University of Edinburgh（爱丁堡大学）

Attentive Feature Aggregation or: How Policies Learn to Stop Worrying about Robustness and Attend to Task-Relevant Visual Cues

关注特征聚合或：政策如何学会停止担心鲁棒性并关注任务相关的视觉线索

Nikolaos Tsagkas, Andreas Sochopoulos, Duolikun Danier, Sethu Vijayakumar, Alexandros Kouris, Oisin Mac Aodha, Chris Xiaoxuan Lu

机构 * University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； Samsung AI Center - Cambridge, UK（三星AI研究中心-剑桥，英国） 纠错

AI总结 本文提出AFA方法，通过注意力机制提升视觉-运动策略在扰动环境下的鲁棒性和泛化能力。

Comments This paper stems from a split of our earlier work "When Pre-trained Visual Representations Fall Short: Limitations in Visuo-Motor Robot Learning." While "The Temporal Trap" replaces the original and focuses on temporal entanglement, this companion study examines policy robustness and task-relevant visual cue selection. arXiv admin note: text overlap with arXiv:2502.03270

Mixed-Initiative Dialog for Human-Robot Collaborative Manipulation

混合发起对话用于人机协作操作

Albert Yu, Chengshu Li, Luca Macesanu, Arnav Balaji, Ruchira Ray, Raymond Mooney, Roberto Martín-Martín

机构 * UT Austin（得克萨斯大学） ； OpenAI ； NYU（纽约大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 MICoBot通过混合发起对话范式提升人机协作任务的成功率和用户体验。

Comments Project website at https://robin-lab.cs.utexas.edu/MicoBot/

Asymptotically Stable Quaternion-valued Hopfield-structured Neural Network with Periodic Projection-based Supervised Learning Rules

渐近稳定的四元数值Hopfield结构神经网络及其基于周期投影的监督学习规则

Tianwei Wang, Xinhui Ma, Wei Pang

机构 * University of Edinburgh（爱丁堡大学） ； University of Hull（赫尔大学） ； Heriot-Watt University（赫瑞-沃德大学） 纠错

AI总结 本文提出了一种基于四元数的Hopfield结构神经网络，通过周期投影策略实现监督学习，具有高精度、快速收敛和强可靠性，适用于机器人控制等需要四元数参数化的场景。

Comments Preprint. Accepted by NeurIPS 2025

Concept-based Adversarial Attack: a Probabilistic Perspective

基于概念的对抗攻击：概率视角

Andi Zhang, Xuan Ding, Steven McDonagh, Samuel Kaski

机构 * University of Warwick（沃里克大学） ； University of Manchester（曼彻斯特大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Edinburgh（爱丁堡大学） ； University of Aalto（阿alto大学） 纠错

AI总结 本文提出一种基于概念的对抗攻击方法，通过概率视角生成多样化的对抗示例，保持原始概念以误导分类器，提升攻击效率。