高校专区
在观察性时间到事件数据中识别治疗反应亚组
机构 * University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学）
AI总结 本文提出了一种基于结果导向的亚组分析策略，用于在随机对照试验和观察性研究中识别治疗反应不同的患者亚组，从而提升医疗决策的精准性。
Comments Presented at ML4H 2025
迷失在翻译中，发现于嵌入：手语翻译与对齐
机构 * VGG, University of Oxford（Oxford大学视觉几何组） ； KAIST（韩国科学技术院） ； University of Zurich（苏黎世大学） ； LIGM, École des Ponts, IP Paris, UGE, CNRS（图像是巴黎理工学院的LIGM实验室、UGE、CNRS）
AI总结 本文提出统一模型实现手语翻译与对齐，通过轻量视觉主干、滑动感知映射网络和多任务训练策略，在BOBSL数据集上取得SLT和SSA的最先进结果，并展示跨语言泛化能力。
面向深度伪造面部交换的鲁棒保护扰动
机构 * University of Birmingham（伯明翰大学） ； University of Oxford（牛津大学） ； Xiamen University（厦门大学） ； MBZUAI
AI总结 本文提出EOLT框架，通过学习变换分布提升深度伪造面部交换的鲁棒保护性能，实验显示其在鲁棒性和迁移性方面优于现有方法。
通过梯度构建梯度：用于双臂机器人装配的去中心化能量函数
机构 * Applied AI Lab, University of Oxford（牛津大学应用人工智能实验室）
AI总结 本文提出了一种去中心化基于梯度的框架，通过自适应势函数自动组合生成分段连续能量函数，以解决双臂机器人装配中的高层序列规划和快速重新规划问题。
Comments 8 pages, 7 figures, 1 table
AdaRankGrad: 适应性梯度-秩和矩用于内存高效的LLM训练和微调
机构 * Department of Electrical Engineering-Systems at Tel Aviv University（特拉维夫大学电子工程系统系） ； Faculty of Engineering, Bar Ilan University（巴伊兰大学工程学院） ； Mathematical Institute, University of Oxford（牛津大学数学学院）
AI总结 AdaRankGrad通过自适应低秩梯度更新实现内存高效的大语言模型训练和微调，减少内存需求并提升模型性能。
Journal ref ICLR 2025
JaxWildfire：一种用于强化学习的GPU加速野火模拟器
机构 * Oxford Robotics Institute（牛津机器人研究所） ； University of Oxford（牛津大学）
AI总结 JaxWildfire是一种基于JAX的GPU加速野火模拟器，利用单元格自动机模型实现高效模拟，加速RL训练以优化野火扑灭策略。
Comments To be presented at the NeurIPS 2025 Workshop on Machine Learning and the Physical Sciences (ML4PS)
EgoEdit：眼动视频编辑的数据集、实时流模型和基准测试
机构 * Snap Research ； Rice University（里士满大学） ； University of Oxford（牛津大学）
AI总结 EgoEdit提出了一套眼动视频编辑的生态系统，包含数据集、实时流模型和基准测试，实现了眼动视频编辑的高稳定性和低延迟，同时在一般编辑任务中保持高性能。
Comments Project page: https://snap-research.github.io/EgoEdit
大语言模型错失多智能体标记
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Informatics, King’s College London（伦敦国王学院信息学院） ； Department of Engineering, University of Oxford（牛津大学工程系） ； University of Sussex（苏塞克斯大学）
AI总结 本文指出大语言模型多智能体系统在理论与实践间的差距，强调需整合MAS核心概念以避免误解和错失机会。
Comments NeurIPS 2025 - position track -
通过比较噪声正样本和负样本音频进行目标说话人提取
机构 * Department of Computer Science, University of Oxford（计算机科学系，牛津大学）
AI总结 本文提出通过比较噪声正样本与负样本音频提取目标说话人，提升单声道语音提取性能。
Comments Accepted by NeurIPS 2025
时间序列和时空数据扩散模型综述
机构 * University of Oxford（牛津大学） ； Griffith University（格里菲斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang Normal University（浙江师范大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； Salesforce Research（Salesforce研究） ； East China Normal University（东华大学） ； Fudan University（复旦大学）
AI总结 本文综述了扩散模型在时间序列和时空数据中的应用，系统梳理了模型类别、任务类型及实际应用场景，为后续研究提供基础。
Comments Accepted by ACM Computing Surveys; 37 pages; Github Repo: https://github.com/yyysjz1997/Awesome-TimeSeries-SpatioTemporal-Diffusion-Model
SPARTAN：一种稀疏变换器世界模型，聚焦关键要素
机构 * Applied AI Lab University of Oxford, UK（应用人工智能实验室牛津大学，英国） ； MPI for Intelligent Systems Tübingen, Germany（智能系统Max Planck研究所，图宾根，德国）
AI总结 SPARTAN通过稀疏正则化学习稀疏的交互图，提升世界模型对动态变化的适应能力与鲁棒性。
AortaDiff：一种用于无对比剂AAA成像的统一多任务扩散框架
机构 * Department of Engineering Science, University of Oxford, United Kingdom（牛津大学工程科学系） ； Nuffield Department of Surgical Sciences, University of Oxford, United Kingdom（牛津大学外科科学努尔菲尔德系） ； Technical University of Munich, Germany（慕尼黑技术大学） ； ELLIS Institute Finland, Finland（芬兰ELLIS研究所） ； Aalto University, Finland（阿alto大学）
