet,Oslo, Norway（挪威奥斯陆SimulaMet的Holistic Systems（HOST）部门） ； Simula Research Laboratory, Oslo, No（挪威奥斯陆Simula研究实验室）
AI总结 本文研究医学影像AI竞赛数据集的公平性，发现存在地域、模态和问题类型相关的偏见，且数据集在可访问性和可重用性上存在限制，影响临床应用的可行性。
Comments Submitted to Nature BME
用于数学助手的数据：为机器学习呈现证明的更好方式
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Caltech（加州理工学院） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； FutureHouse Inc.（未来房屋公司） ； Meta ； Vienna University of Technology（维也纳技术大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Collège de France（法兰西学院）
AI总结 本文提出改进数学助手数据集的设计，以更真实反映数学研究实践，从而提升大语言模型的证明学习能力。
Comments 59 pages
在持续学习中调整模型大小：有多大才够大？
机构 * Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系） ； Department of Computer Science, University of Oxford, UK（牛津大学计算机科学系）
AI总结 本文提出了一种在持续学习中自动调整高斯过程模型大小的方法，以在保持高性能的同时减少超参数调整需求。
Comments 9 pages main, 27 pages total, 13 figures, 9 tables, conference paper, minor correction
Journal ref PMLR 267:48974-49000 (2025)
通过LLM代理增强决策的网页上下文化学习
机构 * KAIST AI（韩国科学技术院人工智能实验室） ； University of Oxford（牛津大学）
AI总结 LCoW通过上下文化学习提升LLM代理在网页自动化任务中的决策能力，显著提高闭源和开源模型的成功率。
Comments Accepted to ICLR 2025
BigCodeArena: 通过执行揭示更多可靠的代码生成人类偏好
机构 * Monash University（墨尔本大学） ； CSIRO’s Data61（CSIRO的数据61） ； Purdue University（普渡大学） ； Independent（独立） ； HKUST (Guangzhou)（香港科技大学（广州）） ； UCSD（加州大学圣地亚哥分校） ； UVA（弗吉尼亚大学） ； CNRS, France（法国国家科学研究中心） ； IBM ； Cisco（思科） ； Comenius University in Bratislava（布拉提斯拉瓦康门纽斯大学） ； University of Notre Dame（Notre Dame大学） ； Uber ； Tano Labs（Tano实验室） ； NUS（国立大学新加坡） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Tencent AI Lab（腾讯AI实验室） ； University of Washington（华盛顿大学） ； Nevsky Collective（Nevsky集体） ； ETH Zurich（苏黎世联邦理工学院） ； Detomo Inc（Detomo公司） ； University of Oxford（牛津大学） ； UIUC（伊利诺伊大学香槟分校） ； Google（谷歌） ； NVIDIA ； Singapore Management University（新加坡管理学院） ； ServiceNow Research（ServiceNow研究） ； Hugging Face
AI总结 BigCodeArena通过执行揭示更多可靠的代码生成人类偏好，提出自动评分基准评估LLM编码质量。
Comments Built with love by the BigCode community :)
验证你的代理：通过可验证的执行轨迹实现主机无关的自主性
机构 * University of Oxford（牛津大学）
AI总结 VET通过可验证的执行轨迹实现主机无关的自主性，为未来完全自主的代理系统奠定基础。
一种多模态贝叶斯网络用于从语音和语音数据中预测症状层面的抑郁和焦虑
机构 * thymia Limited（thymia有限公司） ； Institute of Psychiatry, Psychology & Neuroscience, King’s College London（心理学与神经科学研究院，伦敦国王学院） ； Department of Psychiatry, University of Oxford（牛津大学精神病学系） ； Max Planck UCL Centre for Computational Psychiatry and Ageing, University College London（Max Planck大学学院计算精神病学与衰老中心，伦敦大学学院）
AI总结 本文提出了一种多模态贝叶斯网络模型，用于从语音和语音数据中预测抑郁和焦虑症状，通过评估模型性能和公平性，展示了其在临床应用中的潜力。
Journal ref Scientific Reports (2025)
基于复合治疗和复合结局的个体化治疗效应估计
机构 * Institute of Biomedical Engineering at the University of Oxford UK（牛津大学生物医学工程研究所） ； Nuffield Department of Primary Care Health Sciences at the University of Oxford UK（牛津大学初级卫生保健科学系） ； Nuffield Department of Medicine at the University of Oxford（牛津大学医学系） ； Oxford-Suzhou Institute of Advanced Research (OSCAR)（牛津-苏州先进研究所）
AI总结 本文提出H-Learner方法，通过动态共享信息解决复合治疗和复合结局下的个体化治疗效应估计问题。
