University of Oxford（牛津大学）

Towards Robust Protective Perturbation against DeepFake Face Swapping

面向深度伪造面部交换的鲁棒保护扰动

Hengyang Yao, Lin Li, Ke Sun, Jianing Qiu, Huiping Chen

机构 * University of Birmingham（伯明翰大学） ； University of Oxford（牛津大学） ； Xiamen University（厦门大学） ； MBZUAI 纠错

AI总结 本文提出EOLT框架，通过学习变换分布提升深度伪造面部交换的鲁棒保护性能，实验显示其在鲁棒性和迁移性方面优于现有方法。

Building Gradient by Gradient: Decentralised Energy Functions for Bimanual Robot Assembly

通过梯度构建梯度：用于双臂机器人装配的去中心化能量函数

Alexander L. Mitchell, Joe Watson, Ingmar Posner

机构 * Applied AI Lab, University of Oxford（牛津大学应用人工智能实验室） 纠错

AI总结 本文提出了一种去中心化基于梯度的框架，通过自适应势函数自动组合生成分段连续能量函数，以解决双臂机器人装配中的高层序列规划和快速重新规划问题。

Comments 8 pages, 7 figures, 1 table

AdaRankGrad: Adaptive Gradient-Rank and Moments for Memory-Efficient LLMs Training and Fine-Tuning

AdaRankGrad: 适应性梯度-秩和矩用于内存高效的LLM训练和微调

Yehonathan Refael, Jonathan Svirsky, Boris Shustin, Wasim Huleihel, Ofir Lindenbaum

机构 * Department of Electrical Engineering-Systems at Tel Aviv University（特拉维夫大学电子工程系统系） ； Faculty of Engineering, Bar Ilan University（巴伊兰大学工程学院） ； Mathematical Institute, University of Oxford（牛津大学数学学院） 纠错

AI总结 AdaRankGrad通过自适应低秩梯度更新实现内存高效的大语言模型训练和微调，减少内存需求并提升模型性能。

Journal ref ICLR 2025

JaxWildfire: A GPU-Accelerated Wildfire Simulator for Reinforcement Learning

JaxWildfire：一种用于强化学习的GPU加速野火模拟器

Ufuk Çakır, Victor-Alexandru Darvariu, Bruno Lacerda, Nick Hawes

机构 * Oxford Robotics Institute（牛津机器人研究所） ； University of Oxford（牛津大学） 纠错

AI总结 JaxWildfire是一种基于JAX的GPU加速野火模拟器，利用单元格自动机模型实现高效模拟，加速RL训练以优化野火扑灭策略。

Comments To be presented at the NeurIPS 2025 Workshop on Machine Learning and the Physical Sciences (ML4PS)

EgoEdit: Dataset, Real-Time Streaming Model, and Benchmark for Egocentric Video Editing

EgoEdit：眼动视频编辑的数据集、实时流模型和基准测试

Runjia Li, Moayed Haji-Ali, Ashkan Mirzaei, Chaoyang Wang, Arpit Sahni, Ivan Skorokhodov, Aliaksandr Siarohin, Tomas Jakab, Junlin Han, Sergey Tulyakov, Philip Torr, Willi Menapace

机构 * Snap Research ； Rice University（里士满大学） ； University of Oxford（牛津大学） 纠错

AI总结 EgoEdit提出了一套眼动视频编辑的生态系统，包含数据集、实时流模型和基准测试，实现了眼动视频编辑的高稳定性和低延迟，同时在一般编辑任务中保持高性能。

Comments Project page: https://snap-research.github.io/EgoEdit

Large Language Models Miss the Multi-Agent Mark

大语言模型错失多智能体标记

Emanuele La Malfa, Gabriele La Malfa, Samuele Marro, Jie M. Zhang, Elizabeth Black, Michael Luck, Philip Torr, Michael Wooldridge

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Informatics, King’s College London（伦敦国王学院信息学院） ； Department of Engineering, University of Oxford（牛津大学工程系） ； University of Sussex（苏塞克斯大学） 纠错

AI总结 本文指出大语言模型多智能体系统在理论与实践间的差距，强调需整合MAS核心概念以避免误解和错失机会。

Comments NeurIPS 2025 - position track -

Target Speaker Extraction through Comparing Noisy Positive and Negative Audio Enrollments

通过比较噪声正样本和负样本音频进行目标说话人提取

Shitong Xu, Yiyuan Yang, Niki Trigoni, Andrew Markham

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

AI总结 本文提出通过比较噪声正样本与负样本音频提取目标说话人，提升单声道语音提取性能。

Comments Accepted by NeurIPS 2025

A Survey on Diffusion Models for Time Series and Spatio-Temporal Data

时间序列和时空数据扩散模型综述

Yiyuan Yang, Ming Jin, Haomin Wen, Chaoli Zhang, Yuxuan Liang, Lintao Ma, Yi Wang, Chenghao Liu, Bin Yang, Zenglin Xu, Shirui Pan, Qingsong Wen

机构 * University of Oxford（牛津大学） ； Griffith University（格里菲斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang Normal University（浙江师范大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； Salesforce Research（Salesforce研究） ； East China Normal University（东华大学） ； Fudan University（复旦大学） 纠错

AI总结 本文综述了扩散模型在时间序列和时空数据中的应用，系统梳理了模型类别、任务类型及实际应用场景，为后续研究提供基础。

Comments Accepted by ACM Computing Surveys; 37 pages; Github Repo: https://github.com/yyysjz1997/Awesome-TimeSeries-SpatioTemporal-Diffusion-Model