University of Oxford（牛津大学）

Data-Driven Graph Filters via Adaptive Spectral Shaping

通过自适应频谱塑造实现数据驱动的图滤波器

Dylan Sandfelder, Mihai Cucuringu, Xiaowen Dong

机构 * University of Oxford, Department of Engineering Science（牛津大学工程科学系） ； University of California, Los Angeles, Department of Mathematics（加州大学洛杉矶分校数学系） 纠错

AI总结 本文提出自适应频谱塑造方法，通过学习基频谱核和调整参数实现高效图滤波，支持跨图迁移和可解释性。

Efficient Algorithms for Partial Constraint Satisfaction Problems over Control-flow Graphs

基于控制流图的部分约束满足问题的高效算法

Xuran Cai, Amir Goharshady

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出了一种针对基于SPL分解的控制流图部分约束满足问题的高效算法，时间复杂度为O(|G|·|D|^6)，并展示了在最优银行选择任务上的实验结果。

Comments Already accepted by SETTA'25. accepted-papers" target="_blank" rel="noopener">https://www.setta2025.uk/accepted-papers. arXiv admin note: substantial text overlap with arXiv:2507.16660

A Positive Case for Faithfulness: LLM Self-Explanations Help Predict Model Behavior

对忠实性的积极案例：LLM自我解释有助于预测模型行为

Harry Mayne, Justin Singh Kang, Dewi Gould, Kannan Ramchandran, Adam Mahdi, Noah Y. Siegel

机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University College London（伦敦大学学院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出NSG度量标准，证明LLM自我解释能提升模型行为预测能力，且比外部生成解释更具预测价值，揭示了自我解释在AI监督中的积极作用。

Reg4Pru: Regularisation Through Random Token Routing for Token Pruning

Reg4Pru: 通过随机令牌路由进行令牌剪枝的正则化

Julian Wyatt, Ronald Clark, Irina Voiculescu

机构 * University of Oxford（牛津大学） 纠错

AI总结 Reg4Pru通过随机令牌路由正则化技术，有效缓解令牌剪枝对分割任务的性能损失，使模型在FIVES数据集上的平均精度提升46%，同时实现29%的计算效率提升。

Comments 11 pages, 7 figures

Reward Model Interpretability via Optimal and Pessimal Tokens

通过最优和最劣 tokens 实现奖励模型可解释性

Brian Christian, Hannah Rose Kirk, Jessica A. F. Thompson, Christopher Summerfield, Tsvetomira Dumbalska

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文通过分析奖励模型对不同token的评分，揭示了模型间的异质性、评分不对称性及潜在偏见，挑战了奖励模型的可互换性及代理人类价值观的假设。

Comments Accepted for publication in Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency (FAccT '25), to appear June 2025

MetaSym: A Symplectic Meta-learning Framework for Physical Intelligence

MetaSym: 一种用于物理智能的辛元学习框架

Pranav Vaidhyanathan, Aristotelis Papatheodorou, Mark T. Mitchison, Natalia Ares, Ioannis Havoutis

机构 * University of Oxford, UK（牛津大学） ； Trinity College Dublin, Ireland（都柏林信任学院） ； King’s College London, UK（伦敦国王学院） 纠错

AI总结 MetaSym 通过结合辛编码器和元注意解码器，实现对物理不变量的保护，并在多种现实任务中展现出优越的少样本适应能力。

Comments Published in Transactions on Machine Learning Research (TMLR), 10 + 18 pages, 9 figures, 10 tables

Journal ref Trans. Mach. Learn. Res., 2026

Multi-turn Evaluation of Anthropomorphic Behaviours in Large Language Models

多轮评估大型语言模型中的人格化行为

Lujain Ibrahim, Canfer Akbulut, Rasmi Elasmar, Charvi Rastogi, Minsuk Kahng, Meredith Ringel Morris, Kevin R. McKee, Verena Rieser, Murray Shanahan, Laura Weidinger

机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出多轮评估方法，评估大型语言模型的人格化行为，发现SOTA模型表现出关系建立和第一人称代词使用等行为，并强调多轮评估对复杂社会现象的重要性。