University of Cambridge（剑桥大学）

2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing

2026 年人工智能与机器学习在智能制造中的路线图

Jay Lee, Hanqi Su, Marco Macchi, Adalberto Polenghi, Wei Wu, Zhiheng Zhao, George Q. Huang, Kiva Allgood, Devendra Jain, Benedikt Gieger, Vibhor Pandhare, Soumyabrata Bhattacharjee, Ram Mohril, Lingbao Kong, Qiyuan Wang, Xinlan Tang, Sungjong Kim, Chan Hee Park, Byeng D. Youn, Guo Dong Goh, Xi Huang, Wai Yee Yeong, Yung C Shin, He Zhang, Zitong Wang, Fei Tao, Jagjit Singh Srai, Satyandra K. Gupta, Byung Gun Joung, Albin John, John W. Sutherland, Sang Won Lee, Olga Fink, Vinay Sharma, Faez Ahmed, Wei Chen, Mark Fuge, Arild Waaler, Martin G. Skjæveland, Dimitris Kyritsis, Wei Chen, VispiNevile Karkaria, Yi-Ping Chen, Ying-Kuan Tsai, Joseph Cohen, Xun Huan, Jing Lin, Liangwei Zhang, Gregory W. Vogl, Aaron W. Cornelius, Xiaodong Jia, Dai-Yan Ji, Takanobu Minami, Ruoxin Wang

机构 * Center for Industrial Artificial Intelligence, Department of Mechanical Engineering, University of Maryland, College Park（工业人工智能中心，机械工程系，马里兰大学College Park分校） ； Department of Management, Economics and Industrial Engineering, Politecnico di Milano（管理、经济与工业工程系，米兰理工学院） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； Centre for Advanced Manufacturing & Supply Chains, World Economic Forum（先进制造与供应链研究中心，世界经济论坛） ； Department of Mechanical Engineering, Indian Institute of Technology Indore（机械工程系，印度理工学院Indore分校） ； Future Information Innovative College, Fudan University（未来信息创新学院，复旦大学） ； Department of Mechanical Engineering, Seoul National University（机械工程系，首尔国立大学） ； Department of Mechanical and Information Engineering, University of Seoul（机械与信息工程系，首尔大学） ； Onepredict Corp.（Onepredict公司） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； Singapore Centre for 3D Printing, Nanyang Technological University（新加坡3D打印中心，南洋理工大学） ； Mechanical Engineering, Purdue University（机械工程系，普渡大学） ； Digital Twin International Research Center, International Institute for Interdisciplinary and Frontiers, Beihang University（数字孪生国际研究中心， interdisciplinary and Frontiers 国际研究院，北京航空航天大学） ； School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Center for Advanced Manufacturing, University of Southern California（先进制造中心，南加州大学） ； School of Sustainability Engineering and Environmental Engineering, Purdue University（可持续工程与环境工程系，普渡大学） ； School of Mechanical Engineering, Sungkyunkwan University（机械工程系，全南大学） ； Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统，苏黎世联邦理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Department of Mechanical and Process Engineering, ETH Zürich（机械与工艺工程系，苏黎世联邦理工学院） 纠错

AI总结 本文探讨人工智能与机器学习在智能制造中的发展现状与未来方向，涵盖基础理论、应用领域及新兴技术，旨在推动创新与产业应用。

Comments This paper has been accepted for publication in the Journal Machine Learning: Engineering

The Seismic Wavefield Common Task Framework

地震波场共同任务框架

Alexey Yermakov, Yue Zhao, Marine Denolle, Yiyu Ni, Philippe M. Wyder, Judah Goldfeder, Stefano Riva, Jan Williams, David Zoro, Amy Sara Rude, Matteo Tomasetto, Joe Germany, Joseph Bakarji, Georg Maierhofer, Miles Cranmer, J. Nathan Kutz

机构 * Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Department of Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； High Performance Machine Learning team, SURF（SURF高性能机器学习团队） ； Department of Earth and Space Sciences, University of Washington（华盛顿大学地球与空间科学系） ； Distyl AI ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（米兰理工学院能源部核工程分校） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Mechanical Engineering, Politecnico di Milano（米兰理工学院机械工程系） ； Department of Mathematics, American University in Beirut（贝鲁特美国大学数学系） ； Department of Mechanical Engineering, American University in Beirut（贝鲁特美国大学机械工程系） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） 纠错

