University of Oxford（牛津大学）

Physics-Based Machine Learning Closures and Wall Models for Hypersonic Transition-Continuum Boundary Layer Predictions

基于物理的机器学习闭合关系和壁模型用于高超声过渡-连续边界层预测

Ashish S. Nair, Narendra Singh, Marco Panesi, Justin Sirignano, Jonathan F. MacArt

机构 * Department of Aerospace and Mechanical Engineering, University of Notre Dame（航空航天与机械工程系，圣约翰大学） ； Department of Mechanical and Aerospace Engineering, University of California, Irvine（机械与航空航天工程系，加州大学伊维德分校） ； Mathematical Institute, University of Oxford（数学研究所，牛津大学） 纠错

AI总结 本文提出基于物理的机器学习闭合关系和壁模型，用于提升高超声过渡-连续边界层预测的准确性。

Journal ref Physical Review Fluids 11, 033402 (2026)

The GeometricKernels Package: Heat and Matérn Kernels for Geometric Learning on Manifolds, Meshes, and Graphs

几何核包：用于流形、网格和图上几何学习的热核和Matérn核

Peter Mostowsky, Vincent Dutordoir, Iskander Azangulov, Noémie Jaquier, Michael John Hutchinson, Aditya Ravuri, Leonel Rozo, Alexander Terenin, Viacheslav Borovitskiy

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所） ； Cornell University（康奈尔大学） ； ETH Zürich and University of Edinburgh（苏黎世联邦理工学院和爱丁堡大学） 纠错

AI总结 GeometricKernels 是一个用于几何学习的Python包，实现了热核和Matérn核，支持在流形、网格和图上进行不确定性量化和自动微分。

Journal ref Journal of Machine Learning Research, 2025

Deep Learning for Financial Time Series: A Large-Scale Benchmark of Risk-Adjusted Performance

深度学习在金融时间序列中的应用：一种大规模的风险调整性能基准测试

Adir Saly-Kaufmann, Kieran Wood, Jan Peter-Calliess, Stefan Zohren

机构 * Machine Learning Research Group, Department of Engineering Science, University of Oxford（牛津大学工程科学系机器学习研究组） ； Oxford-Man Institute of Quantitative Finance, University of Oxford（牛津大学量化金融研究所） 纠错

AI总结 本文通过大规模基准测试，发现专门学习丰富时间表示的模型在金融时间序列预测中表现更优，尤其在夏普比率和交易成本方面具有优势。

Comments 43 pages, 27 figures, 11 tables

Spherical Latent Motion Prior for Physics-Based Simulated Humanoid Control

球形潜在动作先验用于基于物理的人形机器人控制

Jing Tan, Weisheng Xu, Xiangrui Jiang, Jiaxi Zhang, Kun Yang, Kai Wu, Jiaqi Xiong, Shiting Chen, Yangfan Li, Yixiao Feng, Yuetong Fang, Yujia Zou, Yiqun Song, Renjing Xu

机构 * The Hong Kong University of Science（香港科学与技术大学） ； University of Oxford, Oxford, United Kingdom（牛津大学） 纠错

AI总结 SLMP通过两阶段方法学习动作先验，利用蒸馏、判别器和语义一致性约束构建结构化潜在空间，实现稳定随机采样和物理合理的行为生成。

Reward Models Inherit Value Biases from Pretraining

奖励模型继承预训练中的价值偏见

Brian Christian, Jessica A. F. Thompson, Elle Michelle Yang, Vincent Adam, Hannah Rose Kirk, Christopher Summerfield, Tsvetomira Dumbalska

机构 * Department of Experimental Psychology, University of Oxford（心理学系，牛津大学） ； Department of Computer Science, University of Oxford（计算机科学系，牛津大学） ； AI/ML Research Group, Universitat Pompeu Fabra（人工智能/机器学习研究组，庞培法华大学） ； Oxford Internet Institute, University of Oxford（牛津互联网研究所，牛津大学） 纠错

AI总结 本研究发现奖励模型继承预训练模型的价值偏见，影响其对代理和共融的偏好，揭示了预训练阶段对安全和对齐的重要性。

Journal ref International Conference on Learning Representations (ICLR), 2026

ResCP: Reservoir Conformal Prediction for Time Series Forecasting

ResCP：用于时间序列预测的水库置信区间预测

Roberto Neglia, Andrea Cini, Michael M. Bronstein, Filippo Maria Bianchi

机构 * UiT the Arctic University of Norway（UiT北极大学） ； IDSIA USI-SUPSI, Università della Svizzera italiana（IDSIA瑞士联合大学） ； University of Oxford（牛津大学） ； NORCE Norwegian Research Centre AS（挪威研究机构） 纠错

