University of Cambridge（剑桥大学）

Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations

基于Wiener混沌展开的神经算子用于奇异随机偏微分方程

Dai Shi, Luke Thompson, Andi Han, Peiyan Hu, Junbin Gao, José Miguel Hernández-Lobato

机构 * University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） ； Chinese Academy of Science（中国科学院） 纠错

AI总结 本文提出基于Wiener混沌展开和FiLM的神经算子，用于高效求解奇异随机偏微分方程，尤其在Φ^4_2和Φ^4_3模型中表现出色。

Noisy PDE Training Requires Bigger PINNs

带有噪声的PDE训练需要更大的PINN

Sebastien Andre-Sloan, Anirbit Mukherjee, Matthew Colbrook

机构 * The University of Manchester（曼彻斯特大学） ； The University of Cambridge（剑桥大学） 纠错

AI总结 研究提出PINNs在噪声数据下训练需更大网络规模以降低经验风险，并通过实验验证了这一结论。

From Pixels to Predicates: Learning Symbolic World Models via Pretrained Vision-Language Models

从像素到谓词：通过预训练视觉-语言模型学习符号世界模型

Ashay Athalye, Nishanth Kumar, Tom Silver, Yichao Liang, Jiuguang Wang, Tomás Lozano-Pérez, Leslie Pack Kaelbling

机构 * MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； RAI Institute（RAI研究院） 纠错

AI总结 通过预训练视觉-语言模型学习符号世界模型，以实现复杂机器人领域中长周期决策制定的零样本泛化。

Comments A version of this paper appears in the official proceedings of RA-L, Volume 11, Issue 4

BNEM: A Boltzmann Sampler Based on Bootstrapped Noised Energy Matching

BNEM：基于Bootstrap噪声能量匹配的玻尔兹曼采样器

RuiKang OuYang, Bo Qiang, José Miguel Hernández-Lobato

机构 * University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） 纠错

AI总结 BNEM通过基于噪声能量匹配的Bootstrap技术，在分子动力学等应用中实现高效且鲁棒的采样性能。

Comments Camera-ready version for TMLR (03/2026)

Journal ref Transactions on Machine Learning Research (TMLR), 2026

Tiny Autoregressive Recursive Models

微型自回归递归模型

Paulius Rauba, Claudio Fanconi, Mihaela van der Schaar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出自回归TRM，评估其在小型自回归任务上的表现，发现两步细化基线表现强劲，但完整架构未见显著性能提升。

Journal ref ICLR 2026 Workshop RSI Spotlight

Scaling Data Difficulty: Improving Coding Models via Reinforcement Learning on Fresh and Challenging Problems

数据难度的扩展：通过在新鲜且具有挑战性的问题上进行强化学习来改进编码模型

Zongqian Li, Tengchao Lv, Shaohan Huang, Yixuan Su, Qinzheng Sun, Qiufeng Yin, Ying Xin, Scarlett Li, Lei Cui, Nigel Collier, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） 纠错

AI总结 通过强化学习在新鲜且具有挑战性的问题上改进编码模型，MicroCoder数据集通过系统化数据处理和难度扩展实现了显著的性能提升。

Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models

突破训练瓶颈：为编码模型提供有效且稳定的强化学习

Zongqian Li, Shaohan Huang, Zewen Chi, Yixuan Su, Lexin Zhou, Li Dong, Nigel Collier, Furu Wei

机构 * Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出MicroCoder-GRPO方法，通过改进的组相对策略优化解决编码模型训练瓶颈，实现性能提升并发布相关数据集和评估框架。

Retrieval-Augmented Generation for Predicting Cellular Responses to Gene Perturbation

增强检索生成用于预测细胞对基因扰动的响应

Andrea Giuseppe Di Francesco, Andrea Rubbi, Pietro Liò

机构 * Sapienza University of Rome（罗马萨皮恩扎大学） ； ISTI-CNR（意大利国家研究委员会信息科学与技术研究所） ； University of Cambridge（剑桥大学） ； Wellcome Sanger Institute（wellcome桑格研究所） 纠错

AI总结 PT-RAG通过细胞类型感知的可微检索增强生成，提升预测细胞对基因扰动响应的性能。

Comments Accepted at ICLR 2026 Workshop: Generative AI in Genomics. 25 pages, 9 figures

CyclicJudge: Mitigating Judge Bias Efficiently in LLM-based Evaluation

CyclicJudge: 有效缓解基于大语言模型的评估中的判断偏差

Ziyi Zhu, Olivier Tieleman, Alexey Bukhtiyarov, Jinghong Chen

机构 * Slingshot AI ； Department of Engineering, University of Cambridge（工程系，剑桥大学） 纠错

AI总结 CyclicJudge通过轮换判断者分配策略，有效消除大语言模型评估中的判断偏差，提升评估的可靠性。

Adaptive Correction for Ensuring Conservation Laws in Neural Operators

自适应校正以确保神经算子中的守恒定律

Chaoyu Liu, Yangming Li, Zhongying Deng, Chris Budd, Carola-Bibiane Schönlieb

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（应用数学与理论物理系，剑桥大学） ； Department of Mathematical Sciences, University of Bath, UK（数学科学系，巴斯大学） 纠错

AI总结 本文提出了一种自适应校正方法，用于确保神经算子输出的守恒定律，提高了模型的准确性和稳定性。