University of Cambridge（剑桥大学）

Automatic Laplace Collapsed Sampling: Scalable Marginalisation of Latent Parameters via Automatic Differentiation

自动拉普拉斯坍缩采样：通过自动微分实现高维潜在参数的可扩展边缘化

Toby Lovick, David Yallup, Will Handley

机构 * Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡夫利宇宙学研究所） 纠错

AI总结 本文提出ALCS框架，通过自动微分结合嵌套采样，高效稳健地进行贝叶斯模型中潜在参数的边缘化，支持高维场景下的证据计算，并展示自动微分在局部近似中的应用。

Comments 28 Pages, 7 Figures. Comments welcome

Conditional Neural Bayes Ratio Estimation for Experimental Design Optimisation

基于条件神经贝叶斯比率估计的实验设计优化

S. A. K. Leeney, T. Gessey-Jones, W. J. Handley, E. de Lera Acedo, H. T. J. Bevins, J. L. Tutt

机构 * Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学） ； Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡夫利宇宙学研究所） ； PhysicsX ； Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所） 纠错

AI总结 本文提出条件神经贝叶斯比率估计方法，用于在边缘可探测条件下优化实验设计，通过连续设计空间探索提升发现概率预测效率。

Comments 11 pages, 5 figures. Submitted to IEEE Transactions on Neural Networks and Learning Systems

Interpretable long-term traffic modelling on national road networks using theory-informed deep learning

基于理论指导的深度学习的国家道路网络长期交通建模

Yue Li, Shujuan Chen, Akihiro Shimoda, Ying Jin

机构 * Martin Centre for Architectural and Urban Studies, University of Cambridge（剑桥大学马丁建筑与城市研究中心） ； Independent Researcher（独立研究员） 纠错

AI总结 本文提出DeepDemand框架，结合交通理论与深度学习，通过社会经济特征和道路网络结构预测长期高速公路交通量，验证了其在长期规划中的有效性与地理可转移性。

Particulate: Feed-Forward 3D Object Articulation

Particulate: 用于前馈的3D物体关节化

Ruining Li, Yuxin Yao, Chuanxia Zheng, Christian Rupprecht, Joan Lasenby, Shangzhe Wu, Andrea Vedaldi

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 Particulate通过前馈模型从3D网格推断关节结构，包括3D部分、运动结构和约束，利用Transformer网络实现高效推理，速度快于传统方法，且适用于AI生成的3D资产。

Comments CVPR 2026. Project page: https://ruiningli.com/particulate

MemoryCD: Benchmarking Long-Context User Memory of LLM Agents for Lifelong Cross-Domain Personalization

MemoryCD：LLM代理跨领域终身个性化长期上下文用户记忆基准测试

Weizhi Zhang, Xiaokai Wei, Wei-Chieh Huang, Zheng Hui, Chen Wang, Michelle Gong, Philip S. Yu

机构 * Roblox ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Cambridge（剑桥大学） 纠错

AI总结 MemoryCD通过12个多样化领域和4种个性化任务，评估14种先进LLM基模型与6种记忆方法在单域和跨域场景下的长期上下文用户记忆能力，揭示现有方法在跨领域终身个性化中的不足。

Comments Published as a workshop paper in Lifelong Agent @ ICLR 2026