AI总结 本文提出地震波场共同任务框架，通过三个数据集评估算法性能，解决地震预测与重建中的挑战。

Comments 34 pages, 7 figures

Explaining the Explainers in Graph Neural Networks: a Comparative Study

解释图神经网络解释器：一项比较研究

Antonio Longa, Steve Azzolin, Gabriele Santin, Giulia Cencetti, Pietro Liò, Bruno Lepri, Andrea Passerini

机构 * University of Trento（特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会） ； University of Venice（威尼斯大学） ； CNRS, Centre de Physique Theorique（国家科学研究中心，理论物理中心） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文通过系统实验比较十种解释器在八种图和节点分类架构上的表现，揭示了不同架构的可解释性差异及解释器选择的指导原则。

Journal ref ACM Comput. Surv. 57, 5, Article 120 (2025), 37 pages

Mapping the Methodological Space of Classroom Interaction Research: Scale, Duration, and Modality in an Age of AI

课堂互动研究的方法论空间映射：在AI时代规模、持续时间和模态

Dorottya Demszky, Edith Bouton, Alison Twiner, Sara Hennessy, Richard Correnti

机构 * Stanford Graduate School of Education（斯坦福大学教育研究生院） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Faculty of Education, University of Cambridge（剑桥大学教育学院） ； University of Pittsburgh, Learning Research and Development Center（匹兹堡大学学习研究与发展中心） 纠错

AI总结 本文提出一个框架，通过规模、持续时间和模态三个维度，探讨课堂互动研究的方法论空间，并分析AI如何扩展此领域及指导研究与工具设计。

To Build or Not to Build? Factors that Lead to Non-Development or Abandonment of AI Systems

构建还是不构建？导致AI系统不发展或放弃的因素

Shreya Chappidi, Jatinder Singh

机构 * University of Cambridge（剑桥大学） ； National Cancer Institute, National Institutes of Health（国家癌症研究所，美国国立卫生研究院） ； Research Centre Trust, UA Ruhr, University Duisburg-Essen（研究信托中心，乌尔姆鲁尔，杜伊斯堡-埃森大学） 纠错

AI总结 本文探讨了影响AI系统不发展或放弃的关键因素，通过文献综述和案例研究，识别了伦理、反馈、生命周期挑战等六类因素，并指出现有研究需更全面地考虑非伦理相关因素。

Comments Accepted to ACM FAccT 2026

Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification

通过结构感知密集化实现更快的3D高斯散射收敛

Linjie Lyu, Ayush Tewari, Jianchun Chen, Thomas Leimkühler, Christian Theobalt

机构 * Cambridge University（剑桥大学） ； Saarbrücken Research Center for Visual Computing, Interaction, and Artificial Intelligence (VIA)（萨尔布吕肯视觉计算、交互与人工智能研究中心（VIA）） 纠错

AI总结 本文提出一种结构感知密集化框架，通过多尺度频率分析和各向异性分裂提升3D高斯散射的收敛速度和重建质量。

Comments Siggraph 2026

PhotIQA: A photoacoustic image data set with image quality ratings

PhotIQA: 一个包含图像质量评分的光电图像数据集

Anna Breger, Janek Gröhl, Clemens Karner, Thomas R Else, Ian Selby, Tom Rix, Lara-Sophie Witt, Merle Duchêne, Jonathan Weir-McCall, Carola-Bibiane Schönlieb

机构 * University of Cambridge, DAMTP, Cambridge, United Kingdom（剑桥大学，DAMTP，剑桥，英国） ； Medical University of Vienna, CMPBE, Vienna, Austria（维也纳医科大学，CMPBE，维也纳，奥地利） ； University of Cambridge, Department of Physics, Cambridge, UK（剑桥大学，物理系，剑桥，英国） ； Cancer Research UK Cambridge Institute, Cambridge, UK（英国癌症研究会剑桥研究所，剑桥，英国） ； ENI-G, a Joint Initiative of the University Medical Center Göttingen and the Max Planck Institute for Multidisciplinary Sciences, Göttingen, Germany（ENI-G，歌德堡大学医疗中心与马克斯·普朗克多学科科学研究所的联合倡议，歌德堡，德国） ； University of Cambridge, Department of Radiology, Cambridge, UK（剑桥大学，放射学系，剑桥，英国） ； Cambridge University Hospitals, Department of Radiology, Cambridge, UK（剑桥大学医院，放射学系，剑桥，英国） ； German Cancer Research Center (DKFZ), IMSY, Heidelberg, Germany（德国癌症研究中心（DKFZ），IMSY，海德堡，德国） ； Faculty of Mathematics and Computer Science, Heidelberg University, Germany（海德堡大学，数学与计算机科学学院，德国） ； King’s College London, School of Biomedical Engineering & Imaging Sciences, London, UK（伦敦国王学院，生物医学工程与成像科学学院，伦敦，英国） 纠错

