University of Edinburgh（爱丁堡大学）

Adaptive Stepsizing for Stochastic Gradient Langevin Dynamics in Bayesian Neural Networks

适应性步长方法用于贝叶斯神经网络中的随机梯度 Langevin 动力学

Rajit Rajpal, Benedict Leimkuhler, Yuanhao Jiang

机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学学院） 纠错

AI总结 本文提出 SA-SGLD 方法，通过时间重缩放自适应调整步长，提升贝叶斯神经网络后验采样精度与稳定性。

SepSeq: A Training-Free Framework for Long Numerical Sequence Processing in LLMs

SepSeq：一种无需训练的长数值序列处理框架

Jie Sun, Yu Liu, Lu Han, Qiwen Deng, Xiang Shu, Yang Xiao, Xingyu Lu, Jun Zhou, Pengfei Liu, Lintao Ma, Jiancan Wu, Xiang Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Innovation Institute（上海创新研究院） ； Nanjing University（南京大学） ； University of Edinburgh（爱丁堡大学） ； East China Normal University（华东师范大学） ； Hong Kong Polytechnic University（香港理工大学） ； Zhejiang University（浙江大学） ； Ocean University of China（中国海洋大学） 纠错

AI总结 针对LLM处理长数值序列性能下降问题，提出SepSeq框架通过插入分隔符令牌缓解注意力分散，提升准确率并减少推理令牌消耗。

Comments 16 pages, 4 figures, 5 tables

Lexical Tone is Hard to Quantize: Probing Discrete Speech Units in Mandarin and Yorùbá

词调难以量化：探究 Mandarin 和 Yorùbá 中的离散语音单元

Opeyemi Osakuade, Simon King

机构 * The Centre for Speech Technology Research, University of Edinburgh, UK（英国爱丁堡大学语音技术研究中心） 纠错

AI总结 研究发现离散语音单元在编码超段落信息时可靠性较低，尤其在词调方面，提出通过两次聚类方法改进词调编码。

Comments Accepted at Speech Prosody 2026