AI总结 ResCP通过水库计算实现无训练时间序列预测的置信区间方法，有效处理局部时间动态并保持计算效率。

Comments ICLR 2026

SymGPT: Auditing Smart Contracts via Combining Symbolic Execution with Large Language Models

SymGPT：通过结合符号执行与大语言模型审计智能合约

Shihao Xia, Mengting He, Shuai Shao, Tingting Yu, Yiying Zhang, Nobuko Yoshida, Linhai Song

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Connecticut（康涅狄格大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学） ； SKLP, Institute of Computing Technology, Chinese Academy of Sciences（SKLP，计算技术研究所，中国科学院） 纠错

AI总结 SymGPT结合符号执行与大语言模型，自动检测智能合约的ERC规则违规，识别出大量潜在安全漏洞。

Comments 34 pages. arXiv admin note: text overlap with arXiv:2404.04306

Decoupling Dynamical Richness from Representation Learning: Towards Practical Measurement

解耦动态丰富性与表示学习：迈向实用测量

Yoonsoo Nam, Nayara Fonseca, Seok Hyeong Lee, Chris Mingard, Niclas Goring, Ouns El Harzli, Abdurrahman Hadi Erturk, Soufiane Hayou, Ard A. Louis

机构 * Oxford University（牛津大学） ； Seoul National University（首尔国立大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出了一种计算高效且性能无关的丰富性度量标准，用于分析动态丰富性与表示学习之间的关系，并探讨了训练因素对丰富性的影响。

Comments Published at ICLR 2026

Digital Companionship: Overlapping Uses of AI Companions and AI Assistants

数字陪伴：AI陪伴与AI助手的重叠使用

Aikaterina Manoli, Janet V. T. Pauketat, Ali Ladak, Hayoun Noh, Angel Hsing-Chi Hwang, Jacy Reese Anthis

机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。

Comments Final version with incorporated reviewer comments

Stabilizing Policy Gradients for Sample-Efficient Reinforcement Learning in LLM Reasoning

为LLM推理稳定化策略梯度以实现样本高效的强化学习

Luckeciano C. Melo, Alessandro Abate, Yarin Gal

机构 * OATML, University of Oxford（OATML，牛津大学） ； OXCAV, University of Oxford（OXCAV，牛津大学） 纠错

AI总结 CAPO通过曲率感知优化提升LLM推理的样本效率和稳定性

Comments Published at ICLR 2026

FORCE: Transferable Visual Jailbreaking Attacks via Feature Over-Reliance CorrEction

FORCE：通过特征过度依赖校正实现可转移的视觉劫持攻击

Runqi Lin, Alasdair Paren, Suqin Yuan, Muyang Li, Philip Torr, Adel Bibi, Tongliang Liu

机构 * Sydney AI Centre, The University of Sydney（悉尼人工智能中心，悉尼大学） ； Department of Engineering Science, University of Oxford（工程科学系，牛津大学） 纠错

AI总结 FORCE方法通过校正特征过度依赖，提升视觉劫持攻击的跨模型可转移性。

Comments Accepted by CVPR 2026

Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference

行动胜于提示：大型语言模型在图推断中的大规模研究

Ben Finkelshtein, Silviu Cucerzan, Sujay Kumar Jauhar, Ryen White

机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院） 纠错

AI总结 研究通过大规模评估揭示LLM在图推断中的表现，发现代码生成在长文本图中表现最佳，异质图上交互策略仍有效，且方法能灵活适应不同输入类型。

EquiReg: Equivariance Regularized Diffusion for Inverse Problems

EquiReg：等变正则化扩散用于逆问题

Bahareh Tolooshams, Aditi Chandrashekar, Rayhan Zirvi, Abbas Mammadov, Jiachen Yao, Chuwei Wang, Anima Anandkumar

机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine, Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； Neuroscience and Mental Health Institute, University of Alberta（阿尔伯塔大学神经科学与心理健康研究所） ； New York University（纽约大学） ； California Institute of Technology（加州理工学院） ； University of Oxford（牛津大学） 纠错

AI总结 EquiReg通过正则化扩散模型提升逆问题求解，有效引导采样向保持对称性的区域，提升图像修复和偏微分方程求解质量。