AI总结 本文提出PhotIQA数据集，包含1134张光电图像，由五位专家对五项质量属性进行全参考评分，用于支持IQA方法的开发与测试。

Comments 16 pages

Robot Learning from Human Videos: A Survey

从人类视频学习机器人：综述

Junyi Ma, Erhang Zhang, Haoran Yang, Ditao Li, Chenyang Xu, Guangming Wang, Hesheng Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文综述了通过人类视频学习机器人技能的方法，探讨了政策学习基础、人类视频接口、技能转移层次分类及数据基础，分析了挑战与未来研究方向。

Comments Paper list: https://github.com/IRMVLab/awesome-robot-learning-from-human-videos

DOT-Sim: Differentiable Optical Tactile Simulation with Precise Real-to-Sim Physical Calibration

DOT-Sim: 基于精确实-仿真物理校准的可微光学触觉仿真

Yang You, Won Kyung Do, Aiden Swann, Rika Antonova, Monroe Kennedy, Leonidas Guibas

机构 * Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Toyota Research Institute University 2.0 Program（丰田研究院大学2.0计划） ； ARL grant W911NF-21-2-0104（ARL授予的W911NF-21-2-0104项目） ； Vannevar Bush Faculty Fellowship（范内var布什教职 fellowship） ； Flexiv corporation（Flexiv公司） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出DOT-Sim，通过材料点法建模软传感器为弹性材料，实现高精度光学触觉仿真，支持大变形和非线性模拟，并在实-仿真任务中验证了物理和视觉真实性。

Comments Accepted at ICRA 2026

A Decision-Theoretic Formalisation of Steganography With Applications to LLM Monitoring

基于决策理论的隐写术形式化及其在大语言模型监控中的应用

Usman Anwar, Julianna Piskorz, David D. Baek, David Africa, Jim Weatherall, Max Tegmark, Christian Schroeder de Witt, Mihaela van der Schaar, David Krueger

机构 * University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； UK AI Safety Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； Mila, University of Montreal（蒙特利尔大学米尔人工智能实验室） 纠错

AI总结 本文提出决策理论视角下的隐写术形式化方法，通过通用V-信息量定义隐写差距，用于检测和缓解大语言模型中的隐写推理行为。

Comments First two authors contributed equally

Fundamental Physics, Existential Risks and Human Futures

基础物理、存在风险与人类未来

Adrian Kent

机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge, Wilberforce Road, Cambridge, CB3 0WA, United Kingdom（量子信息与基础研究中心，戴森数学物理系，剑桥大学，威尔伯福路，剑桥，CB3 0WA，英国） ； Perimeter Institute for Theoretical Physics, 31 Caroline Street N, Waterloo, ON N2L 2Y5, Canada（周边理论物理研究所，31卡罗琳街N，水坝，ON N2L 2Y5，加拿大） 纠错

AI总结 作者探讨了基础物理、量子现实问题及意识与物理定律的关系，提出可能发现超越量子理论的新物理规律，对信息处理和人工智能未来有深远影响。

Comments Invited article for Phil. Trans. Roy. Soc. for the 25th anniversary of their millennium volume

Journal ref Philos Trans A Math Phys Eng Sci (2025) 383 (2296): 20230376

Quantamination: Dynamic Quantization Leaks Your Data Across the Batch

量化污染：动态量化在批次中泄露你的数据

Hanna Foerster, Ilia Shumailov, Cheng Zhang, Yiren Zhao, Jamie Hayes, Robert Mullins

机构 * University of Cambridge（剑桥大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文揭示动态量化中存在关键漏洞，攻击者可通过量化策略窃取同一批数据中的敏感信息，主要贡献是发现4种主流框架存在数据泄露风险。

Comments 11 pages, 4 figures, 4 tables

EnerGS: Energy-Based Gaussian Splatting with Partial Geometric Priors

EnerGS: 基于部分几何先验的能量场能量基于高斯点散射

Rui Song, Tianhui Cai, Markus Gross, Yun Zhang, Walter Zimmer, Zhiyu Huang, Olaf Wysocki, Jiaqi Ma

