University of Oxford（牛津大学）

Gated Uncertainty-Aware Runtime Dual Invariants for Neural Signal-Controlled Robotics

门控不确定性感知的实时双不变量框架用于神经信号控制的机器人

Tasha Kim, Oiwi Parker Jones

机构 * Oxford Robotics Institute (ORI)（牛津机器人研究所） ； Department of Engineering Science（工程科学系） ； University of Oxford（牛津大学） 纠错

AI总结 GUARDIAN通过结合校准置信度的脑信号解码与符号目标接地和双层运行时监控，实现神经信号控制机器人系统的高安全性和可靠性。

Comments Embodied and Safe-Assured Robotic Systems workshop at NeurIPS 2025

Cloud4D: Estimating Cloud Properties at a High Spatial and Temporal Resolution

Cloud4D: 高空间和时间分辨率下云特性估计

Jacob Lin, Edward Gryspeerdt, Ronald Clark

机构 * Department of Computer Science University of Oxford（计算机科学系牛津大学） ； Department of Physics Imperial College London（物理系伦敦帝国学院） 纠错

AI总结 Cloud4D通过同步地面相机和2D-3D变换器，实现了高空间和时间分辨率的云特性估计，提升空间-时间分辨率并保持高精度。

Comments NeurIPS 2025 Spotlight, project page: https://cloud4d.jacob-lin.com/

3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology

用于从连续组织学切片生成体积组织空间转录组的3D引导可扩展流匹配

Mohammad Vali Sanian, Arshia Hemmat, Amirhossein Vahidi, Jonas Maaskola, Jimmy Tsz Hang Lee, Stanislaw Makarchuk, Yeliz Demirci, Nana-Jane Chipampe, Muzlifah Haniffa, Omer Bayraktar, Lassi Paavolainen, Mohammad Lotfollahi

机构 * Cambridge Stem Cell Institute, University of Cambridge（剑桥干细胞研究所，剑桥大学） ； Cambridge Center for AI in Medicine, University of Cambridge（剑桥人工智能医学中心，剑桥大学） ； Department of Medicine, University of Cambridge（剑桥大学医学系） ； Computer Science Department, University of Oxford（牛津大学计算机科学系） ； Computer Science Department, University of Helsinki（赫尔辛基大学计算机科学系） ； Institute for Molecular Medicine Finland, University of Helsinki（芬兰分子医学研究所，赫尔辛基大学） ； Wellcome Sanger Institute（沃森桑格研究所） 纠错

AI总结 HoloTea通过3D引导的流匹配框架，利用相邻切片信息提升3D空间转录组的生成精度和泛化能力。

Comments 19 pages

Missing Data Imputation by Reducing Mutual Information with Rectified Flows

通过减少互信息进行缺失数据填补

Jiahao Yu, Qizhen Ying, Leyang Wang, Ziyue Jiang, Song Liu

机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出了一种通过减少互信息来改进缺失数据填补的方法，通过迭代优化和ODE求解实现高效填补。

Generative AI for Cel-Animation: A Survey

生成式AI用于动画：一种调查

Yolo Y. Tang, Junjia Guo, Pinxin Liu, Zhiyuan Wang, Hang Hua, Jia-Xing Zhong, Yunzhong Xiao, Chao Huang, Luchuan Song, Susan Liang, Yizhi Song, Liu He, Jing Bi, Mingqian Feng, Xinyang Li, Zeliang Zhang, Chenliang Xu

机构 * University of Rochester（罗切斯特大学） ； UCSB ； University of Oxford（牛津大学） ； CMU（卡内基梅隆大学） ； Purdue University（普渡大学） 纠错

AI总结 本文调查生成式AI如何通过自动化任务革新传统动画流程，降低技术门槛，扩大创作者群体，并促进艺术创新。

Comments Accepted by ICCV 2025 AISTORY Workshop

Graph Kernel Neural Networks

图核神经网络

Luca Cosmo, Giorgia Minello, Alessandro Bicciato, Michael Bronstein, Emanuele Rodolà, Luca Rossi, Andrea Torsello

机构 * Oxford University（牛津大学） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出利用图核扩展卷积运算到图域，构建无需嵌入的结构模型，并通过实验展示其在图分类和回归任务中的有效性。

Journal ref EEE Transactions on Neural Networks and Learning Systems, vol. 36, no. 4, pp. 6257-6270, April 2025

Merging without Forgetting: Continual Fusion of Task-Specific Models via Optimal Transport

无遗忘的融合：通过最优传输实现任务特定模型的持续融合

Zecheng Pan, Zhikang Chen, Ding Li, Min Zhang, Sen Cui, Hongshuo Jin, Luqi Tao, Yi Yang, Deheng Ye, Yu Zhang, Tingting Zhu, Tianling Ren

机构 * Tsinghua University（清华大学） ； University of Oxford（牛津大学） ； East China Normal University（华东师范大学） ； Zhejiang University（浙江大学） ； Tencent（腾讯） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文提出OTMF方法，通过最优传输理论解决模型融合中的分布偏移问题，实现任务特定模型的持续融合，提升多任务系统的准确性和效率。

Scaling Up Active Testing to Large Language Models

向大型语言模型扩展主动测试

Gabrielle Berrada, Jannik Kossen, Freddie Bickford Smith, Muhammed Razzak, Yarin Gal, Tom Rainforth

机构 * OATML, Department of Computer Science, University of Oxford（OATML，计算机科学系，牛津大学） ； Department of Statistics, University of Oxford（统计系，牛津大学） 纠错

AI总结 本文提出通过上下文学习低成本构建替代模型，实现对大型语言模型的高效主动测试，提升评估准确性并引入误差估计器。

Comments Published at NeurIPS 2025

Adapting Vision-Language Models for Evaluating World Models

为世界模型评估适应视觉-语言模型

Mariya Hendriksen, Tabish Rashid, David Bignell, Raluca Georgescu, Abdelhak Lemkhenter, Katja Hofmann, Sam Devlin, Sarah Parisot

机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出UNIVERSE，一种基于视觉-语言模型的视频世界模型评估器，通过适应不同任务格式和数据约束，实现了细粒度、时间敏感的评估，与任务特定检查点性能相当，并在多种环境中验证了其与人类判断的一致性。

Comments NeurIPS LAW 2025 (Oral)