高校专区
基于3D基础模型的分布式协作SLAM中的回环闭合
机构 * Department of Computer and Software Engineering, Polytechnique Montréal（计算机与软件工程系，蒙特利尔理工学院） ； Oxford Robotics Institute, Dept. of Engineering Science, University of Oxford（牛津大学机器人研究所，工程科学系）
AI总结 本文提出基于3D基础模型的分布式协作SLAM回环闭合方法，通过整合基础模型提升多机器人建图的鲁棒性和效率。
对噪声数据和LLM预训练损失发散的实证研究
机构 * University of Oxford（牛津大学） ； FAIR at Meta（Meta 的 FAIR）
AI总结 本研究通过实证分析揭示噪声数据如何导致LLM预训练中的损失发散，并区分噪声与高学习率引起的发散模式。
Transformer 学习因式分解表示
机构 * Simplex, Astera Institute ； Sussex Centre for Consciousness Science, University of Sussex ； Centre for Complexity Science ； Center for Psychedelic Research, Department of Brain Sciences, Imperial College London ； Center for Eudaimonia ； Human Flourishing, University of Oxford ； Beyond Institute for Theoretical Science (BITS)
AI总结 Transformer通过预训练学习将世界分解为部分，并在正交子空间中表示因素，即使在条件独立性被破坏时仍倾向于保持这种因式分解表示。
线性注意力大语言模型中的状态排名动态
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Chinese Academy of Sciences（中国科学院大学） ； CAS Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院人工智能安全重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学）
AI总结 本研究揭示了线性注意力模型中状态排名分层现象，提出联合秩-范数剪枝策略，有效降低KV缓存开销并维持模型准确性。
生成因果时间交互图以验证时间链接预测的反事实性
机构 * University of Oxford（牛津大学）
AI总结 本文提出通过生成因果时间交互图来验证时间链接预测模型的反事实性，引入结构方程模型并提出基于预测误差的距离度量，用于评估因果模型的鲁棒性。
OS-Marathon: 在长周期重复任务上评估计算机使用代理的基准测试
机构 * University of Oxford（牛津大学） ； Microsoft（微软公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 OS-Marathon通过建立长周期重复任务的基准测试，评估计算机使用代理在处理复杂工作流中的性能和有效性。
Comments 22 Pages, Project Page: https://os-marathon.github.io/
Stream: 通过稀疏注意力扩展机械可解释性以分析LLM中的长上下文
机构 * University of Oxford（牛津大学） ； Spotify Spain（Spotify西班牙分公司） ； Spotify Netherlands（Spotify荷兰分公司） ； Spotify UK（Spotify英国分公司）
AI总结 Stream通过稀疏注意力技术实现LLM长上下文的高效可解释性分析，显著减少内存消耗并提升推理轨迹追踪能力。
当逐模式工作：针对具有缺失值的逻辑模型的理论和经验洞察
机构 * Department of Statistics, University of Oxford, Oxford, United Kingdom（牛津大学统计学系） ； INRIA PreMeDICaL, Institut Desbrest d’Épidémiologie et de Santé Publique (Idesp), University of Montpellier, Montpellier, France（INRIA PreMeDICaL、蒙彼利埃大学） ； Sorbonne Université, Université Paris Cité, CNRS, Laboratoire de Probabilités, Statistique et Modélisation (LPSM), F-75005 Paris, France（索邦大学、巴黎城市大学、国家科学研究中心）
AI总结 本文提出逐模式策略（PbP）用于逻辑模型中的缺失值处理，理论证明其在高斯模式混合模型下的有效性，并通过实验比较PbP与插补、EM方法在不同任务中的表现。
实现时间序列推理需要重新思考模型设计、任务制定和评估
机构 * University of Oxford, UK（牛津大学） ； Hong Kong University of Science（香港科学大学） ； Griffith University, Australia（格里菲斯大学） ； Tsinghua University, China（清华大学） ； University of Southern California, USA（南加州大学）
AI总结 本文指出时间序列推理需重新审视模型设计、任务制定和评估，提出统一框架以提升现实应用中的鲁棒性、可解释性和决策相关性。
安全与有效性权衡：对抗数据污染的鲁棒性
机构 * Mathematical Institute, University of Oxford, UK（牛津大学数学研究所）
AI总结 本文研究了数据污染攻击在输入空间中的鲁棒性问题，通过核岭回归模型揭示了攻击有效性与频谱可见性之间的权衡关系，并提出通过正则化和数据增强抑制污染的方法。
基础模型规模下的Hessian谱分析
机构 * Mathematical Institute, University of Oxford, UK（牛津大学数学研究所）
AI总结 本研究在大规模基础模型上实现了Hessian谱的准确分析，揭示了块对角曲率近似在中等规模LLM中的失效问题，展示了谱探测的计算效率与实际应用价值。
通过指令-策略共演进行代理策略优化
机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Machine Learning Research Group, University of Oxford（牛津大学机器学习研究组）
AI总结 INSPO通过指令与策略的共演机制，动态优化指令以提升代理在多轮检索和推理任务中的性能，显著优于静态指令基线。
Comments 8 pages, 4 figures, 1 table (17 pages including references and appendices)
TessPay：可信代理商业的验证后支付基础设施
机构 * University of Oxford（牛津大学） ； Indian Institute of Technology, Delhi（德里印度理工学院）
AI总结 TessPay通过'验证后支付'架构解决代理商业中的信任缺口，提供统一的交易生命周期基础设施。
可逆扩散解码用于扩散语言模型
机构 * East China Normal University（华东师范大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Oxford（牛津大学）
AI总结 可逆扩散解码通过引入可逆性，提升扩散语言模型生成的鲁棒性和质量，同时保持并行效率。
自主多智能体AI用于高通量聚合物信息学：从性质预测到生成设计跨越合成与生物聚合物
机构 * Institute of Biomedical Engineering University of Oxford（生物医学工程研究所牛津大学） ； Department of Mechanical and Aerospace Engineering University of Missouri–Columbia（机械与航空航天工程系密苏里大学-哥伦比亚分校） ； Center for Engineering, Modeling and Applied Social Sciences Federal University of ABC (UFABC)（工程、建模与应用社会科学中心巴西联邦大学ABC分校）
AI总结 本文提出一个自主多智能体AI系统，用于高通量聚合物信息学，实现从性质预测到生成设计的跨合成与生物聚合物应用。
JSR-GFNet: 针对未来认知全球导航卫星系统干扰分类的干扰-信号比感知动态门控
机构 * National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China（中国电子科技大学无线通信国家重点实验室） ； University of Electronic Science and Technology of China（中国电子科技大学） ； Shanghai Aerospace Electronic Technology Institute（上海航天电子技术研究所） ； Shanghai Key Laboratory of Collaborative Computing in Spacial Heterogeneous Networks (CCSN)（上海空间异构网络协同计算重点实验室） ； Anhui Science and Technology University（安徽科技大学） ； University of Oxford（牛津大学） ； Shanghai Xiaoyuan Innovation center（上海小元创新中心）
AI总结 JSR-GFNet通过结合相位敏感的IQ样本与STFT频谱图，利用动态门控机制提升GNSS干扰分类的准确性和鲁棒性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