University of Edinburgh（爱丁堡大学）

Implicit Data Synthesis for Contrastive Unsupervised Data Augmentation

隐式数据合成用于对比无监督数据增强

Patrick Kage, Trevor Hedges, N. Siddharth, Pavlos Andreadis

机构 * School of Informatics, The University of Edinburgh（信息学院） ； Massachusetts Institute of Technology Lincoln Laboratory（麻省理工学院林肯实验室） 纠错

AI总结 针对科学观测数据难以标注的问题，提出通过扰动网络权重而非数据生成对比样本，在雷达流星观测上使用SimCLR管道验证性能提升。

Comments 11 pages, 3 figures, 2 tables

Phonetic Error Analysis of Raw Waveform Acoustic Models

原始波形声学模型的音素错误分析

Erfan Loweimi, Zhengjun Yue, Andrea Carmantini, Zoran Cvetkovic, Steve Renals, Peter Bell

机构 * Centre for Speech Technology Research (CSTR), University of Edinburgh, UK（语音技术研究中心（CSTR），爱丁堡大学，英国） ； Cisco, UK（思科公司，英国） ； SLAI & CUHK-SZ, China（SLAI与CUHK-SZ，中国） ； King's College London, UK（伦敦国王学院，英国） 纠错

AI总结 通过分解音素错误率、分析混淆矩阵，发现BLSTM层对过渡依赖类提升最大，WSJ迁移学习对辅音改进约是元音的三倍，且混淆模式反映固有音素相似性。

Comments INTERSPEECH2026

Towards On-Policy Data Evolution for Visual-Native Multimodal Deep Search Agents

面向视觉原生多模态深度搜索智能体的在策略数据演化

Shijue Huang, Hangyu Guo, Guanting Dong, Chenxin Li, Junting Lu, Xinyu Geng, Zhaochen Su, Zhenyu Li, Shuang Chen, Hongru Wang, Yi R. Fung

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 提出在策略数据演化（ODE）框架，通过图像库引用协议和闭环数据生成器，解决多模态深度搜索中视觉证据不可复用和训练数据静态问题，在8个基准上显著提升性能。

Even More Guarantees for Variational Inference in the Presence of Symmetries

变分推断在对称性存在下的更多保证

Lena Zellinger, Antonio Vergari

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

AI总结 本文扩展了变分推断在目标对称性下的鲁棒性理论，证明了使用前向KL散度和α-散度时，即使模型误设也能精确恢复目标均值和相关矩阵，并放宽了对数凹假设，适用于多模态分布。

Comments Accepted for presentation at the OPTIMAL Workshop at AISTATS 2026