高校专区
结构保持与图神经网络的逻辑表达能力
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学）
AI总结 本文从语义角度研究图神经网络分类器在结构保持（嵌入、单同态、同态）下的逻辑表达能力，证明每种保持性质对应分级模态逻辑的一个片段，并给出相应GNN架构。
Comments 20 pages
定量运动测试：从单部智能手机视频测量患者运动
机构 * Nuffield Department of Clinical Neurosciences, University of Oxford（临床神经科学系,Nuffield大学,牛津大学） ； Max Planck Institute of Biological Cybernetics（生物信息学研究所） ； Oxford Gait Laboratory, University of Oxford（牛津大学步态实验室） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Institute of Biomedical Engineering, University of Oxford（生物医学工程研究所,牛津大学） ； Mayo Clinic（梅奥诊所）
AI总结 提出基于计算机视觉的定量运动测试（QMT）方法，利用深度学习3D姿态估计从单目智能手机视频提取运动生物标志物，在实验室验证中与光学运动捕捉高度一致（r>0.85），并在纤维肌痛和慢性坐骨神经痛患者中展示了可靠性和纵向监测能力。
从UKRI资助提案中提取研究实体和检测主题
机构 * EPCC, University of Edinburgh, UK（埃克塞特大学埃平中心，英国） ； Knowledge Media Institute, The Open University, UK（开放大学知识媒体研究所，英国） ； Institute for Technology and Humanity, University of Cambridge, UK（剑桥大学技术与人类研究所，英国） ； Centre for Higher Education Transformations, School of Education, University of Bristol, UK（布里斯托大学教育学院高等教育转型中心，英国） ； University of Oxford, UK（牛津大学，英国）
AI总结 比较三种LLM方法（GPT-4o、Mistral和定制算法DSIT-Taxonomies）从资助提案中提取和分类研究实体，发现Mistral在主题分类准确率（90.5%）上优于DSIT-Taxonomies（71.4%），且与GPT-4o质量相当。
Comments Accepted at the STI-ENID Conference. Will be presented in September 2026 in Antwerp (Belgium)
语言交际的信息动力学
机构 * Calleva Research Centre, University of Oxford, UK（牛津大学卡勒瓦研究中心） ； St John’s College, University of Cambridge, UK（剑桥大学圣约翰学院） ； Montréal Neurological Institute, McGill University, Canada（蒙特利尔神经科学研究所，麦吉尔大学，加拿大） ； Centre for Eudaimonia and Human Flourishing, University of Oxford, UK（幸福与人类繁荣中心，牛津大学，英国） ； Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系）
AI总结 提出信息论框架量化语义信息在对话中的定向流动，通过语义转移熵和语义部分信息分解测量信息传递，在四个实验中验证其能检测认知僵化对话、说服者主导作用、心理治疗质量及议论文协同贡献。
一个在生物医学工具宇宙中进行治疗推理的AI智能体
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； 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·伯科维茨家族生活实验室合作与克莱利研究所） ； Cardiovascular Division, Department of Medicine, Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院心脏病学部，布里格姆和妇女医院） ； The Windreich Department of Artificial Intelligence and Human Health, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院人工智能与人类健康系） ； The Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai and Mount Sinai Health System（西奈山伊坎医学院和西奈山医疗系统数字健康研究所） ； Mindich Child Health and Development Institute and the Departments of Pediatrics and Genetics & Genomic Sciences, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院Mindich儿童健康与发展研究所及儿科学和遗传学与基因组科学系） ； Mount Sinai Fuster Heart Hospital, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院Fuster心脏医院） ； Mount Sinai AI Assurance Lab, Mount Sinai Health System（西奈山医疗系统AI保证实验室） ； Institute for Critical Care Medicine, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院重症监护医学研究所） ； Department of Medicine, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院医学系） ； ATHENA-R1 Evaluation Group（ATHENA-R1评估组）
