University of Edinburgh（爱丁堡大学）

AIMing for Standardised Explainability Evaluation in GNNs: A Framework and Case Study on Graph Kernel Networks

面向图神经网络解释性评估标准化的框架：图核网络的框架与案例研究

Magdalena Proszewska, N. Siddharth

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

AI总结 本文提出AIM框架，用于评估图神经网络的解释性，通过实例级和模型级解释提升解释性评估的全面性，并以图核网络为例展示改进模型xGKN的开发。

Comments 19 pages, 4 figures, 8 tables

Journal ref Transactions on Machine Learning Research (TMLR). ISSN 2835-8856 (2026)

Drawback of Enforcing Equivariance and its Compensation via the Lens of Expressive Power

强制等变性的弊端及其通过表达能力的视角进行补偿

Yuzhu Chen, Tian Qin, Xinmei Tian, Fengxiang He, Dacheng Tao

机构 * University of Science and Technology of China（中国科学技术大学） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文研究了强制等变性对表达能力的影响，发现其会降低表达能力，但通过扩大模型规模可补偿，并证明了补偿所需的规模上限，同时发现扩大后的架构具有更优的泛化能力。

Causal-Adapter: Taming Text-to-Image Diffusion for Faithful Counterfactual Generation

Causal-Adapter：驯服文本到图像扩散模型以实现忠实的反事实生成

Lei Tong, Zhihua Liu, Chaochao Lu, Dino Oglic, Tom Diethe, Philip Teare, Sotirios A. Tsaftaris, Chen Jin

机构 * Centre for AI, DS\&AI, Astrazeneca, UK（英国阿斯利康人工智能中心） ； Institute for Imaging, Data and Communications (IDCOM), School of Engineering, University of Edinburgh, Edinburgh, UK（爱丁堡大学工程学院影像、数据与通信研究所） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 Causal-Adapter通过模块化框架实现文本到图像扩散模型的反事实生成，利用结构因果建模和属性正则化策略，在保持图像核心身份的同时实现精确的属性控制。

Comments Project Page: https://leitong02.github.io/causaladapter/

Journal ref ICML 2026

Blending Supervised and Reinforcement Fine-Tuning with Prefix Sampling

融合监督学习与强化学习微调的前缀采样

Zeyu Huang, Tianhao Cheng, Zihan Qiu, Zili Wang, Yinghui Xu, Edoardo M. Ponti, Ivan Titov

机构 * ILCC, University of Edinburgh（爱丁堡大学ILCC） ； Fudan University（复旦大学） ； Qwen Team, Alibaba Group（阿里集团Qwen团队） ； ILLC, University of Amsterdam（阿姆斯特丹大学ILLC） 纠错

AI总结 本文提出Prefix-RFT方法，结合示范数据与探索学习，通过数学问题验证其有效性，超越了单独SFT和RFT以及混合策略方法。

Comments ICML 2026