机构 * University of California, Los Angeles, California, USA（加州大学洛杉矶分校） ； University of Cambridge, Cambridge, UK（剑桥大学） ； Technical University of Munich, Munich, Germany（慕尼黑技术大学） 纠错

AI总结 EnerGS通过建模部分可观测几何为连续能量场，提升大规模户外场景中高斯点散射的光度质量和几何稳定性，同时缓解过拟合问题。

A Virtual Mechanical Interaction Layer Enables Resilient Human-to-Robot Object Handovers

虚拟机械交互层实现人机物体传递的鲁棒性

Omar Faris, Sławomir Tadeja, Fulvio Forni

机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） 纠错

AI总结 本文提出虚拟模型控制层和增强现实技术，提升人机物体传递过程中对物体姿态变化的适应能力，并通过实验验证了其在复杂不确定性下的鲁棒性。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)

KinDER: A Physical Reasoning Benchmark for Robot Learning and Planning

KinDER：机器人学习与规划的运动学与动力学推理基准

Yixuan Huang, Bowen Li, Vaibhav Saxena, Yichao Liang, Utkarsh Aashu Mishra, Liang Ji, Lihan Zha, Jimmy Wu, Nishanth Kumar, Sebastian Scherer, Danfei Xu, Tom Silver

机构 * Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 纠错

AI总结 KinDER基准针对机器人学习与规划中的物理推理挑战，包含25个生成环境、Python库和评估套件，旨在通过系统比较不同方法提升机器人物理推理能力。

Comments Project website: https://prpl-group.com/kinder-site/. 21 pages, 8 figures. Accepted to Robotics Science and Systems (RSS), 2026

EigentSearch-Q+: Enhancing Deep Research Agents with Structured Reasoning Tools

EigentSearch-Q+: 通过结构化推理工具增强深度研究代理

Boer Zhang, Mingyan Wu, Dongzhuoran Zhou, Yuqicheng Zhu, Wendong Fan, Puzhen Zhang, Zifeng Ding, Guohao Li, Yuan He

机构 * Meta ； Northeastern University, China（东北大学） ； University of Oslo（奥斯陆大学） ； Bosch Center for AI（博世人工智能中心） ； University of Stuttgart（斯图加特大学） ； University of Cambridge（剑桥大学） ； Mina AI ； Amazon（亚马逊） 纠错

AI总结 本文提出Q+工具，通过引导查询规划和证据提取提升深度研究代理的搜索效率，实验显示在多个基准测试中提升了模型准确性。

Extreme bandits

极端老虎机

Alexandra Carpentier, Michal Valko

机构 * Statistical Laboratory, CMS University of Cambridge（统计实验室，计算机科学与应用数学系，剑桥大学） ； SequeL team INRIA Lille - Nord Europe（SequeL团队，法国国家信息与自动化研究所里尔-北欧洲研究中心） 纠错

AI总结 本文研究在有限反馈下如何高效分配资源检测极端值，提出ExtremeHunter算法并进行实验证明其有效性。

Comments Published at Neural Information Processing Systems (NeurIPS) 2014

Stochastic simultaneous optimistic optimization

随机同时乐观优化

Michal Valko, Alexandra Carpentier, Rémi Munos

机构 * INRIA Lille - Nord Europe, SequeL team（INRIA里尔-北欧，SequeL团队） ； Statistical Laboratory, CMS, Wilberforce Road, CB3 0WB, University of Cambridge, United Kingdom（剑桥大学统计实验室，CMS，威尔伯福斯路，CB3 0WB，英国） 纠错

AI总结 本文研究在噪声干扰下有限次评估中全局最大化函数的问题，提出无需半度量知识的StoSOO算法，通过乐观策略构建层次划分的置信区间来选择下一步采样点，证明其在有限时间内性能接近最优调优算法。

Comments Published in International Conference on Machine Learning (ICML 2013)

Differentiable Faithfulness Alignment for Cross-Model Circuit Transfer

可微的忠实对齐用于跨模型电路转移

Shun Shao, Binxu Wang, Shay B. Cohen, Anna Korhonen, Yonatan Belinkov

机构 * University of Cambridge（剑桥大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所） ； University of Edinburgh（爱丁堡大学） ； Technion（技术学院） 纠错

AI总结 本文提出DFA框架，通过学习可微对齐将小模型的电路信息转移到大模型，实验证明在事实检索、多选推理和算术任务中，DFA在Llama-3 1B→3B任务中表现优异，且在某些情况下恢复的电路忠实度不低于直接归因。

