University of Oxford（牛津大学）

Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals

基于经验的自适应级联代理用于乳腺癌筛查与诊断以减少活检指征

Pramit Saha, Mohammad Alsharid, Joshua Strong, J. Alison Noble

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Department of Computer Science, Khalifa University（卡利法大学计算机科学系） 纠错

AI总结 基于经验的自适应级联代理框架用于乳腺癌筛查与诊断，通过减少诊断升级和活检指征提升诊断特异性。

Inference-time Physics Alignment of Video Generative Models with Latent World Models

视频生成模型的推理时间物理对齐：基于潜在世界模型

Jianhao Yuan, Xiaofeng Zhang, Felix Friedrich, Nicolas Beltran-Velez, Melissa Hall, Reyhane Askari-Hemmat, Xiaochuang Han, Nicolas Ballas, Michal Drozdzal, Adriana Romero-Soriano

机构 * FAIR, Meta Superintelligence Labs ； University of Oxford ； Mila - Qu\' e bec AI Institute ； Columbia University ； McGill University ； Canada CIFAR AI Chair 纠错

AI总结 本文提出WMReward方法，通过潜在世界模型提升视频生成的物理合理性，实验表明在多个生成设置中显著提高物理合理性，并在ICCV 2025挑战中取得第一名。

Comments 22 pages, 10 figures

Carré du champ flow matching: better quality-generalisation tradeoff in generative models

Carré du champ flow matching: 更好的质量-泛化权衡在生成模型中

Jacob Bamberger, Iolo Jones, Dennis Duncan, Michael M. Bronstein, Pierre Vandergheynst, Adam Gosztolai

机构 * Institute of Artificial Intelligence（人工智能研究所） ； Medical University of Vienna（维也纳医科大学） ； University of Oxford（牛津大学） ； AITHYRA ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 Carré du champ flow matching通过几何感知噪声改进生成模型的质量-泛化权衡，适用于数据稀缺和非均匀采样场景。

Gradient is All You Need? How Consensus-Based Optimization can be Interpreted as a Stochastic Relaxation of Gradient Descent

梯度是全部需要吗？如何将基于共识的优化解释为梯度下降的随机松弛

Konstantin Riedl, Timo Klock, Carina Geldhauser, Massimo Fornasier

机构 * University of Oxford, Mathematical Institute（牛津大学数学研究所） ； Deeptech Consulting（德普科技咨询） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系） ； Technical University of Munich, School of Computation, Information and Technology, Department of Mathematics（慕尼黑技术大学计算、信息与技术学院数学系） ； Munich Center for Machine Learning Munich Data Science Institute（慕尼黑机器学习中心慕尼黑数据科学研究所） 纠错

AI总结 本文将基于共识的优化解释为梯度下降的随机松弛，揭示其在非凸优化中的全局收敛性及对能量壁垒的克服能力。

Comments 49 pages, 5 figures