University of Oxford（牛津大学）

A Systematic Evaluation of Sample-Level Tokenization Strategies for MEG Foundation Models

对MEG基础模型的样本级分词策略系统评估

SungJun Cho, Chetan Gohil, Rukuang Huang, Oiwi Parker Jones, Mark W. Woolrich

机构 * Oxford Centre for Human Brain Activity（牛津人类大脑活动中心） ； University of Oxford（牛津大学） ； Nuffield Department of Clinical Neurosciences（努尔菲尔德临床神经科学系） ； Department of Psychiatry（精神病学系） 纠错

AI总结 本文系统评估了MEG数据中样本级分词策略对神经基础模型的影响，提出了一种基于自编码器的可学习分词方法，实验表明简单固定分词策略在重建准确性和下游任务性能上表现良好。

Comments 15 pages, 10 figures, 1 table

Boundary Point Jailbreaking of Black-Box LLMs

黑盒大语言模型的边界点劫持

Xander Davies, Giorgi Giglemiani, Edmund Lau, Eric Winsor, Geoffrey Irving, Yarin Gal

机构 * UK AI Security Institute（英国人工智能安全研究所） ； OATML, University of Oxford（OATML、牛津大学） 纠错

AI总结 BPJ是一种全新的黑盒自动化劫持攻击方法，通过边界点选择策略有效突破宪法分类器和GPT-5输入分类器的防护。

Geometric Neural Operators via Lie Group-Constrained Latent Dynamics

通过李群约束的潜在动态实现几何神经算子

Jiaquan Zhang, Fachrina Dewi Puspitasari, Songbo Zhang, Yibei Liu, Kuien Liu, Caiyan Qin, Fan Mo, Peng Wang, Yang Yang, Chaoning Zhang

机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（信息与软件工程学院，电子科学与技术大学） ； Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程，电子科学与技术大学） ； Institute of Software Chinese Academy of Sciences, Beijing, China（软件研究所，中国科学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen, China（机器人与先进制造学院，哈尔滨工业大学（深圳）） ； Department of Computer Science, University of Oxford, Oxford, United Kingdom（计算机科学系，牛津大学） 纠错

AI总结 本文提出了一种基于李群约束的潜在动态方法，用于改进神经算子的几何诱导偏差，从而提高长期预测的保真度。

Robust Stochastic Gradient Posterior Sampling with Lattice Based Discretisation

基于格子的鲁棒随机梯度后验抽样

Zier Mensch, Lars Holdijk, Samuel Duffield, Maxwell Aifer, Patrick J. Coles, Max Welling, Miranda C. N. Cheng

机构 * Institute of Physics, University of Amsterdam, Netherlands（阿姆斯特丹大学物理研究所） ； Institute for Mathematics, Academia Sinica, Taiwan（台湾） ； Korteweg-de Vries Institute for Mathematics, University of Amsterdam, Netherlands（阿姆斯特丹大学克罗特-德-维尔斯数学研究所） ； Department of Computer Science, University of Oxford, United Kingdom（牛津大学计算机科学系） ； Normal Computing Corporation, New York, New York, USA（正常计算公司） ； Amsterdam Machine Learning Lab, University of Amsterdam, Netherlands（阿姆斯特丹机器学习实验室） ； Department of Physics, National Taiwan University, Taiwan（台湾国立台湾大学物理系） 纠错

AI总结 本文提出SGLRW方法，通过改进的离散化技术提升随机梯度MCMC在小批量和厚尾噪声下的鲁棒性，并在贝叶斯回归和分类中表现出色。

Learning to Drive in New Cities Without Human Demonstrations

在没有人类示范的情况下学习新城市的驾驶

Zilin Wang, Saeed Rahmani, Daphne Cornelisse, Bidipta Sarkar, Alexander David Goldie, Jakob Nicolaus Foerster, Shimon Whiteson

机构 * WhiRL, University of Oxford（WhiRL，牛津大学） ； FLAIR, University of Oxford（FLAIR，牛津大学） ； Delft University of Technology（代尔夫特理工大学） ； NYU Tandon School of Engineering（纽约大学工程学院） 纠错

AI总结 NOMAD通过自play多智能体强化学习，在无需人类示范的情况下，利用地图和元信息实现自动驾驶策略在不同城市间的适应与优化。

Comments Autonomous Driving, Reinforcement Learning, Self-play, Simulation, Transfer Learning, Data-efficient Adaptation. Project Page: https://nomaddrive.github.io/