Comments 10 pages, 5 figures

TOL: Textual Localization with OpenStreetMap

TOL: 基于OpenStreetMap的文本定位

Youqi Liao, Shuhao Kang, Jingyu Xu, Olaf Wysocki, Yan Xia, Jianping Li, Zhen Dong, Bisheng Yang, Xieyuanli Chen

机构 * Wuhan University（武汉大学） ； Technical University of Munich（慕尼黑技术大学） ； Institute of Artificial Intelligence (TeleAI)（人工智能研究院（TeleAI）） ； China Telecom（中国电信） ； University of Cambridge（剑桥大学） ； University of Science and Technology of China（中国科学技术大学） ； national university of defense technology（国防科技大学） 纠错

AI总结 本文提出T2O定位任务，利用文本描述和OSM地图实现无几何观测的精准定位，引入TOL基准数据集和TOLoc框架，实验表明在不同阈值下优于现有方法。

Comments Tech repo

GeoCert: Certified Geometric AI for Reliable Forecasting

GeoCert: 用于可靠预测的几何AI

Regina Zhang, Zongru Li, Honggang Wen, Xiaofeng Liu, Siu-Ming Yiu, Pietro Liò, Kwok-Yan Lam

机构 * Department of Biomedical Informatics & Data Science, Yale University（耶鲁大学生物医学信息学与数据科学系） ； Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） ； School of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） 纠错

AI总结 GeoCert通过统一预测、物理推理和形式验证，提升预测系统的准确性与可靠性，实现97.5%的计算成本降低和更高效的认证。

Comments 15 pages, 4 figures

AnalogRetriever: Learning Cross-Modal Representations for Analog Circuit Retrieval

AnalogRetriever: 为模拟电路检索学习跨模态表示

Yihan Wang, Lei Li, Yao Lai, Jing Wang, Yan Lu

机构 * Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学） 纠错

AI总结 本文提出AnalogRetriever，通过构建高质量数据集和三模态检索框架，实现跨模态的模拟电路检索，实验表明其在六个方向上的Recall@1达到75.2%，显著优于现有方法。

Comments 10 pages, 7 figures. Yihan Wang and Lei Li contributed equally to this paper

Understanding Representation Gaps Across Scales in Tropical Tree Species Classification from Drone Imagery

理解无人机影像中热带树种分类的多尺度表征差距

Sulagna Saha, Arthur Ouaknine, Etienne Laliberté, Carol Altimas, Evan M. Gora, Adriane Esquivel Muelbert, Ian R. McGregor, Cesar Gutierrez, Vanessa E. Rubio, David Rolnick

机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； Cary Institute of Ecosystem Studies（生态系统研究所） ； Smithsonian Tropical Research Institute（史密松国家热带研究所） ； Department of Plant Sciences, University of Cambridge（剑桥大学植物科学系） ； Universidade do Estado do Mato Grosso (UNEMAT)（马托格罗索州立大学（UNEMAT）） 纠错

AI总结 研究通过对比高分辨率近景与粗分辨率俯视影像，发现近景影像在树种分类中表现更优，尤其对稀有物种效果更显著，提出跨尺度自监督表征对齐方法提升分类模型性能。

Comments ML4RS @ICLR 2026 (Main)

The Shape of Adversarial Influence: Characterizing LLM Latent Spaces with Persistent Homology

对抗影响的形状：利用持久同调表征大语言模型的潜在空间

Aideen Fay, Inés García-Redondo, Qiquan Wang, Haim Dubossarsky, Anthea Monod

机构 * Microsoft Security Response Center（微软安全响应中心） ； AIDOS Lab, University of Fribourg（弗里堡大学AIDOS实验室） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Queen Mary University of London（伦敦大学量子玛丽学院） ； Imperial College London（伦敦帝国理工学院） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文利用持久同调方法分析对抗输入如何改变大语言模型潜在空间的几何拓扑结构，揭示了潜在空间压缩和拓扑特征的普遍性。

Artificial intelligence for methane detection: from continuous monitoring to verified mitigation

人工智能用于甲烷检测：从持续监测到验证减排

Gonzalo Mateo-Garcia, Anna Allen, Itziar Irakulis-Loitxate, Manuel Montesino-San Martin, Marc Watine, Cynthia Randles, Tharwat Mokalled, Alma Raunak, Carol Castañeda-Martinez, Juan E. Jonhson, Javier Gorroño, James Requeima, Claudio Cifarelli, Luis Guanter, Richard E. Turner, Manfredi Caltagirone

