A Note on the Strategic Confinement Problem
关于战略约束问题的一个注记
机构 * University of Oxford（牛津大学）
AI总结 本文引入战略约束问题，指出当通信方为具有共享协调资源的战略智能体时，即使信道容量极小，也可能导致机密信息的高影响泄露，并论证学习型战略智能体系统自然实例化该问题。
高校专区
University of Oxford（牛津大学）
Toward Calibrated, Fair, and accurate Deepfake Detection
迈向校准、公平且准确的深度伪造检测
机构 * University of Oxford（牛津大学）
AI总结 提出Face-Fairness框架，通过Face-Feature Tuning实现无需人口统计标签的深度伪造检测公平性，同时保持或提升整体准确率。
PTL-Diffusion: Manifold-Aware Diffusion with Periodic Terminal Laws
PTL-Diffusion: 具有周期终端定律的流形感知扩散
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） ； University of Washington（华盛顿大学）
AI总结 提出PTL-Diffusion，通过将前向噪声过程收敛到周期高斯终端族而非单一分布，显式嵌入相位结构，改善低维流形上的分布匹配，在点云和人脸数据集上降低误差。
Next-Token Prediction Learns Generalisable Representations of Sleep Physiology
下一个词预测学习睡眠生理学的可泛化表示
机构 * Institute of Biomedical Engineering, University of Oxford（牛津大学生物医学工程研究所）
AI总结 提出Hypnos模型，通过下一个词预测目标，从多模态生理信号中学习可泛化表示，在睡眠阶段分类和房颤检测等任务上显著优于现有基础模型。
Benchmarking Open-Ended Multi-Agent Coordination in Language Agents
开放式多智能体协作在语言智能体中的基准测试
机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 提出基于JAX的开放式多智能体协作基准Alem，评估13种现代LLM在长时生存世界中的零样本协作能力，发现协调能力是前沿LLM智能体的独立瓶颈。
Comments 42 pages, preprint
Safety is Contextual, LLM-Judges Are Not: Navigating the Rigid Priors of Evaluators
安全是上下文相关的，而LLM评判者不是：应对评估者的刚性先验
机构 * University of Oxford（牛津大学） ； Cohere
AI总结 研究LLM作为安全评判者时，对上下文信息的依赖性和对不同安全定义的可引导性，发现它们难以在上下文或安全定义与自身先验矛盾时调整评估。
scCBGM: Interpretable Single-Cell Counterfactual Editing
scCBGM：可解释的单细胞反事实编辑
机构 * University of Copenhagen（哥本哈根大学） ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Tokyo（东京大学） ； University of Washington（华盛顿大学） ； University of Oxford（牛津大学）
AI总结 提出scCBGM框架，通过概念瓶颈架构和解耦惩罚实现单细胞反事实编辑，在组合泛化和反事实预测上表现优异。
Comments Accepted to ICML 2026; code at https://github.com/almaan/scCBGM
Accounting for Context: Shaping Moral Credences for Value Alignment
考虑情境：塑造道德信念以实现价值对齐
机构 * University of Oxford（牛津大学）
AI总结 本文针对价值对齐中道德多元性问题，提出在聚合道德评估时必须考虑情境因素，并形式化道德不确定性下的决策，揭示弱帕累托原则的违反是辛普森悖论的一种变体。
Interpreting Learning Under Competing Models: Joint and Stepwise Approaches for Dynamic Cognitive Diagnosis
解释竞争模型下的学习：动态认知诊断的联合与逐步方法
机构 * School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Psychology, Lancaster University（兰卡斯特大学心理学系）
AI总结 研究在项目-技能结构未知时，联合估计Q矩阵与学习过程相比先确定Q矩阵再研究学习，如何改变对学习者发展的结论，并通过动态认知诊断模型分析阅读游戏数据，发现联合分析更可靠。
Multi-Robot Planning and Control from CCTV Camera Networks in a Real Warehouse
基于真实仓库中闭路电视摄像机网络的多机器人规划与控制
机构 * Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，牛津大学，英国） ； Robot Systems Group, Technical University of Munich, Germany（机器人系统组，慕尼黑技术大学，德国）
AI总结 提出仅利用分布式CCTV网络和边缘计算实现多机器人协调规划与控制的方法，在真实仓库中验证了四台机器人和30个摄像头的系统，首次实现仅依赖外部摄像头网络的现场多机器人协调。
What Do People Actually Want From AI? Mapping Preference Plurality
人们真正希望从AI中得到什么？偏好多元性映射
机构 * Oxford Internet Institute, University of Oxford（牛津大学互联网研究所） ； Meedan
AI总结 通过分析75个国家1500份开放式回答，发现不同人对AI的期望各异，多数价值观仅被少数人要求，且同一词语（如“真实性”）含义分歧，某些能力存在争议，揭示当前RLHF偏好聚合方法的根本缺陷。
Comments Accepted at the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26)
Position: Don't Just "Fix it in Post": A Science of AI Must Study Training Dynamics
立场：不要仅仅“在后期修复它”：AI科学必须研究训练动态
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Boston University（波士顿大学） ； Harvard University（哈佛大学） ； University of Oxford, Martian（牛津大学，火星） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本文主张AI科学应超越事后分析，研究训练动态以预测、干预和设计模型行为，并指出当前在可解释性、公平性等领域的进展及开放问题。
Comments Accepted as an oral to the ICML: https://icml.cc/virtual/2026/poster/67142
