高校专区
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。
UniDrive: 面向自动驾驶可解释风险理解的统一视觉-语言与定位框架
机构 * organization= Department of Earth Science \& Engineering, Imperial College London , city= London , postcode= SW7 2AZ , country= United Kingdom ； organization= SpaceTimeLab, Department of Civil, Environmental ； Geomatic Engineering, University College London , city= London , postcode= WC1E 6BT , country= United Kingdom ； organization= Department of Computing, The Hong Kong Polytechnic University , city= Hong Kong , country= China ； organization= Trinity College, University of Oxford , city= Oxford , postcode= OX1 3BH , country= United Kingdom ； organization= Department of Geography, University College London , city= London , postcode= WC1E 6BT , country= United Kingdom ； organization= Centre for Global Infrastructure Resilience, The Bartlett School of Sustainable Construction, University College London , city= London , postcode= WC1E 7HB , country= United Kingdom
AI总结 提出UniDrive框架，通过融合时序推理与高分辨率感知分支，联合生成风险描述和边界框定位，在DRAMA-Reasoning基准上超越现有方法，提升小目标定位和可解释性。
探究语言模型的错误对齐思维过程
机构 * University of Oxford（牛津大学）
AI总结 提出通过线性探针检测模型内部激活中的18种错误对齐指标，以可靠识别策略欺骗等行为，在分布外基准上达到0.935 AUROC。
用于相场模型的扩展伪谱物理信息神经网络
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所）
AI总结 提出扩展伪谱物理信息神经网络（ESPINN），从瞬态快照数据中同时恢复相场模型的体化学势和梯度系数，实现数据高效且物理一致的逆辨识。
Comments 20 pages, 10 figures, Data available: https://doi.org/10.5281/zenodo.20797058
BioMedArena：构建和评估生物医学深度研究代理的开源工具包
机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； Technical University of Munich（慕尼黑技术大学） ； Oxford-Suzhou Centre for Advanced Research, China（牛津-苏州先进研究中心）
AI总结 BioMedArena通过解耦六个评估层，提供公平比较不同基础模型的平台，显著提升生物医学基准的性能，实现8个代表性基准的SOTA结果。
医疗AI的全局日志
机构 * Harvard Medical School（哈佛医学院） ； University of Oxford（牛津大学） ； Institute for Ethics in AI（人工智能伦理研究所） ； Cosmos Institute（宇宙研究所） ； Harvard Medical School and Clalit Research Institute（哈佛医学院和Clalit研究机构） ； University of California, San Diego（加州大学圣地亚哥分校） ； Joan and Irwin Jacobs Center for Health Innovation（乔安和伊万·雅各布健康创新中心） ； Oxford University Clinical Research Unit（牛津大学临床研究中心） ； Icahn School of Medicine at Mount Sinai（辛格纳医学中心） ； The Hasso Plattner Institute for Digital Health at Mount Sinai（辛格纳医学中心数字健康研究所） ； ETH Zurich（苏黎世联邦理工学院） ； University Hospital, University of Bern（伯恩大学医院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Google DeepMind（谷歌DeepMind） ； The Mount Sinai AI Assurance Lab（辛格纳医学中心人工智能保证实验室） ； University of Birmingham（伯明翰大学） ； PATH（PATH组织） ； Seattle Children’s Hospital（西雅图儿童医院） ； Department of Pediatrics, University of California, San Diego（加州大学圣地亚哥分校儿科部） ； Kaiser Foundation Health and Hospitals（凯撒基金会健康与医院） ； e-Patient Dave, LLC（e-Patient Dave公司） ； Regional Office for Europe, World Health Organization（世界卫生组织欧洲地区办公室） ； University of Malta（马耳他大学） ； Centre for Tropical Medicine and Global Health, University of Oxford（牛津大学热带医学与全球健康中心） ； Healthcare Information and Management Systems Society（医疗信息与管理系统协会） ； Clalit Research Institute, Innovation Division, Clalit Health Services（Clalit研究机构创新部门，Clalit健康服务） ； Microsoft Research（微软研究院） ； Gates Foundation（比尔及梅琳达·盖茨基金会） ； Computational Health Informatics Program, Boston Children’s Hospital（波士顿儿童医院计算健康信息学项目）
