University of Edinburgh（爱丁堡大学）

Learning to Collaborate via Structures: Cluster-Guided Item Alignment for Federated Recommendation

通过结构学习协作：基于聚类的物品对齐用于联邦推荐

Yuchun Tu, Zhiwei Li, Bingli Sun, Yixuan Li, Xiao Song

机构 * Beihang University（北京航空航天大学） ； University of Technology Sydney（悉尼科技大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 CGFedRec通过聚类引导的方法，利用全局结构约束实现联邦推荐中的物品对齐，提升通信效率并保持推荐准确性。

Comments 18 pages, 9 figures

Generalisation of RLHF under Reward Shift and Clipped KL Regularisation

基于奖励偏移和截断KL正则化的RLHF泛化

Kenton Tang, Yuzhu Chen, Fengxiang He

机构 * University of Edinburgh（爱丁堡大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出基于奖励偏移和截断KL正则化的RLHF泛化理论，分析了奖励偏移和KL截断对泛化误差的影响，并给出了优化KL截断阈值和预算分配的实践指导。

Heuristic Adaptation of Potentially Misspecified Domain Support for Likelihood-Free Inference in Stochastic Dynamical Systems

潜在不规范领域支持的启发式适应用于随机动态系统中的似然自由推断

Georgios Kamaras, Craig Innes, Subramanian Ramamoorthy

机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） 纠错

AI总结 本文提出三种启发式方法，用于改进随机动态系统中似然自由推断的支持适应，提升参数推断和策略学习的鲁棒性。

Comments 20 pages, 18 figures

Object-Centric World Models from Few-Shot Annotations for Sample-Efficient Reinforcement Learning

基于少量标注的面向对象世界模型用于样本高效强化学习

Weipu Zhang, Adam Jelley, Trevor McInroe, Amos Storkey, Gang Wang

机构 * University of Edinburgh（爱丁堡大学） ； Beijing Institute of Technology（北京理工大学） 纠错

AI总结 本文提出OC-STORM框架，通过面向对象表示提升MBRL在复杂视觉领域的样本效率，实验证明其在Atari和Hollow Knight中的优越性能。