AI总结 提出ATHENA-R1智能体，通过强化学习在212种生物医学工具上训练，实现迭代证据收集的治疗推理，在多个基准上超越现有模型，准确率达94.7%。
Comments Project page: https://athena.openscientist.ai Code: https://github.com/mims-harvard/ATHENA
工具使用使多智能体LLM系统中的隐写术无法检测
机构 * Oxford University（牛津大学） ； Artificial Intelligence Security Institute (AISI)（人工智能安全研究所）
AI总结 本文研究多智能体AI系统中通过工具使用（如代码执行、网络搜索）实现无法检测的隐写通信，发现智能体可自适应构建隐写系统，并提出协调度量评估无事先约定的隐写协调风险。
具有Cantelli有界价值-at-风险的约束策略优化
机构 * Machine Learning Research Group, University of Oxford, Oxford, United Kingdom（牛津大学机器学习研究组）
AI总结 本文提出VaR-CPO算法，通过Cantelli不等式近似非可导的VaR约束，实现安全探索和约束违反的控制，提升约束强化学习的样本效率和保守性。
衡量和缓解AI写作辅助工具中的人格扭曲
机构 * University of Oxford（牛津大学） ； UK AI Security Institute（英国人工智能安全研究所）
AI总结 研究评估了AI写作辅助工具如何扭曲写作者的人格特征，通过实验发现AI使写作者显得更具观点性、能力更强和积极，但写作者对这些扭曲表示反对却仍偏好使用AI辅助文本，通过训练奖励模型缓解了部分扭曲，但影响了用户接受度。
Comments For supplementary information, code, and data see https://github.com/paul-rottger/ai-distortion
DiscoGen：机器学习算法发现任务的程序生成
机构 * University of Oxford（牛津大学） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； University College London（伦敦大学学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Delft University of Technology（代尔夫特理工大学）
AI总结 DiscoGen通过程序生成技术创建大量机器学习算法发现任务，用于优化算法发现代理，提供固定子集用于评估，并推动新的研究方向。
Comments Accepted to ICML 2026
GCN-DevLSTM：基于骨架的动作识别中的路径开发
机构 * University College London（伦敦大学学院） ； University of Oxford（牛津大学） ； South China University of Technology（华南理工大学）
AI总结 本文提出GCN-DevLSTM网络，通过引入G-Dev层提升时间建模能力，有效提取骨架动作序列中的局部时间动态信息，在NTU-60、NTU-120和Chalearn2013数据集上取得竞争优势。
Journal ref Transactions on Machine Learning Research, 2026
非线性的策略分类变得实用
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； School of Informatics University of Edinburgh（爱丁堡大学信息学院）
AI总结 针对策略分类中非线性分类器难以处理的问题，提出利用拉格朗日对偶近似最佳响应，结合隐函数定理计算损失梯度，实现非线性策略分类的实用训练算法。
Comments 15 pages, 4 figures, 2 tables
发展方法揭示神经语言模型的统计学习：Transformer从最抽象的统计模式中泛化
机构 * Department of Education, University of Oxford（牛津大学教育学院）
AI总结 本研究采用发展方法，通过训练生成式Transformer模型并分析其内部表征变化，发现神经语言模型先习得最抽象的全局统计知识，后习得局部统计依赖，并提出新的统计学习与语言认知框架。
Comments 10 pages, 7 figures, oral presentation at Interdisciplinary Advances in Statistical Learning
使用3D高斯泼溅渲染MRI的新视图
机构 * Visual Geometry Group, University of Oxford（视觉几何组，牛津大学） ； Oxford Machine Learning in NeuroImaging Lab, University of Oxford（牛津大学神经影像学机器学习实验室）
AI总结 通过3D高斯泼溅从稀疏各向异性MRI重建体积并采样与目标解剖对齐的平面，生成更优的放射学分级视图，相比原始扫描和体素插值方法提高了椎管狭窄分级准确性。
安全自回归图像生成与迭代自改进码本
机构 * School of Information Management, Wuhan University（武汉大学信息管理学院） ； Torr Vision Group, University of Oxford（牛津大学Torr视觉组）
AI总结 针对自回归统一多模态模型生成图像的安全性问题，提出迭代自改进码本方法，利用模型自身判断不安全图像并修正码本映射，消除有害输出并保证生成质量。