AI总结 提出MedLog协议，为医疗AI系统提供事件级日志记录，包含九个核心字段，并在多个部署中验证其监测模型行为、工作流交互及下游结果的能力。
Comments MedLog website: https://medlogprotocol.ai
随机规则森林 (RRF): 基于LLM生成问题的可解释且可控集成方法用于从非结构化数据预测成功
机构 * University of Oxford, United Kingdom Aarhus University, Aarhus, Denmark Centre de Recerca Matem\`atica, Barcelona, Spain Oliver Wyman, New York, United States Vela Research, San Francisco, United States
AI总结 提出随机规则森林 (RRF)，利用大语言模型生成简单的是/否问题作为弱学习器，通过等权投票形成可审计的“绿旗”评分卡，在低基准率任务中实现透明且竞争性的预测性能。
Comments 25 pages including appendix, 6 figures
Action-BED：具有单重难解目标的任务驱动贝叶斯实验设计
机构 * Department of Statistics（统计系） ； University of Oxford（牛津大学）
AI总结 提出基于期望未来损失的任务驱动贝叶斯实验设计框架，将设计策略与下游行动策略联合优化，避免双重难解目标，仅需采样和评估损失函数。
Comments Preprint
FairBED：一种用于收集更公平数据的贝叶斯实验设计方法
机构 * Department of Statistics（统计学系） ； CeBAM, Nuffield Department of Medicine（CeBAM医学系） ； University of Oxford（牛津大学） ； Department of Statistical Science（统计科学系） ； University College London（伦敦大学学院）
AI总结 提出FairBED方法，通过贝叶斯实验设计最大化目标信息增益并最小化敏感属性信息增益，以收集更公平的数据，改善公平性与准确性的权衡。
方差倾斜扩散模型用于多样化采样
机构 * Department of Statistics, University of Oxford, Oxford, UK（牛津大学统计学系）
AI总结 提出方差加权批分布，通过Doob h-变换导出交互粒子采样器，在扩散模型中实现多样化采样，具有透明概率目标。
Comments Accepted at SPIGM @ ICML workshop 2026
MuPPET：多轮对话中LLM助手上下文隐私的基准测试
机构 * Parameter Lab（参数实验室） ； University of Rome Tor Vergata（罗马第二大学） ； University of Oxford（牛津大学） ； NAVER AI Lab（NAVER AI实验室） ； KAIST AI（韩国科学技术院人工智能研究所）
AI总结 提出MuPPET基准，评估多用户对话中LLM代理的隐私泄露风险，发现模型在多用户场景下泄露更严重，现有防御措施效果有限。
基于深度学习的早产儿呼吸停止检测
机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学工程科学系生物医学工程研究所）
AI总结 本研究利用深度学习模型，基于阻抗呼吸描记、心电图和光电容积描记信号，检测早产儿呼吸暂停相关呼吸停止事件，发现信号模态比架构复杂度更重要，单模态IP模型性能最优。
Comments 14 pages main text, 8 figures. Submitted to IEEE Journal of Biomedical and Health Informatics (JBHI)
通过显式建模标注偏差和变异性的高斯过程可解释概率医学图像分割
机构 * University College London（伦敦大学学院） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） ； University College London Hospitals NHS Trust（伦敦大学学院医院NHS信托基金会） ； Imperial College Healthcare（帝国理工学院医疗保健）
AI总结 提出基于随机变分高斯过程的logit空间概率分割框架，显式分解为图像相关参考分布和标注者特定扰动，提高不确定性校准并保持分割精度。
Comments Accepted at MICCAI 2026
ScalePredictor：面向视觉Transformer精确量化的实例感知尺度学习
机构 * School of Electronics and Communication Engineering, Shenzhen Campus, Sun Yat-sen University（中山大学深圳校区电子与通信工程学院） ； Computer Science and Software Engineering, The University of Western Australia（西澳大学计算机科学与软件工程学院） ； University of Oxford（牛津大学）
AI总结 提出动态量化框架ScalePredictor，通过浅层激活分布范围与深层最优尺度的隐藏关联，利用多项式尺度投影模块高效生成所有量化尺度，在ImageNet上取得更优精度-效率权衡。
使用基于接地潜在动作世界模型的异构演示模仿学习
机构 * University of Oxford（牛津大学）
AI总结 提出GLAM方法，通过共享潜在动作空间对齐异构数据源，学习接地潜在动作世界模型，在数据稀缺时提升模仿学习性能，平均任务成功率提高48%。
