高校专区
文本到语音语音重建的评估框架
机构 * The Centre for Speech Technology Research, University of Edinburgh, UK（语音技术研究中心，爱丁堡大学，英国）
AI总结 针对语音障碍者的TTS语音重建，提出包含主观和客观评估的框架，主观使用最佳最差缩放，客观引入双参考分布度量，平衡可懂度与说话人身份。
Comments Accepted at Interspeech 2026
BatchGen：一种可扩展且高效的批量推理架构
机构 * University of Edinburgh（爱丁堡大学） ； Tencent（腾讯）
AI总结 提出序列协程计算模型，通过细粒度事件驱动协程动态重组工作负载，实现更大专家级批量、减少掉队者并跨设备重分配工作，在128 GPU集群上批量完成时间降低2.3倍，内存受限加速器上性能提升9.6倍。
在视觉-语言-动作模型中解耦声明性知识与程序性知识
机构 * University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； Samsung AI Center - Cambridge, UK（三星人工智能中心 - 英国剑桥）
AI总结 针对现有VLA模型无法解耦声明性与程序性知识导致零样本技能迁移脆弱的问题，提出w$^{2}$VLA模型，通过重构信息流实现模块化、可解释的知识解耦，显著提升对未见物体的零样本技能迁移能力。
SwarmX: 面向低延迟智能体系统的智能调度
机构 * University of Edinburgh（爱丁堡大学） ； Tencent（腾讯）
AI总结 提出SwarmX系统，通过调度专用神经预测器捕获提示、设备、运行时和目标模型特征，结合路由器与缩放器实现尾延迟感知决策，在近千GPU和百万CPU核的生产部署中，相比现有调度器将尾延迟降低61.5%，吞吐量提升2倍。
Comments 14 pages
迈向 Dys-XAI：基于影响的构音障碍严重程度评估解释
机构 * University of Southampton（南安普顿大学） ； Imperial College London（帝国理工学院） ； University of Edinburgh（爱丁堡大学） ； King's College London（伦敦国王学院）
AI总结 提出基于影响的实例级可解释性框架，通过支持性和竞争性训练样本解释构音障碍严重程度评估的深度学习模型决策，并通过删除实验验证解释有效性。
Comments Accepted to Interspeech 2026
LISE: 可听可解释的说话人嵌入
机构 * University of Southampton（南安普顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出LISE框架，将预训练说话人嵌入分解为少量可解释分量，在保持说话人验证性能的同时，通过听辨实验证明其可解释性。
Comments Accepted to Interspeech 2026
故事线树：长篇叙事的层次化表示
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 提出故事线树，通过自顶向下和自底向上过程构建叙事层次结构，实现自适应检索，在长上下文叙事问答中优于强基线方法。
基于LLM驱动溯因与逻辑验证的神经符号临床试验匹配
机构 * University of Leicester（莱斯特大学） ； University of Edinburgh（爱丁堡大学） ； University of Sheffield（谢菲尔德大学）
AI总结 提出一种结合大语言模型与逻辑验证的神经符号框架αNeSy-CTM，通过溯因推理处理噪声和不完整临床文本，在临床试验匹配中相对零样本基线提升30%准确率。
Comments 21 pages (including appendix), 5 figures, 9 tables
从知道到行动：基准测试LLM代理的自我意识能力
机构 * The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； University of Edinburgh（爱丁堡大学） ； Tencent（腾讯） ； University of Bristol（布里斯托大学）
AI总结 提出KAPRO框架和KAware数据集，通过解耦元认知判断与自主执行，评估LLM代理的自我意识能力，发现其与任务成功强相关但在内部能力场景中下降，开源模型易过度使用工具。
专业化角色，混合部署：推动LLM代理团队的成本-精度前沿
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院）
AI总结 提出AgentCARD基准，通过角色感知评估和帕累托前沿分析，发现异构团队在成本-精度前沿上优于同构团队，混合部署可降低12倍成本。
AlphaMemo: 用于自我进化的Alpha挖掘智能体的结构化搜索过程记忆
机构 * University of Sydney（悉尼大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出AlphaMemo，一种具有结构化搜索过程记忆的自我进化Alpha挖掘智能体，通过记录编辑模式在特定父因子上下文中的成败证据，结合置信门控残差记忆和非对称否决控制，提升样本外表现和固定预算发现效率。
在LLM推理中，价值对齐之上存在非理性
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出理性价值风险概念，形式化LLM在推理中即使价值对齐也可能无法最大化对齐价值的问题，并通过实验验证该风险普遍存在且无法被对齐消除。
PEAR: 置换等变自适应路由多智能体辩论
机构 * University of Edinburgh（爱丁堡大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出PEAR协议，通过动态重配置通信角色和稀疏拓扑，消除固定拓扑中的位置偏差，提升多智能体辩论的准确性和鲁棒性。
赋能6G网络中的具身人工智能：架构、使能技术与开放挑战
机构 * Thomas Johann Seebeck Department of Electronics（托马斯·约翰·塞贝克电子系） ； Tallinn University of Technology（塔林理工大学） ； Institute for Imaging, Data and Communication (IDCoM)（成像、数据与通信研究所） ； The University of Edinburgh（爱丁堡大学） ； School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； School of Science and Technology（科学与技术学院） ； Hong Kong Metropolitan University（香港 metropolitan 大学） ； Department of Electronic Systems（电子系统系） ； Aalborg University（奥胡斯大学） ； School of Computer Science（计算机科学学院） ； University of Sydney（悉尼大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Houston（休斯顿大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 提出面向6G的具身AI原生架构，通过感知-通信-动作闭环统一设计通信、感知、计算与控制，实现任务驱动的物理智能。
Comments This work has been submitted to the IEEE Communication Magazine for possible publication
DeepSWIP: 神经概率逻辑程序的商-WMC反事实
机构 * University of Edinburgh（爱丁堡大学）
AI总结 提出DeepSWIP，一种用于DeepProbLog程序的单世界反事实语义，通过神经物化、SWIP和加权模型计数实现精确反事实推理，实验证明比孪生网络方法快2.14倍。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