University of Cambridge（剑桥大学）

Memory-Efficient 2D/3D Shape Assembly of Robot Swarms

记忆高效的机器人群2D/3D形状组装

Shuoyu Yue, Pengpeng Li, Yang Xu, Kunrui Ze, Xingjian Long, Huazi Cao, Guibin Sun

机构 * Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院） ； College of Artificial Intelligence, Zhejiang University（浙江大学人工智能学院） 纠错

AI总结 本文提出了一种记忆高效的树表示方法和基于行为的分布式控制器，用于实现机器人群在2D和3D中的高效形状组装，显著降低了内存使用并提升了速度。

MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry

MACE-POLAR-1：一种可极化的静电基础模型用于分子化学

Ilyes Batatia, William J. Baldwin, Domantas Kuryla, Joseph Hart, Elliott Kasoar, Alin M. Elena, Harry Moore, Mikołaj J. Gawkowski, Benjamin X. Shi, Venkat Kapil, Panagiotis Kourtis, Ioan-Bogdan Magdău, Gábor Csányi

机构 * Engineering Laboratory, University of Cambridge, Trumpington St, Cambridge, UK ； Yusuf Hamied Department of Chemistry, University of Cambridge, Lensfield Road, Cambridge, UK ； Cavendish Laboratory, University of Cambridge, J. J. Thomson Avenue, Cambridge, UK ； Scientific Computing Department, Science ； Technology Facilities Council, Daresbury Laboratory, Keckwick Lane, Daresbury WA4 4AD, UK ； Department of Physics ； Astronomy, University College London, 7-19 Gordon St, London WC1H 0AH, United Kingdom ； Initiative for Computational Catalysis, Flatiron Institute, 160 5th Avenue, New York, NY 10010 ； School of Natural ； Environmental Sciences, Newcastle University, Newcastle upon Tyne, UK ； Max Planck Institute for Polymer Research, Ackermannweg 10, Mainz, Germany 纠错

AI总结 MACE-POLAR-1通过引入长程静电学和极化迭代，提升了分子化学中非共价相互作用和超分子复合物的描述精度，适用于从小分子到蛋白质-配体复合物的多种计算场景。

PoseCraft: Tokenized 3D Body Landmark and Camera Conditioning for Photorealistic Human Image Synthesis

PoseCraft: 基于令牌化的3D人体姿态和相机条件化的人像图像合成

Zhilin Guo, Jing Yang, Kyle Fogarty, Jingyi Wan, Boqiao Zhang, Tianhao Wu, Weihao Xia, Chenliang Zhou, Sakar Khattar, Fangcheng Zhong, Cristina Nader Vasconcelos, Cengiz Oztireli

机构 * University of Cambridge（剑桥大学） ； Google（谷歌） 纠错

AI总结 PoseCraft通过令牌化3D姿态和相机信息，提升人像合成的逼真度和细节保留能力。

Activation-Space Uncertainty Quantification for Pretrained Networks

预训练网络中的激活空间不确定性量化

Richard Bergna, Stefan Depeweg, Sergio Calvo-Ordoñez, Jonathan Plenk, Alvaro Cartea, Jose Miguel Hernández-Lobato

机构 * Department of Engineering, University of Cambridge, Cambridge, UK（剑桥大学工程系） ； Mathematical Institute（数学研究所） ； Oxford-Man Institute, University of Oxford, Oxford, UK（牛津大学奥克斯曼研究所） 纠错

AI总结 GAPA通过在激活空间中提供闭合形式的epistemic方差，实现了预训练网络的高效不确定性量化，无需采样或反向传播。

Setting up for failure: automatic discovery of the neural mechanisms of cognitive errors

失败的设定：自动发现认知错误的神经机制

Puria Radmard, Paul M. Bays, Máté Lengyel

机构 * Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Department of Psychology, University of Cambridge（心理学系，剑桥大学） ； Department of Cognitive Science, Central European University（认知科学系，中央欧亚大学） 纠错

AI总结 本文提出通过训练RNNs复制行为特征，自动发现认知错误的神经机制，解决了传统方法在数据有限和行为优化上的不足。

Revisiting Node Affinity Prediction in Temporal Graphs

重新审视时间图中的节点亲和预测

Or Feldman, Krishna Sri Ipsit Mantri, Moshe Eliasof, Chaim Baskin

机构 * Ben-Gurion University of the Negev（贝纳尔-戈里翁大学奈杰夫分校） ； University of Bonn（波恩大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出NAVIS模型，通过虚拟状态方法改进时间图中节点亲和预测，结合启发式方法与状态空间模型，提出新损失函数并验证其有效性。

Comments Accepted at ICLR 2026