Comments Accepted to The 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (7 pages (double column), 4 figures)
QuantGraph：一种基于滚动时域的量子图求解器
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Hitachi Cambridge Laboratory（日立剑桥实验室） ； School of Physics, Trinity College Dublin（都柏林信任学院物理系） ； Department of Physics, King's College London（伦敦国王学院物理系）
AI总结 QuantGraph通过结合量子计算与滚动时域控制理论，实现高效图优化，提升控制离散化精度并减少计算复杂度。
Comments P.Vaidhyanathan and A. Papatheodorou contributed equally to this work. 11 pages, 4 figures, 1 table, 2 algorithms
通过混合LoRAs改进递归变换器
机构 * NLPIE Research, UK（NLPIE研究机构，英国） ； University of Zurich, Switzerland（瑞士苏黎世大学） ； Department of Engineering Science, University of Oxford, UK（牛津大学工程科学系）
AI总结 通过混合LoRAs改进递归变换器，实现轻量条件计算机制，提升模型表达能力与效率。
双向预测编码
机构 * MRC Brain Network Dynamics Unit, University of Oxford, UK（英国牛津大学MRC脑网络动力学单位）
AI总结 本文提出双向预测编码模型，结合生成与判别推理，通过能量景观优化，在生成和判别任务中表现优异，适用于多模态学习与信息缺失推理。
GR-Agent: 在不完整知识图谱下适应性图推理代理
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） ； University of Oxford（牛津大学） ； Amazon（亚马逊） ； The University of Manchester（曼彻斯特大学） ； University of Southampton（南安普顿大学）
AI总结 GR-Agent通过构建交互环境并利用图推理工具，在不完整知识图谱中实现更有效的推理，优于现有方法。
符合化决策风险评估
机构 * Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学信息系统与公共政策学院） ； Saïd Business School, University of Oxford（牛津大学said商学院）
AI总结 CREDO是一种无分布框架，用于量化决策在不确定性下的最优概率，通过逆可行区域和符合预测球提供有限样本下的下界。
图神经网络生成神经疾病假说并验证于分子、类器官和临床系统
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学生物启发工程研究所） ； Department of Neurology, Massachusetts General Hospital（麻省总医院神经科） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； BD 2 : Breakthrough Discoveries for thriving with Bipolar Disorder（BD 2 : 双相情感障碍突破性发现） ； Aligning Science Across Parkinson’s (ASAP) Collaborative Research Network（跨帕金森病科学协同研究网络） ； The Ivan and Francesca Berkowitz Family Living Laboratory Collaboration at Harvard Medical School and Clalit Research Institute（哈佛医学院伊万和弗朗西斯卡·伯克伍德家族生活实验室合作与克赖特研究所） ； Department of Genetics, Harvard Medical School（哈佛医学院遗传学系） ； Department of Neurology, Brigham and Women’s Hospital（布里洛妇女医院神经科） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； The Center for Stem Cell Biology, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心干细胞生物学中心） ； FutureHouse Inc.（FutureHouse公司） ； Clalit Research Institute, Innovation Division, Clalit Health Services（克赖特研究所创新部门，克赖特健康服务） ； Faculty of Computer and Information Science, Ben Gurion University of the Negev（贝内尔·戈里昂大学内盖夫分校计算机与信息科学系）
AI总结 PROTON通过异构图变换器生成并验证神经疾病假说，应用于帕金森病、双相情感障碍和阿尔茨海默病，揭示AI驱动的神经疾病发现路径。
诊断、定位、对齐：一种用于在指令冲突下可靠LLM多智能体系统的全栈框架
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Sea AI Lab（Sea AI 实验室） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； Yale University（耶鲁大学） ； NTU（南洋理工大学） ； NUS（新加坡国立大学） ； Boston University（波士顿大学）
AI总结 本文提出了一种全栈框架，通过诊断、定位和对齐三个阶段提升LLM多智能体系统在指令冲突下的可靠性。
