Token Rankings are Unforgeable Language Model Signatures
Token排名是不可伪造的语言模型签名
机构 * University of Southern California（南加州大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文发现语言模型的token排名（按概率排序）构成唯一且不可伪造的签名，并研究了在限制API下如何平衡签名展示与参数泄露。
高校专区
University of Edinburgh（爱丁堡大学）
FedMental: Evaluating Federated Learning for Mental Health Detection from Social Media Data
FedMental: 评估用于社交媒体数据心理健康检测的联邦学习
机构 * University of Minnesota（明尼苏达大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文通过联邦学习和差分隐私联邦学习在抑郁和自杀危机检测任务上的实验，评估了隐私保护技术对心理健康检测性能的影响，发现联邦学习性能接近集中式训练，但差分隐私联邦学习存在显著的性能-隐私权衡。
Comments Association for Computational Linguistics (ACL) 2026 Main Conference
Beyond Pixel Histories: World Models with Persistent 3D State
超越像素历史：具有持久3D状态的世界模型
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院）
AI总结 提出PERSIST范式，通过模拟潜在3D场景（环境、相机、渲染器）的演化，实现具有持久空间记忆和一致几何的世界模型，显著提升3D一致性、空间记忆和长期稳定性。
Comments Accepted to the International Conference on Machine Learning (ICML) 2026. To appear in the Proceedings of Machine Learning Research (PMLR). 9 pages
Can VLMs Predict Future States? Bootstrapping World Models from Inverse Dynamics
视觉语言模型能预测未来状态吗？从逆动力学引导世界模型
机构 * Institute for Language, Cognition and Computation, University of Edinburgh（语言、认知与计算研究所，爱丁堡大学） ； Language Technology Lab, University of Cambridge（语言技术实验室，剑桥大学） ； NVIDIA（NVIDIA公司） ； University of Groningen（格罗宁根大学）
AI总结 本文发现视觉语言模型（VLM）难以直接进行前向动力学预测（FDP），但逆动力学预测（IDP）更容易学习，并利用IDP通过弱监督学习和推理时验证两种策略引导FDP，在Aurora-Bench上取得与最先进图像编辑模型竞争的性能。
Revisiting Randomized Gossip Algorithms: General Framework, Convergence Rates and Novel Block and Accelerated Protocols
重新审视随机广播算法：通用框架、收敛速率和新型块及加速协议
机构 * University of Edinburgh（爱丁堡大学） ； KAUST（卡塔尔科技大学） ； MIPT（莫斯科国立信息安全研究学院）
AI总结 本文提出了一种新的随机广播算法分析和设计框架，用于解决平均共识问题。通过将经典随机迭代方法应用于特殊系统来解释网络结构，展示了其去中心化特性。该框架恢复了多种已知的广播算法作为特殊情况，并允许开发具有证明更快变体的方法。我们还提出了新的块和第一个可证明加速的随机广播协议，以及双随机广播算法。
Comments 44 pages, 12 figures
Provably Accelerated Randomized Gossip Algorithms
可证明加速的随机传话算法
机构 * The University of Edinburgh, UK（爱丁堡大学） ； Facebook AI Research, Montreal（脸书人工智能研究） ； KAUST, KSA（王国立科技大学）
AI总结 本文提出了一种可证明加速的随机传话算法，用于解决平均一致性问题。该算法受到最近开发的加速随机Kaczmarz方法的启发，该方法是解决线性系统问题的流行方法。在每次传话迭代中，网络中的所有节点都会更新它们的值，但只有成对的节点交换私有信息。还展示了在流行无线传感器网络上的数值实验，展示了我们协议的优势。
Accelerated Gossip via Stochastic Heavy Ball Method
通过随机重力球方法加速 gossip
机构 * School of Mathematics, KAUST, Saudi Arabia（卡士塔大学数学学院，沙特阿拉伯） ； The University of Edinburgh（爱丁堡大学） ； The University of Edinburgh, United Kingdom（英国爱丁堡大学） ； Edinburgh, Scotland, UK（苏格兰爱丁堡，英国） ； MIPT, Russia（莫斯科国立信息安全大学，俄罗斯）
AI总结 本文研究了随机重力球方法（SHB）作为随机 gossip 算法的应用，提出了一种新的解决平均共识问题的协议，并通过实验展示了其优势。
Comments 8 pages, 5 Figures, 56th Annual Allerton Conference on Communication, Control, and Computing, 2018
Expanding the Active Inference Landscape: More Intrinsic Motivations in the Perception-Action Loop
拓展主动推断领域：感知-动作循环中的更多内在动机
机构 * Araya Inc.（Araya公司） ； Computational Creativity Group, Department of Computing, Goldsmiths, University of London（Goldsmiths大学计算创意小组） ； Game Innovation Lab, Department of Computer Science and Engineering, New York University（纽约大学游戏创新实验室） ； Sepia Lab, Adaptive Systems Research Group, Department of Computer Science, University of Hertfordshire（赫特福德大学计算机科学系Sepia实验室） ； Institute of Perception, Action and Behaviour, School of Informatics, The University of Edinburgh（爱丁堡大学信息学院感知、行为与行为研究所）
AI总结 本文探讨主动推断中是否可利用其他内在动机替代原有动机，同时保持核心机制，并通过形式化方法连接通用强化学习。
Comments 53 pages, 6 figures, 2 tables
An Integrated Optimization + Learning Approach to Optimal Dynamic Pricing for the Retailer with Multi-type Customers in Smart Grids
在智能电网中面向多类型顾客的零售商最优动态定价集成优化与学习方法
机构 * School of Engineering and Computing Sciences, Durham University（工程与计算科学学院，达勒姆大学） ； School of Computer Science, The University of Manchester（计算机科学学院，曼彻斯特大学） ； College of Information System and Management, National University of Defense Technology（信息系统与管理学院，国防科技大学） ； School of Mathematics, University of Edinburgh（数学学院，爱丁堡大学） ； School of Information and Control Engineering, China University of Mining and Technology（信息与控制工程学院，中国矿业大学）
AI总结 本文针对智能电网中零售商服务三种不同类型的顾客问题，提出两级决策框架，结合优化与学习方法实现动态定价优化，通过仿真实验验证模型的有效性。
Comments 38 pages, 6 figures
Linearly convergent stochastic heavy ball method for minimizing generalization error
用于最小化泛化误差的线性收敛随机重力球方法
机构 * University of Edinburgh, United Kingdom（爱丁堡大学，英国） ； KAUST, Kingdom of Saudi Arabia（王国沙特阿拉伯的KAUST）
AI总结 本文首次证明了随机重力球方法的线性收敛性，通过固定步长的SGD步骤结合重力球动量项，专注于最小化期望损失而非有限和最小化。
Comments NIPS 2017, Workshop on Optimization for Machine Learning (camera ready version)
On the Robustness of Temporal Properties for Stochastic Models
关于随机模型中时间属性的鲁棒性
机构 * DMG, University of Trieste, Italy（DMG，特里埃斯特大学，意大利） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学）
AI总结 本文研究了随机模型中时间属性的鲁棒性，提出鲁棒性度量方法，并结合满足概率优化系统设计。
Comments In Proceedings HSB 2013, arXiv:1308.5724
Journal ref EPTCS 125, 2013, pp. 3-19
