University of Edinburgh（爱丁堡大学）

A note on convergence of Wasserstein policy optimization

关于Wasserstein策略优化收敛性的注记

David Šiška, Yufei Zhang

机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学学院） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） 纠错

AI总结 本文探讨了Wasserstein策略优化在连续状态和动作空间中的收敛性问题，通过利用均场分析和log-Sobole不等式，证明了在熵正则化的马尔可夫决策过程框架下，WPO算法能够线性收敛到全局最优解。

Do Deep Ensembles Actually Capture Uncertainty in Graph Neural Networks?

深度集成是否真的在图神经网络中捕捉了不确定性？

Pedro C. Vieira, Pedro Ribeiro, Viacheslav Borovitskiy

机构 * University of Edinburgh（爱丁堡大学） ； DCC/FCUP, University of Porto（葡萄牙里斯本大学数据与计算中心/里斯本大学） 纠错

AI总结 本文研究了深度集成在图神经网络中的有效性，发现其在不确定性量化中效果有限，主要归因于模型优化噪声的稳定而非不确定性估计的提升，揭示了集成崩溃现象。

The Signal in the Noise: OOD Detection Through Goodness-of-Fit Testing in Factorised Latent Spaces

噪声中的信号：通过因子化潜在空间中的拟合性检验进行分布外检测

Philipp Bomatter, Jack Geary, Henry Gouk

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

AI总结 本文提出了一种基于因子化潜在空间中拟合性检验的分布外检测方法SITN，该方法无需访问分布外数据，计算开销小，并能严格控制误报率。

Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies

为高维预测研究的数据驱动设计开发可解释的AI

Junyu Yan, Damian Machlanski, Kurt Butler, Panagiotis Dimitrakopoulos, Ewen M Harrison, Bruce Guthrie, Sotirios A Tsaftaris

机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI)（医疗因果AI枢纽） ； Advanced Care Research Centre, Usher School of Population Health Sciences, University of Edinburgh（先进护理研究中心，乌瑟人口健康科学学院，爱丁堡大学） ； Centre for Medical Informatics, Usher School of Population Health Sciences, University of Edinburgh（医学信息学中心，乌瑟人口健康科学学院，爱丁堡大学） 纠错

AI总结 本文提出了一种可解释的AI推荐系统，通过数据驱动的方法改进现有可解释统计模型的预测性能，主要贡献是通过可解释AI技术提供三种推荐类型以提高模型的预测能力和透明度。

Comments 41 pages, 7 figures

Discovering High Level Patterns from Simulation Traces

从仿真轨迹中发现高层次模式

Sean Memery, Kartic Subr

机构 * University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文提出了一种通过程序合成进行无监督学习的方法，将仿真轨迹转换为稀疏的高层次模式表示，以提升大语言模型对物理系统的推理能力。

Dynamic Mixture of Latent Memories for Self-Evolving Agents

动态潜在记忆混合用于自演化智能体

Dianzhi Yu, Vireo Zhang, Hongru Wang, Yanyu Chen, Minda Hu, Wanghan Xu, Siki Chen, Philip Torr, Zhenfei Yin, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出MoLEM框架，通过动态混合专家机制实现智能体的持续学习，避免灾难性遗忘，提升任务学习和能力保持。

Comments 19 pages, 5 figures, 5 tables

Truncated Neural Likelihood Estimation for Simulation-Based Inference in State-Space Models

截断神经似然估计用于状态空间模型中的基于模拟的推断

Kostas Tsampourakis, Víctor Elvira

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

AI总结 本文提出了一种改进的截断神经似然估计（T-SNL）方法，解决了传统序列神经似然（SNL）在状态空间模型中推断时存在的样本需求大、扩展性差和不可 amortization 的问题，从而提高了推断的准确性、稳定性与鲁棒性。

Machine learning prediction of obstructive coronary artery disease using opportunistic coronary calcium and epicardial fat assessments from CT calcium scoring scans

利用CT钙扫描中的机会性冠状动脉钙化和心外膜脂肪评估进行阻塞性冠状动脉疾病的机器学习预测

Juhwan Lee, Ammar Hoori, Tao Hu, Justin N. Kim, Mohamed H. E. Makhlouf, Michelle C. Williams, David E. Newby, Robert Gilkeson, Sanjay Rajagopalan, David L. Wilson

机构 * Department of Biomedical Engineering, Virginia Commonwealth University（弗吉尼亚联邦大学生物医学工程系） ； Department of Biomedical Engineering, Case Western Reserve University（凯斯西储大学生物医学工程系） ； Harrington Heart and Vascular Institute, University Hospitals Cleveland Medical Center（克利夫兰医学中心哈灵顿心脏和血管研究所） ； BHF Centre for Cardiovascular Science, University of Edinburgh（爱丁堡大学BHF心血管科学中心） ； Department of Radiology, Case Western Reserve University（凯斯西储大学放射学系） 纠错

AI总结 本研究开发了一种先进的机器学习框架，通过分析CT钙扫描中的冠状动脉钙化和心外膜脂肪数据，预测阻塞性冠状动脉疾病，展示了该方法在提高预测性能和减少对增强CT或侵入性检查依赖方面的潜力。

Comments 16 pages, 4 figures, 3 tables