Comments 10 pages including references, 8 figures, accepted for publication at the 43rd International Conference on Machine Learning (ICML 2026)
无数据储备特征用于高效长时域冷启动持续学习
机构 * University of Oxford（牛津大学） ； Department of Computer Science（计算机科学系） ； Department of Engineering Sciences（工程科学系）
AI总结 提出CIRCLE方法，使用固定的双向二维储备特征和流式线性判别分析头，无需重放、预训练或骨干网络反向传播，在长任务序列中显著优于现有冷启动无样本类增量学习方法。
能力前沿：基准测试遗漏了82%的模型性能
机构 * Martian ； University of Oxford（牛津大学） ； ThoughtWorks
AI总结 提出能力前沿概念，通过帕累托前沿量化多模型多生成下的最佳性能，纠正单模型单次评估偏差，在16个基准上实现82%性能提升和85%成本降低。
寻找思考时间：在实时强化学习中学习规划预算
机构 * British Open-ended Learning and Discovery Lab (BOLD)（英国开放性学习与探索实验室（BOLD）） ； University of Oxford（牛津大学） ； VGG（视觉信息小组）
AI总结 针对环境在决策期间持续运行的实时强化学习，提出一种轻量级门控策略，根据状态选择规划预算，在多个实时游戏中优于固定预算和启发式基线。
OpenFinGym: 一个可验证的多任务Gym环境，用于评估量化智能体
机构 * University of Edinburgh（爱丁堡大学） ； University College London（伦敦大学学院） ； Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学）
AI总结 提出OpenFinGym统一环境，覆盖预测、市场生成、实时交易和欺诈检测等量化金融任务，支持自动化任务构建、容器化验证和延迟解析，以全面评估LLM智能体。
泛化谱：一种评估学习算法的色谱方法
机构 * ByteDance Seed（字节跳动Seed） ； Hong Kong University of Science and Technology（香港科技大学） ； Princeton University（普林斯顿大学） ； University of Oxford（牛津大学）
AI总结 提出泛化谱框架，通过构建从精确回忆到跨语言实现转移等不同转移距离的测试变体，揭示算法从单个样本泛化到其他样本的程度，并应用于竞争编程任务评估不同学习范式。
Comments Accepted at ICML 2026. 30 pages, 6 figures
Running the Gauntlet: 重新评估智能体在陌生环境中的能力
机构 * University of Oxford（牛津大学） ； SoftServe ； Massachusetts Institute of Technology（麻省理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； UK AI Security Institute（英国人工智能安全研究所） ； Ukrainian Catholic University（乌克兰天主教大学）
AI总结 提出GauntletBench基准，通过20个视觉密集型任务评估智能体在时间感知、图形理解和3D推理等未被充分探索的能力，发现最先进智能体成功率仅19.1%，远低于人类80%以上。
利用已知信息：带有部分图结构的因果基础模型
机构 * University of Cambridge（剑桥大学） ； Gatsby Computational Neuroscience Unit（加布特计算神经科学单位） ； Prior Labs（Prior实验室） ； University of Freiburg（弗赖堡大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学）
AI总结 提出在因果基础模型中注入因果图或祖先信息的方法，利用图卷积编码器和注意力机制有效利用部分因果信息，使通用模型匹配专用模型性能。
Journal ref ICML 2026
不容置疑：利用FMCW雷达阴影效应进行近距离几何重建
机构 * Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，英国） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院）
AI总结 针对恶劣环境下感知退化问题，提出利用车辆底盘遮挡形成的雷达阴影恢复近处细长垂直物体的三维倾斜角度，通过解析闭式映射实现，仿真和实验验证了可行性。
超越一刀切：基于诊断的在线强化学习与离线先验知识
机构 * Nanyang Technical University（南洋理工大学） ； University of Oxford（牛津大学）
AI总结 本文提出诊断驱动的张力管理框架，通过三种功能角色表征离线先验知识如何重塑在线优化，并展示跨领域证据，解决先验知识有效性随部署变化的问题。
通过预训练信念表示的高效自适应数据获取
机构 * ELLIS Institute Finland（芬兰ELLIS研究所） ； Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系） ； Department of Computer Science, University of Helsinki, Finland（芬兰赫尔辛基大学计算机科学系） ； Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系） ； Department of Statistics, University of Oxford, UK（英国牛津大学统计系）
AI总结 提出POLAR框架，利用预训练预测模型作为信念状态编码器，解耦表示学习与策略学习，在贝叶斯实验设计、贝叶斯优化和主动学习中实现高效自适应数据获取。