机构 * International Methane Emissions Observatory, United Nations Environment Programme（国际甲烷排放观测站，联合国环境规划署） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Research Institute of Water and Environmental Engineering (IIAMA), Universitat Politècnica de València (UPV)（水和环境工程研究所（IIAMA），瓦伦西亚理工大学（UPV）） ； Vector Institute, University of Toronto（向量研究所，多伦多大学） ； Environmental Defense Fund（环境保卫基金会） 纠错

AI总结 本文提出MARS-S2L模型，利用多光谱卫星图像检测甲烷排放，实现高分辨率监测，识别78%的烟雾并有效减少排放。

Does Welsh media need a review? Detecting bias in Nation.Cymru's political reporting

威尔士媒体是否需要审查？检测国家·威尔士政治报道中的偏见

Cai Parry-Jones

机构 * University of Cambridge, Cambridge, United Kingdom（剑桥大学） 纠错

AI总结 本文通过计算方法检测威尔士媒体中的偏见，发现Reform UK的报道偏见程度显著高于Plaid Cymru，为威尔士媒体审查提供依据。

A Study of Data Selection Strategies for Pre-training Self-Supervised Speech Models

对预训练自监督语音模型的数据选择策略的研究

Ryan Whetten, Titouan Parcollet, Marco Dinarelli, Yannick Estève

机构 * Laboratoire Informatique d'Avignon, Avignon Université（阿维尼昂信息实验室，阿维尼昂大学） ； University of Cambridge（剑桥大学） ； Laboratoire d'Informatique de Grenoble, Université Grenoble Alpes（格勒诺布尔信息实验室，格勒诺布尔大学） 纠错

AI总结 本文研究了预训练自监督语音模型中数据选择策略的影响，发现优先选择长语音可提升ASR性能，且减少训练时间，挑战了数据多样性和数量的重要性。

Comments Accepted for publication in the 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2026)

Is K-fold cross validation the best model selection method for Machine Learning?

K折交叉验证是否是机器学习中最佳的模型选择方法？

Juan M Gorriz, R. Martin Clemente, F Segovia, J Ramirez, A Ortiz, J. Suckling

机构 * Department of Signal Theory and Communications University of Granada（信号理论与通信系格拉纳达大学） ； Department of Communications Engineering University of Malaga（通信工程系马拉加大学） ； Department of Psychiatry University of Cambridge（精神病学系剑桥大学） ； International Initiatives for the Alzheimer’s Disease Neuroimaging Initiative (ADNI)（阿尔茨海默病神经影像计划（ADNI）国际倡议） 纠错

AI总结 本文探讨K折交叉验证在机器学习模型选择中的有效性，提出基于K折交叉验证和实际风险上界（K折CUBV）的新型统计检验方法，以提高模型验证的鲁棒性和准确性。

Comments 40 pages, 24 figures

Concept Graph Convolutions: Message Passing in the Concept Space

概念图卷积：概念空间中的信息传递

Lucie Charlotte Magister, Pietro Lio

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出概念图卷积，通过在概念空间中进行信息传递提升可解释性，结合原始和概念表示，利用结构和注意力机制边权重，实现任务准确性和概念演化的深入理解。

Seven simple steps for log analysis in AI systems

在AI系统中进行日志分析的七步法

Magda Dubois, Ekin Zorer, Maia Hamin, Joe Skinner, Alexandra Souly, Jerome Wynne, Harry Coppock, Lucas Sato, Sayash Kapoor, Sunishchal Dev, Keno Juchems, Kimberly Mai, Timo Flesch, Lennart Luettgau, Charles Teague, Eric Patey, JJ Allaire, Lorenzo Pacchiardi, Jose Hernandez-Orallo, Cozmin Ududec

机构 * UK AI Security Institute (AISI)（英国人工智能安全研究所） ； US Center for AI Standards and Innovation (CAISI)（美国人工智能标准与创新中心） ； Model Evaluation and Threat Research (METR)（模型评估与威胁研究） ； Princeton University（普林斯顿大学） ； RAND Corporation（RAND公司） ； Meridian Labs（Meridian实验室） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种基于最佳实践的日志分析流程，通过Inspect Scout库中的代码示例，详细指导每一步并指出常见问题，为严谨可重复的日志分析提供框架。