University of Oxford（牛津大学）

How Expressive Are Graph Neural Networks in the Presence of Node Identifiers?

图神经网络在存在节点标识符时的表达能力如何？

Arie Soeteman, Michael Benedikt, Martin Grohe, Balder ten Cate

机构 * Institute for Logic Language and Computation（逻辑语言与计算研究所） ； University of Amsterdam（阿姆斯特丹大学） ； Department of Computer Science（计算机科学系） ； University of Oxford（牛津大学） ； Lehrstuhl Informatik 7（信息学7系） ； RWTH Aachen University（亚琛工业大学） 纠错

AI总结 本文研究了在存在唯一节点标识符时，图神经网络的表达能力，探讨了其在不同聚合方式下的表现。

Comments 35 pages

One Model, Any Conjunctive Query: Graph Neural Networks for Answering Queries over Incomplete Knowledge Graphs

一个模型，任意联合查询：用于回答不完整知识图谱查询的图神经网络

Krzysztof Olejniczak, Xingyue Huang, Mikhail Galkin, İsmail İlkan Ceylan

机构 * University of Oxford（牛津大学） ； Intel AI（英特尔人工智能） ； TU Wien（维也纳技术大学） 纠错

AI总结 AnyCQ通过图神经网络和强化学习解决不完整知识图谱中任意联合查询的答案分类和检索问题，实现对复杂查询的泛化能力。

Comments Proceedings of the Fourth Learning on Graphs Conference (LoG 2025)

How Out-of-Distribution Detection Learning Theory Enhances Transformer: Learnability and Reliability

如何通过分布外检测学习理论增强Transformer：可学习性与可靠性

Yijin Zhou, Yutang Ge, Wenyuan Xie, Linqian Zeng, Xiaowen Dong, Yuguang Wang

机构 * Shanghai Jiao Tong University, China（上海交通大学） ； University of Oxford, UK（牛津大学） ； Shanghai AI Laboratory, China（上海人工智能实验室） ； University of New South Wales, Sydney, Australia（新南威尔士大学） ； Shanghai Innovation Institute, China（上海创新研究院） 纠错

AI总结 本文提出基于PAC理论的Transformer分布外检测方法，通过惩罚异常值误分类和生成软合成异常值，提升模型的可靠性和决策边界。

MADE: Benchmark Environments for Closed-Loop Materials Discovery

MADE：用于闭环材料发现的基准环境

Shreshth A Malik, Tiarnan Doherty, Panagiotis Tigas, Muhammed Razzak, Stephen J. Roberts, Aron Walsh, Yarin Gal

机构 * OATML, Department of Computer Science, University of Oxford（OATML，计算机科学系，牛津大学） ； Diffractive Labs ； Machine Learning Research Group, Department of Engineering Science, University of Oxford（机器学习研究组，工程科学系，牛津大学） ； Thomas Young Centre（托马斯·杨中心） ； Department of Materials, Imperial College London（材料系，伦敦帝国学院） 纠错

AI总结 MADE提出了一种闭环材料发现的基准框架，通过模拟受限预算下的材料发现流程，评估发现算法的有效性和效率，并支持灵活的工作流研究。

Faster Predictive Coding Networks via Better Initialization

通过更好的初始化提升预测编码网络的速度

Luca Pinchetti, Simon Frieder, Thomas Lukasiewicz, Tommaso Salvatori

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Institute of Logic and Computation, Vienna University of Technology（维也纳技术大学逻辑与计算研究所） ； VERSES AI Research Lab（VERSES AI研究实验室） 纠错

AI总结 本文提出了一种改进的初始化方法，通过优化预测编码网络的初始化以提升训练效率和性能。

SofT-GRPO: Surpassing Discrete-Token LLM Reinforcement Learning via Gumbel-Reparameterized Soft-Thinking Policy Optimization

SofT-GRPO：通过Gumbel-重新参数化软思考策略优化超越离散标记LLM强化学习

Zhi Zheng, Yu Gu, Wei Liu, Yee Whye Teh, Wee Sun Lee

机构 * School of Computing, National University of Singapore, Singapore（新加坡国立大学计算机学院） ； Department of Statistics, University of Oxford, United Kingdom（英国牛津大学统计系） ； School of Intelligence Science（智能科学学院） ； Technology, Nanjing University, China（技术学院，南京大学，中国） 纠错

AI总结 SofT-GRPO通过引入Gumbel噪声和重新参数化技巧，在软思考模式下提升LLM推理性能，使其在Pass@1和Pass@32任务中分别优于离散标记GRPO。

Step-DAD: Semi-Amortized Policy-Based Bayesian Experimental Design

Step-DAD: 半 amortized 政策导向的贝叶斯实验设计

Marcel Hedman, Desi R. Ivanova, Cong Guan, Tom Rainforth

机构 * University of Oxford（牛津大学） 纠错

AI总结 Step-DAD 是一种半 amortized、基于政策的贝叶斯实验设计方法，通过测试时更新策略提升灵活性和鲁棒性，实验证明其决策能力优于现有方法。

Comments Accepted at Proceedings of the 42nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:22904-22923, 2025

Plain Transformers Can be Powerful Graph Learners

原始变换器可以成为强大的图学习者

Liheng Ma, Soumyasundar Pal, Yingxue Zhang, Philip H. S. Torr, Mark Coates

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Huawei Noah’s Ark Lab, Montreal（华为诺亚实验室，蒙特利尔） ； University of Oxford（牛津大学） 纠错

AI总结 本研究证明原始变换器可通过简单修改成为强大图学习者，提出PPGT架构在图学习任务中表现优异。