Comments Preprint
学习四足机器人的感知平台自适应运动控制器
机构 * Dynamic Robot Systems, Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所动态机器人系统）
AI总结 研究如何将感知融入形态感知强化学习架构，通过自适应地形课程训练跨形态通用控制器，发现仅评论家感知在鲁棒性和稳定性上优于完全感知策略。
退化蒸馏器
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； Imperial Centre for Inference and Cosmology (ICIC), Imperial College London（伦敦帝国理工学院帝国推理与宇宙学中心） ； Astrophysics, University of Oxford（牛津大学天体物理学系） ； CNRS & Sorbonne Université, Institut d’Astrophysique de Paris (IAP)（法国国家科学研究中心与索邦大学巴黎天体物理研究所） ； Department of Physics and Astronomy, University College London（伦敦大学学院物理与天文学系） ； Department of Physics & King’s Institute for Artificial Intelligence, King’s College London（伦敦国王学院物理系与国王人工智能研究所） ； Department of Physics and Astronomy, Johns Hopkins University（约翰霍普金斯大学物理与天文学系） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系）
AI总结 提出退化蒸馏器方法，通过估计和展平Fisher信息矩阵，自动符号化检测并解决物理模型中的退化参数组合，降低神经后验估计所需的模拟预算。
Comments 30 pages, 10 figures. Supporting code found at https://github.com/tlmakinen/degeneracy_distillery
Epi-LLM框架：通过流行病学基于智能体的模型探究LLM行为先验
机构 * Big Data Institute, Li Ka Shing Center for Health Information and Discovery, University of Oxford, Oxford, United Kingdom（大数据研究所、李嘉诚健康信息与发现中心、牛津大学、牛津、英国） ； Leverhulme Centre for Demographic Science, Nuffield Department of Population Health, University of Oxford, Oxford, United Kingdom（勒弗赫姆人口科学中心、努尔菲尔德人口健康系、牛津大学、牛津、英国） ； Pandemic Sciences Institute, Nuffield Department of Medicine, University of Oxford, Oxford, United Kingdom（流行病学科学研究所、努尔菲尔德医学系、牛津大学、牛津、英国） ； Department of Genomics and Computational Biology, UMass Chan Medical School, United States（基因组与计算生物学系、UMass Chan医学学校、美国） ； Broad Institute of Harvard and MIT, United States（哈佛大学和麻省理工学院Broad研究所、美国） ； The Queen’s College, University of Oxford, Oxford, United Kingdom（女王学院、牛津大学、牛津、英国）
AI总结 提出Epi-LLM框架，整合基于智能体的建模、真实流行病游戏和大语言模型，模拟疫情中智能体行为，发现LLM智能体减少峰值感染，感知健康严重性是隔离行为最强预测因子，且LLM架构影响疫情动态。
Comments Submitted to American Journal of Epidemiology
鲁棒通用四足运动策略的采样策略
机构 * Dynamic Robot Systems（动态机器人系统） ； Oxford Robotics Institute（牛津机器人研究所） ； University of Oxford（牛津大学）
AI总结 研究通过采样物理参数和关节增益，训练单一强化学习策略以泛化到多种四足机器人配置，比较三种采样策略，并利用先验和参考模型提升鲁棒性，在ANYmal上零样本部署。
去除噪声，而非寻找黄金：大规模预训练的质量过滤
机构 * Work done as an intern at Apple（苹果公司实习生） ； University of Oxford（牛津大学） ； Apple（苹果公司）
AI总结 本文深入分析基于分类器的质量过滤（CQF）方法，发现其虽提升下游任务性能，但会隐式过滤高质量数据，且与基于合成数据的模型行为趋势不同，质疑CQF捕捉数据质量的有效性。
Comments 21 pages, 22 figures, 2 tables, accepted at ICML 2026
FLAT: 前馈潜在三角形泼溅用于几何精确的场景生成
机构 * Google Research（谷歌研究院） ； University of Oxford, Visual Geometry Group（牛津大学视觉几何组） ； TU Munich（慕尼黑工业大学）
AI总结 提出FLAT方法，首次从视频扩散潜在表示中直接解码三角形泼溅，通过射线中心旋转参数化和乘积窗口函数解决梯度流问题，在保持视觉质量的同时显著提升几何精度。
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