Comments 17 pages, 8 figures. Project page: https://viccccciv.github.io/glam/
逆推贝尔曼方程：从 $Q$ 值到世界模型
机构 * FLAIR, University of Oxford（FLAIR，牛津大学） ； Google DeepMind（谷歌DeepMind） ； Mila, University of Montreal（Mila，蒙特利尔大学）
AI总结 本文证明基于值的智能体在丰富奖励函数上训练时隐式编码世界模型，提出 $P$-learning 从 $Q$ 值提取模型，并给出编码真实转移核的充分条件，实验验证了隐式模型的准确性和泛化能力。
Comments 48 pages, 11 figures, 5 tables
Go-with-the-Track: 基于点追踪的视频合成与运动控制
机构 * Netflix USA（Netflix美国） ； Eyeline Labs USA（Eyeline Labs美国） ； University of Oxford（牛津大学） ； Eyeline Labs Los Angeles USA（Eyeline Labs洛杉矶美国） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stony Brook University USA（石溪大学美国） ； Columbia University USA（哥伦比亚大学美国） ； Eyeline Labs United Kingdom（Eyeline Labs英国） ； Netflix Los Angeles USA（Netflix洛杉矶美国）
AI总结 提出Go-with-the-Track，通过联合条件多参考图像和参考锚定点轨迹，统一视频合成与运动控制，实现精确合成与运动控制。
Comments SIGGRAPH 2026, Project page: https://eyeline-labs.github.io/Go-with-the-Track/
NeoLoc-68：新生儿临床环境中的端到端68点面部关键点定位
机构 * Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学工程科学系生物医学工程研究所） ； Department of Paediatrics, University of Oxford（牛津大学儿科学系） ； Universidad San Francisco de Quito USFQ, Colegio de Ciencias Biologicas y Ambientales（基多圣弗朗西斯科大学生物与环境科学学院）
AI总结 提出首个端到端68点新生儿面部关键点检测模型NeoLoc-68，通过结合公开数据集和临床标注数据，基于YOLO架构适应新生儿面部特征，在临床环境中实现低检测失败率和强泛化能力。
Comments 38 pages, 6 figures, journal paper
GEOPHYS: 物理合理性的几何学
机构 * Bielefeld University（比勒费尔德大学） ； University of Oxford（牛津大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Independent（独立作者） ； Honda Research Institute EU（本田欧洲研究院） ； New York University（纽约大学） ； Flatiron Institute, Simons Foundation（西蒙斯基金会熨斗研究所）
AI总结 提出GEOPHYS方法，利用冻结图像编码器的每帧嵌入的五个几何特征检测视频中的物理不合理性，在物理违反检测上达到SOTA，并作为验证器提升视频生成模型的物理一致性。
DrugBench：评估用于减轻药物危害的AI控制协议
机构 * Universidad de Buenos Aires, Facultad de Ciencias Exactas y Naturales, Departamento de Computación（布宜诺斯艾利斯大学，精确与自然科学学院，计算机系） ； AI Safety Argentina (AISAR)（阿根廷人工智能安全组织 (AISAR)） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； CONICET-Universidad de Buenos Aires, Instituto de Ciencias de la Computación (ICC)（阿根廷国家科学与技术研究理事会-布宜诺斯艾利斯大学，计算机科学研究所 (ICC)）
AI总结 提出DrugBench基准，结合医疗对话与FDA标签，评估AI控制协议在减轻药物交互、禁忌症等四类危害中的有效性，并引入基于严重性的监控方法。
RIZZ: 将交互路由到近零干扰区域以实现黑盒智能体的持续适应
机构 * University of Oxford（牛津大学）
AI总结 提出RIZZ框架，通过验证器门控记忆、路由和提示编译，实现黑盒语言模型系统在非平稳流数据上的持续适应，有效控制干扰并提升性能。
Comments 20 pages, 2 figures
RepSelect: 通过表示选择性实现鲁棒的大语言模型遗忘
机构 * Independent（独立） ； University of Oxford（牛津大学）
AI总结 针对现有遗忘方法易被微调或少样本提示逆转的问题，提出RepSelect方法，通过梯度主成分坍塌隔离遗忘集表示，实现深度鲁棒遗忘。
区间协和的不对称公式及其与谐波重合的关系
机构 * University of Oxford（牛津大学） ； Royal Northern College of Music（皇家北方音乐学院）
AI总结 提出一个不对称公式 f(p/q) = p + Ω(q) 用于度量音程协和度，并证明在标准协和数据上表现良好，同时揭示了与欧拉和谐波重合模型的联系。
Comments v2: minor revision. Tightened the partial-beating argument in Sec. 9, added an acknowledgement, and updated references to the now-approved OEIS sequences A397104 and A397106. 18 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