University of Cambridge（剑桥大学）

2608.12271 2026-08-13 cs.LG physics.ao-ph 新提交

Earth observation embeddings are effective sub-grid descriptors for probabilistic weather downscaling

地球观测嵌入是概率性天气降尺度的有效亚网格描述符

Pedro Sousa, Will Tebbutt, Sadiq Jaffer, Robin Young, Anil Madhavapeddy, Richard E. Turner

机构 * University of Cambridge（剑桥大学）

AI总结该研究提出用TESSERA嵌入增强卷积条件神经过程，用于概率性天气降尺度，在五个气候区提升了2米温度和10米风速的降尺度技能，且对不同变量和新站点均有效。

Comments 39 pages, 12 figures, 6 tables

2608.10915 2026-08-13 cs.AI 版本更新

ComBodied Agents: a New Paradigm of Human-Centric Agentic AI

具身融合智能体：以人为中心的智能体人工智能新范式

Qianggang Ding, Xingyao Wang, Rui Feng, Zhibin Wang, Feixiang Yao, Kelong Mao, Hao Sun, Zhiyao Luo, Jiankai Tang, Lei Li, Jiadong Guo, Minheng Ni, Weicong Lin, Chenxi Yang, Hongxiang Gao, Zhenghua Chen, Yang Bai, Min Wu, Jun Cheng, Huazhu Fu, Dacheng Tao, Bang Liu

机构 * Université de Montréal（蒙特利尔大学）； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所）； Nanjing Medical University（南京医科大学）； Nanjing University（南京大学）； Renmin University of China（中国人民大学）； University of Cambridge（剑桥大学）； University of Oxford（牛津大学）； Tsinghua University（清华大学）； National University of Singapore（新加坡国立大学）； The Hong Kong University of Science and Technology（香港科技大学）； The Hong Kong Polytechnic University（香港理工大学）； Southern University of Science and Technology（南方科技大学）； Southeast University（东南大学）； University of Glasgow（格拉斯哥大学）； Nanyang Technological University（南洋理工大学）

AI总结该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。

Comments 38 pages, 6 figures, 10 tables

2502.11665 2026-08-13 stat.ML cs.LG math.CA math.FA math.OC 版本更新

A Variational Analysis of Kernel Learning with Learnable Linear Transformations

带有可学习线性变换的核学习的变分分析

Yang Li, Feng Ruan

机构 * Cambridge University, Department of Pure Mathematics and Mathematical Statistics（剑桥大学数学系）； Northwestern University, Department of Statistics and Data Science（西北大学统计与数据科学系）

AI总结本文对引入可学习线性变换 $U$ 的核岭回归推广问题进行变分分析，研究其数学性质，重点关注多尺度与多指标数据场景下变换 $U$ 的作用。

Comments 68 pages, revised version