LiveBand: Live Accompaniment Generation in the Audio Domain
LiveBand: 音频域中的实时伴奏生成
机构 * University of Cambridge（剑桥大学）
AI总结 提出LiveBand系统，利用因果Transformer在预训练因果音频自编码器的连续潜空间中生成高保真伴奏，通过对抗序列级监督训练，实现实时流式生成。
高校专区
University of Cambridge（剑桥大学）
Informed Asymmetric Actor-Critic: Leveraging Privileged Signals Beyond Full-State Access
知情非对称Actor-Critic：利用超越全状态访问的特权信号
机构 * DeepMind（深度Mind） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 提出知情非对称Actor-Critic框架，允许评论家基于任意状态相关特权信号进行条件化，并证明其产生无偏策略梯度估计；设计两种信息性准则选择最优信号，实验表明精选信号可匹配或超越全状态基线。
Comments Accepted at ICML 2026
Lost in Serialization: Invariance and Generalization of LLM Graph Reasoners
迷失在序列化中：LLM图推理器的不变性与泛化能力
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究LLM图推理器对图表示对称性的缺乏不变性，通过分解序列化因素并评估微调影响，发现大模型更鲁棒，微调降低节点重标敏感但增加结构和格式敏感，且不保证泛化。
Comments ICML 2026 Workshop on Graph Foundation Models
Uncertainty-Aware Deep Learning for Wildfire Danger Forecasting
不确定性感知的深度学习用于野火危险预测
机构 * Aix-Marseille University（艾克斯-马赛大学） ； University of Cambridge（剑桥大学） ； University of Malaga（马拉加大学） ； University of Crete（希腊克里特大学）
AI总结 提出不确定性感知深度学习框架，联合捕获认知不确定性和偶然不确定性，提升短期野火危险预测的准确性和可靠性，F1分数提高2.3%，预期校准误差降低2.1%。
NoiseSDF2NoiseSDF: Learning Clean Neural Fields from Noisy Supervision
NoiseSDF2NoiseSDF: 从含噪监督中学习干净的神经场
机构 * University of Cambridge（剑桥大学）
AI总结 提出NoiseSDF2NoiseSDF方法，通过最小化含噪SDF表示之间的MSE损失，从含噪点云中学习干净的神经SDF，实现隐式去噪和表面优化。
Comments 16 pages, 7 figures
Position: The ML Community Must Build an AI-Augmented Peer-Review Ecosystem
立场：机器学习社区必须构建AI增强的同行评审生态系统
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对ML领域稿件激增导致同行评审危机，本文主张将AI辅助评审作为优先研究课题，提出利用大语言模型作为协作工具，增强事实核查、评审指导、作者改进和决策支持，并强调需要更细粒度的评审数据。
Comments 18 pages, 3 figures. Accepted (Oral) at the ICML 2026 Position Paper Track
Fact-Augmented Lookahead Planning for LLM Agents
面向LLM智能体的事实增强前瞻规划
机构 * University of Cambridge（剑桥大学）
AI总结 提出LWM-Planner框架，通过从轨迹中提取关键事实并用于条件化动作提议、世界模型模拟和状态值估计，实现无需参数更新的在线规划改进，在多个环境上优于ReAct/Reflexion和纯搜索基线。
Comments Accepted at the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026). Camera-ready version. 9-page main text plus appendices (63 pages total), 1 figure