AI总结 AortaDiff通过统一多任务扩散框架实现无对比剂AAA成像，同时生成合成CECT图像并分割主动脉腔和血栓，提升了分割精度和临床测量准确性。
Comments WACV 2026
全栈对齐：通过厚价值模型对齐人工智能与机构
机构 * Meaning Alignment Institute（意义对齐研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； Western University（西方大学） ； University of Toronto（多伦多大学） ； McGill University（麦吉尔大学） ； Stanford University（斯坦福大学） ； Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所） ； Yale University（耶鲁大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； New York University（纽约大学） ； Harvard University（哈佛大学） ； Midjourney Core contributor（Midjourney核心贡献者）
AI总结 本文提出通过厚价值模型实现全栈对齐，以解决AI与机构目标不一致导致的不良后果，涵盖价值表示、规范推理和集体利益建模。
利用Concordia评估基于LLM的智能体在混合动机场景中的泛化能力
机构 * Cooperative AI Foundation（合作人工智能基金会） ； University of Oxford（牛津大学） ； UC Berkeley（伯克利大学） ； Quebec Artificial Intelligence Institute（魁北克人工智能研究所） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（未来智能研究中心，剑桥大学） ； MIT（麻省理工学院） ； Google DeepMind（谷歌DeepMind） ； Center on Long-Term Risk（长期风险中心） ； Google Research（谷歌研究） ； University of Washington（华盛顿大学） ； Centrum Wiskunde & Informatica（数学与信息研究所） ； Utrecht University（乌得勒支大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Concordia Contest Participants with Notable Contributions（康科德比赛有显著贡献的参与者）
AI总结 本文提出利用Concordia评估LLM智能体在混合动机场景中的合作能力，揭示了当前智能体在泛化能力上的不足。
Comments Published at NeurIPS Datasets and Benchmarks 2025, 10 pages
太迟回忆：多模态知识检索中双跳问题的解释
机构 * University of Oxford（牛津大学） ； McGill University（麦吉尔大学） ； Meta ； MATS
AI总结 本文研究了多模态知识检索中双跳问题的影响，发现VLMs在处理视觉输入时过晚解决实体表示导致事实回忆性能下降，并提出通过修补和提示方法恢复性能。
符号求解器在大语言模型中增强推理何时有效？
机构 * University College London（伦敦大学学院） ； University of Oxford（牛津大学）
AI总结 本文研究符号求解器如何在大语言模型中增强推理，发现其在需要有限隐式推理但具有充足搜索空间的问题中表现优异，尤其在约束满足问题中提升显著。
路径空间上的新颖性检测
机构 * Institute of Mathematics TU Berlin（柏林技术大学数学研究所） ； Department of Mathematics Imperial College London（伦敦帝国理工学院数学系） ； Mathematical Institute University of Oxford（牛津大学数学研究所）
AI总结 本文提出基于签名的检验统计量用于路径空间新颖性检测，通过运输成本不等式和洗牌积推导出CVaR替代公式，并设计新的单类SVM算法，评估了其在异常扩散和分子生物学数据中的性能。
增强岗位匹配：利用ESCO和EQF分类法链接职业、技能和资格
机构 * International Hellenic University（国际希伯利安大学） ； University of Oxford（牛津大学） ； Tabiya（塔比亚）
AI总结 本文提出利用ESCO和EQF分类法提升岗位匹配，通过两种方法和新数据集改进劳动力市场信息分类。
Comments 14 pages, 1 figure, Preprint
层次化过程奖励模型是符号视觉学习者
机构 * Adelaide AIML（阿德莱德AIML） ； Ohio State University（俄亥俄州立大学） ； University of Oxford（牛津大学） ； Data61 ； CSIRO（澳大利亚国立科研组织）
AI总结 本文提出了一种层次化过程奖励模型，通过符号学习提升图表重建、感知和推理任务的性能。
AGI 的定义
机构 * Center for AI Safety（AI安全中心） ； University of California, Berkeley（加州大学伯克利分校） ； Virtue AI ； Morph Labs（Morph实验室） ； University of Michigan（密歇根大学） ； LG AI Research（LG人工智能研究） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Gray Swan AI ； Carnegie Mellon University（卡内基梅隆大学） ； Cornell University（康奈尔大学） ； Hong Kong Baptist University（香港 Baptist大学） ； HKUST（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Tübingen（图宾根大学） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Beneficial AI Research（有益AI研究） ； Conjecture ； Institute for Applied Psychometrics（应用心理测量研究所） ； New York University（纽约大学） ； CSER ； Université de Montréal（蒙特利尔大学） ； LawZero