Comments Upon further review, we realized that the version submitted to arXiv was not the final draft and omits crucial results and discussion. To avoid confusion and ensure the integrity of the record, we request withdrawal and will resubmit once the complete work is ready
通过删除预训练语言模型的位置嵌入来扩展上下文
机构 * Sakana AI ； University of Oxford（牛津大学）
AI总结 通过删除预训练语言模型的位置嵌入，实现无需长上下文微调的零样本上下文扩展，提升语言模型的泛化能力。
关于通过生成数据进行持续学习及其他方面的危险
机构 * Technical University of Munich（慕尼黑技术大学） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； University of Oxford（牛津大学）
AI总结 研究指出持续学习中反复使用合成数据会引入偏差和方差，导致性能下降，且现有GER方法无法维持潜在空间对齐。
Comments DAGM German Conference on Pattern Recognition, 2025
一种隐式动态的简单扩展：上下文学习
机构 * MRC Brain Network Dynamics Unit, University of Oxford, UK（牛津大学MRC脑网络动力学单元） ； MRC CoRE in Restorative Neural Dynamics, UK（英国MRC修复神经动力学中心） ； University of Sussex, Brighton, UK（苏塞克斯大学） ； University Mohammed VI Polytechnic, College of Computing, Rabat, Morocco（摩洛哥穆莱·易斯六世polytechnic大学计算学院）
AI总结 本文提出了一种扩展的上下文学习隐式动态理论，适用于更广泛的序列位置和变换器块，并通过实验验证了其在不同令牌间的隐式更新关系。
Comments 18 pages, 9 figures
GoalLadder: 基于视觉语言模型的增量目标发现
机构 * University of Oxford（牛津大学）
AI总结 GoalLadder利用视觉语言模型在视觉环境中通过增量目标发现提升RL智能体性能，实现高成功率。
Comments NeurIPS 2025
测试时动态模型选择的元认知敏感性
机构 * University College London（伦敦大学学院） ； FPT University（FPT大学） ； Queen Mary University of London（伦敦女王学院） ； University of Oxford（牛津大学）
AI总结 本文提出通过元认知敏感性进行测试时动态模型选择，提升联合推理准确性。
Comments Accepted at the NeurIPS 2025 CogInterp Workshop
Video4Spatial: 通过基于场景的视频生成实现视觉空间智能
机构 * Netflix ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Eyeline Studios
AI总结 Video4Spatial通过仅使用视频数据训练的生成模型，实现了复杂空间任务的视觉空间智能，展示了视频生成模型在空间推理中的潜力。
Comments Project page at https://xizaoqu.github.io/video4spatial/
语言模型评估中的人本偏见
机构 * University of Oxford（牛津大学） ； Forschungszentrum Jülich（尤利希研究中心）
AI总结 本文指出语言模型评估中存在人本偏见，提出通过结合行为实验与机制研究来减少这些偏见，以更准确评估模型能力。
Comments Published in Computational Linguistics
Journal ref Computational Linguistics, 1-10. (2025)
表示不变与分配：当子组平衡至关重要时
机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究探讨了子组平衡对模型性能的影响，提出潜在分离假设，并通过实验验证，为数据收集和平衡提供指导。
一次一个D4RT地高效重建动态场景
机构 * Google DeepMind（谷歌DeepMind） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学）
AI总结 D4RT通过统一的Transformer架构高效重建动态场景，实现轻量级且可扩展的4D重建方法。
Comments Project Page: https://d4rt-paper.github.io/
MoReGen：基于代码领域的文本到视频合成多智能体运动-推理引擎
机构 * Northeastern University（东北大学） ； University of Oxford（牛津大学） ； Microsoft Research（微软研究院）
AI总结 MoReGen通过整合多智能体大语言模型、物理模拟器和渲染器，实现了基于代码领域的文本到视频合成，强调物理精度和运动一致性，为生成符合物理原理的视频提供了一种新的方法。
向量语义问题
机构 * Umeå University（乌梅大学） ； University of Oxford（牛津大学）
AI总结 本文探讨了大型语言模型是否能通过指涉 grounding 实现对现实世界的联系，提出了基于因果-信息关系和选择历史的判断标准。
Comments Accepted for publication in Philosophy and the Mind Sciences
通过稀疏自编码器揭示化学语言模型中的潜在知识
机构 * Independent researcher（独立研究者） ； Department of Oncology, University of Oxford（牛津大学肿瘤学系） ； Department of Chemistry, University of Oxford（牛津大学化学系）
AI总结 通过稀疏自编码器揭示化学语言模型中的潜在知识，分析其在不同分子数据集上的激活模式，揭示化学概念的丰富景观。
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