University of Edinburgh（爱丁堡大学）

Mixture-Model Preference Learning for Many-Objective Bayesian Optimization

多目标贝叶斯优化的混合模型偏好学习

Manisha Dubey, Sebastiaan De Peuter, Wanrong Wang, Samuel Kaski

机构 * University of Manchester（曼彻斯特大学） ； University of Edinburgh（爱丁堡大学） ； Aalto University（阿尔托大学） ； University of Amsterdam（阿姆斯特丹大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） 纠错

AI总结 本文提出一种混合模型偏好学习框架，通过学习潜在偏好原型而非假设单一效用函数，提升多目标优化中异质性人价值结构的适应性，并在合成和现实基准上表现更优。

Comments 18 pages, 9 figures

Explaining CLIP Zero-shot Predictions Through Concepts

通过概念解释CLIP零样本预测

Onat Ozdemir, Anders Christensen, Stephan Alaniz, Zeynep Akata, Emre Akbas

机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Dept. of Computer Eng., Middle East Technical University (METU)（中东技术大学计算机工程系） ； Orbital ； DTU Compute, Technical University of Denmark（丹麦技术大学DTU计算学院） ； Dept. of Biology, University of Copenhagen（哥本哈根大学生物系） ； LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院LTCI实验室） ； Technical University of Munich (TUM)（慕尼黑工业大学） ； Helmholtz Munich（亥姆霍兹慕尼黑中心） ； MCML ； MDSI ； Robotics & AI Center (ROMER), METU（中东技术大学机器人与人工智能中心） 纠错

AI总结 本文提出EZPC方法，通过人类可理解的概念解释CLIP的零样本预测，保持分类精度并提供概念层面的解释。

Comments Accepted to CVPR 2026

M4Human: A Large-Scale Multimodal mmWave Radar Benchmark for Human Mesh Reconstruction

M4Human: 一种大规模多模态毫米波雷达基准用于人体网格重建

Junqiao Fan, Yunjiao Zhou, Yizhuo Yang, Xinyuan Cui, Jiarui Zhang, Lihua Xie, Jianfei Yang, Chris Xiaoxuan Lu, Fangqiang Ding

机构 * NTU（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； UPenn（宾夕法尼亚大学） ； UCL（伦敦大学学院） ； MIT（麻省理工学院） 纠错

AI总结 本文提出M4Human，首个大规模多模态毫米波雷达基准，提供高分辨率雷达、RGB和深度数据，用于解决传统视觉传感的遮挡、光照和隐私问题，推动人体建模研究。

Improving Chain-of-Thought Reasoning via Quasi-Symbolic Abstractions

通过准符号抽象改进链式推理

Leonardo Ranaldi, Marco Valentino, Andrè Freitas

机构 * Idiap Research Institute（Idiap 研究所） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院） ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； National Biomarker Centre (NBC), CRUK Manchester Institute（英国癌症研究中心曼彻斯特研究所国家生物标志物中心） 纠错

AI总结 本文提出QuaSAR方法，通过准符号解释引导LLM在更高抽象层面推理，提升小模型的推理能力，实验显示在自然语言和符号推理任务中准确率提升8%。

Journal ref 2025.acl-long.843