University of Cambridge（剑桥大学）

DNA-Prior: Unsupervised Denoise Anything via Dual-Domain Prior

DNA-Prior：通过双域先验实现无监督去噪

Yanqi Cheng, Chun-Wun Cheng, Jim Denholm, Thiago Lima, Javier A. Montoya-Zegarra, Richard Goodwin, Carola-Bibiane Schönlieb, Angelica I Aviles-Rivero

机构 * University of Cambridge（剑桥大学） ； Lucerne University Teaching and Research Hospital（卢塞恩教学与研究医院） ； Zurich University of Applied Sciences（苏黎世应用科学大学） ； YMSC, Tsinghua University（清华大学数学科学中心） 纠错

AI总结 DNA-Prior通过双域先验实现无监督去噪，无需外部数据即可在多种医学影像模态中有效抑制噪声并保留结构。

Physics Steering: Causal Control of Cross-Domain Concepts in a Physics Foundation Model

物理引导：在物理基础模型中实现跨领域概念的因果控制

Rio Alexa Fear, Payel Mukhopadhyay, Michael McCabe, Alberto Bietti, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； NYU（纽约大学） ； Simons Foundation（Simons基金会） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本研究通过物理基础模型的激活空间分析，揭示了因果控制物理行为的机制，展示了对物理概念的跨领域操控能力。

Comments 16 Pages, 9 Figures. Code available soon at https://github.com/DJ-Fear/walrus_steering

DeXposure: A Dataset and Benchmarks for Inter-protocol Credit Exposure in Decentralized Financial Networks

DeXposure：去中心化金融网络中跨协议信用暴露的数据集和基准测试

Wenbin Wu, Kejiang Qian, Alexis Lui, Christopher Jack, Yue Wu, Peter McBurney, Fengxiang He, Bryan Zhang

机构 * Cambridge Centre for Alternative Finance, Judge Business School, University of Cambridge（剑桥替代金融中心，法官商学院，剑桥大学） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Informatics, King’s College London（伦敦国王学院信息学院） 纠错

AI总结 DeXposure数据集和基准测试用于研究去中心化金融网络中跨协议信用暴露，通过分析信用暴露网络的结构演变、行业级动态及时间图链接预测，为金融风险监控和机器学习研究提供支持。

Comments Data and code: https://github.com/dthinkr/DeXposure - Visualisation: https://ccaf.io/defi/ecosystem-map/visualisation/graph

FLUX: Efficient Descriptor-Driven Clustered Federated Learning under Arbitrary Distribution Shifts

FLUX：在任意分布偏移下的高效描述符驱动聚类联邦学习

Dario Fenoglio, Mohan Li, Pietro Barbiero, Nicholas D. Lane, Marc Langheinrich, Martin Gjoreski

机构 * Università della Svizzera italiana（瑞士联合大学） ； IBM Research Zurich（IBM Zurich研究部） ； University of Cambridge（剑桥大学） 纠错

AI总结 FLUX通过描述符驱动的聚类方法，在任意分布偏移下提升联邦学习的性能和稳定性，实现23个百分点的准确率提升。

Comments [v1] Pre-print of the paper accepted to NeurIPS 2025 (57 pages)

Interpretable Multimodal Cancer Prototyping with Whole Slide Images and Incompletely Paired Genomics

可解释的多模态癌症原型生成：结合整张滑片图像与不完全配对的基因组学

Yupei Zhang, Yating Huang, Wanming Hu, Lequan Yu, Hujun Yin, Chao Li

机构 * Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系） ； Department of Electrical & Electronic Engineering, The University of Manchester, UK（曼彻斯特大学电气与电子工程系） ； Department of Pathology, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, China（南方医科大学肿瘤学国家重点实验室、广东省癌症临床研究中心、中山大学肿瘤中心病理学部） ； Department of Statistics and Actuarial Science, The University of Hong Kong, Hong Kong SAR, China（香港大学统计与精算科学系） ； Department of Clinical Neurosciences and Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学临床神经科学系和应用数学与理论物理系；邓迪大学科学与工程学院和医学学院） ； School of Science and Engineering and School of Medicine, University of Dundee, UK 纠错

AI总结 本文提出了一种可解释的多模态原型生成框架，通过整合整张滑片图像和不完整的基因组学数据，提升精准肿瘤学中的多模态整合效果。

Interactive Groupwise Comparison for Reinforcement Learning from Human Feedback

基于交互式组间比较的强化学习从人类反馈中学习

Jan Kompatscher, Danqing Shi, Giovanna Varni, Tino Weinkauf, Antti Oulasvirta

机构 * Aalto University（阿尔托大学） ； University of Cambridge（剑桥大学） ； University of Trento（特伦特大学） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 本文提出交互式组间比较方法，通过可视化和主动学习提升强化学习从人类反馈中学习的奖励和策略效果。

Comments 10 pages, 8 figures in proceedings of Computer Graphics Forum

FlowerTune: A Cross-Domain Benchmark for Federated Fine-Tuning of Large Language Models

FlowerTune: 一个跨领域用于联邦微调大型语言模型的基准测试

Yan Gao, Massimo Roberto Scamarcia, Javier Fernandez-Marques, Mohammad Naseri, Chong Shen Ng, Dimitris Stripelis, Zexi Li, Tao Shen, Jiamu Bai, Daoyuan Chen, Zikai Zhang, Rui Hu, InSeo Song, Lee KangYoon, Hong Jia, Ting Dang, Junyan Wang, Zheyuan Liu, Daniel Janes Beutel, Lingjuan Lyu, Nicholas D. Lane

机构 * Flower Labs（Flower实验室） ； University of Cambridge（剑桥大学） ； Zhejiang University（浙江大学） ； Penn State University（宾夕法尼亚州立大学） ； Alibaba Group（阿里巴巴集团） ； University of Nevada, Reno（内华达大学拉斯维加斯分校） ； Gachon University（加荣大学） ； The University of Auckland（奥克兰大学） ； The University of Melbourne（墨尔本大学） ； The University of Adelaide（阿德莱德大学） ； Sony AI（索尼人工智能） 纠错

AI总结 FlowerTune提出一个跨领域联邦微调LLM的基准测试，评估26种模型在四个领域中的性能，提供隐私保护和领域适应的见解。

Towards Efficient Training of Graph Neural Networks: A Multiscale Approach

面向图神经网络高效训练的多尺度方法

Eshed Gal, Moshe Eliasof, Carola-Bibiane Schönlieb, Ivan I. Kyrchei, Eldad Haber, Eran Treister

机构 * Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（本· Gurion 内盖夫大学） ； Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Department of Earth, Ocean and Atmospheric Sciences（地球、海洋与大气科学系） ； University of British Columbia（不列颠哥伦比亚大学） ； Pidstryhach Institute for Applied Problems of Mechanics and Mathematics（应用力学与数学问题研究所） ； NAS of Ukraine, L’viv, Ukraine（乌克兰国家科学院，利沃夫，乌克兰） 纠错

AI总结 本文提出多尺度方法，通过层次化图表示和子图整合信息，提升图神经网络在大规模问题中的训练效率和预测性能。