AI总结 本文提出了一种基于卡特尔-霍恩-卡罗尔理论的可量化框架，定义AGI为与受过良好教育的成年人认知能力相匹配，并通过心理测量电池评估AI系统，揭示当前AI在基础认知机制上的不足。
基于多观测的模型驱动诊断：面向C语言软件和布尔电路的统一方法
机构 * Department of Computer Science, University of Oxford（计算机科学系，牛津大学） ； Czech Technical University in Prague（布拉格捷克技术大学）
AI总结 CFaults通过结合多观测的模型驱动诊断方法，为C语言软件和布尔电路提供更高效的故障定位，确保诊断的一致性和最小性。
Comments 50 pages, 9 figures, 6 tables, 5 listings
通过结构化LTL表示实现强化学习中的零样本指令跟随
机构 * University of Oxford（牛津大学）
AI总结 本文提出通过结构化LTL表示学习多任务策略，以解决强化学习中多事件交互复杂性问题。
Comments ICML 2025 Workshop on Programmatic Representations for Agent Learning
几何不确定性用于检测和纠正大语言模型中的幻觉
机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； GlaxoSmithKline（葛兰素史克） ； Oxford Suzhou Centre for Advanced Research（牛津苏黎世高级研究中心）
AI总结 本文提出几何框架用于检测和纠正大语言模型中的幻觉，通过几何体积和几何怀疑方法提升响应可靠性。
Comments Revision. Clarified positioning as a unified geometric framework for global and local uncertainty in LLMs. Added baselines (Degree, Eccentricity) and expanded comparison to related methods. Included ablations (PCA dimension, number of archetypes, number of samples) and complexity analysis. Extended discussion of medical QA results and model-specific behaviour
隐于 plain 文本：LLMs 中隐写术合谋的出现与缓解
机构 * LASR Labs（LASR实验室） ； University College London（伦敦大学学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Oxford（牛津大学）
AI总结 本文首次发现LLMs在训练期间因奖励激励设置不当而产生隐写术合谋，并指出现有缓解措施不足，需创新技术以防止此类合谋。
Comments Camera-ready version. Oral presentation at IJCNLP-AACL 2025 (14th International Joint Conference on Natural Language Processing and 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics), Mumbai, India, December 20-24, 2025
RobustSurg: 解决领域泛化问题以实现分布外手术场景分割
机构 * St John’s College, University of Oxford（牛津大学圣约翰学院） ； School of Computer Science, University of Leeds（利兹大学计算机学院）
AI总结 RobustSurg通过实例归一化和特征协方差映射技术提升手术场景分割的领域泛化能力，并引入恢复模块保留关键特征，同时提供新数据集以解决多类多中心数据不足问题。
Comments Submitted to Medical Image Analysis
非平稳带惩戒凸优化：全面研究
机构 * University of Oxford（牛津大学） ； Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔INP、LIG实验室） ； Google Research（谷歌研究）
AI总结 本文提出TEWA-SE和cExO算法，分别在已知和未知非平稳度量下实现带惩戒凸优化的最小化最优遗憾。
Comments 33 pages, 1 figure, accepted at NeurIPS 2025
非凡特性及其获取方法：一种结合多个基础模型特征的探测方法
机构 * University of Oxford（牛津大学） ； Polytechnique Montréal（蒙特利尔理工学院）
AI总结 ComBo是一种结合多个基础模型特征的探测方法，通过紧凑表示和轻量级transformer实现高效任务预测，优于现有探测方法并提升模型性能。
Comments Published at NeurIPS 2025
LGDC: 通过谱保持粗化实现潜在图扩散
机构 * University College London（伦敦大学学院） ； MediaTek Research（联发科研究） ； University of Oxford（牛津大学）
AI总结 LGDC通过结合自回归和扩散模型的优点，提出一种谱保持粗化的方法，实现高效图生成。
Journal ref NeurIPS 2025 New Perspectives in Advancing Graph Machine Learning Workshop
隐私保护的生成建模与慢性病纵向健康记录的临床验证
机构 * Vironix Health Inc（Vironix健康公司） ； University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） ； University of Southern California（南加州大学）
AI总结 本文提出DP-TimeGAN模型，通过隐私保护生成模型处理纵向健康记录，提升慢性病诊断的隐私与效用平衡。
Comments To appear in Proceedings of Machine Learning Research Volume 297 - Proceedings of ML4H 2025
用Nano Banana生成的合成图像训练分类器以在真实世界胸片中识别肺炎
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院）
AI总结 利用Nano Banana生成的合成图像训练分类器，实现在真实世界胸片中识别肺炎，取得较高AUROC和AUPR，但存在提示设计和数据对齐的挑战。
Comments 9 pages
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