University of Edinburgh（爱丁堡大学）

Beyond Global Divergences: A Local-Mass Perspective on Bayesian Inference

超越全局散度：贝叶斯推断的局部质量视角

Hanli Xu, Fengxiang He, Sarat Moka

机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文引入质量指数和正则化扩展KL散度，从局部质量角度分析贝叶斯推断中全局散度未捕捉的行为，并证明局部质量比较的不等式。

Comments 28 pages, 3 figures, 2 tables

OpenFinGym: A Verifiable Multi-Task Gym Environment for Evaluating Quant Agents

OpenFinGym: 一个可验证的多任务Gym环境，用于评估量化智能体

Kaicheng Zhang, Wen Ge, Lei Jiang, Weixin Yang, Jordan Langham-Lopez, Jialin Yu, Lukasz Szpruch, Hao Ni

机构 * University of Edinburgh（爱丁堡大学） ； University College London（伦敦大学学院） ； Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学） 纠错

AI总结 提出OpenFinGym统一环境，覆盖预测、市场生成、实时交易和欺诈检测等量化金融任务，支持自动化任务构建、容器化验证和延迟解析，以全面评估LLM智能体。

Accelerated sampling using SamAdams variable timesteps and position-adaptive Langevin dynamics

使用SamAdams变步长和位置自适应Langevin动力学的加速采样

Benedict Leimkuhler, Peter A. Whalley

机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学系） ； Seminar for Statistics, Department of Mathematics, ETH Zürich（苏黎世联邦理工学院数学系统计研究所） 纠错

AI总结 提出一种结合SamAdams自适应步长和位置自适应Langevin动力学的加速采样方法，在多个模型问题上混合速率提升1.5-3倍，效率提高一个数量级以上。

Scalable Message-Passing Quantum Graph Neural Networks in the Weisfeiler-Leman Hierarchy

可扩展的消息传递量子图神经网络在Weisfeiler-Leman层次结构中

Snehal Raj, Brian Coyle, Léo Monbroussou, André J. Ferreira-Martins, Renato M. S. Farias, Elham Kashefi

机构 * LIP6, CNRS, Sorbonne Université, Paris, France（巴黎大学LIP6研究所、法国国家科学研究中心、索邦大学） ； QC Ware, Palo Alto, USA and Paris, France（QC Ware公司，美国帕洛阿尔托及法国巴黎） ； School of Informatics, University of Edinburgh, Edinburgh, UK（爱丁堡大学信息学院，英国爱丁堡） ； Fujitsu Research of Europe Ltd., United Kingdom（日本富士通欧洲研究有限公司，英国） ； Terra Quantum GmbH, Germany（德国Terra Quantum GmbH公司） ； Quantum Research Center, Technology Innovation Institute, Abu Dhabi, UAE（阿布扎赫尔技术创新研究所量子研究中心，阿联酋） 纠错

AI总结 本文构建了可执行消息传递、置换等变且处于指定Weisfeiler-Leman层次的量子图神经网络，通过小图预训练缓解训练问题，并在多达56量子比特的大规模模拟中验证了其可扩展性和表达能力。

Comments 10 pages, 4 figures (main text); 35 pages, 9 figures, 14 tables including Supplementary Information. Code available at https://github.com/SnehalRaj/mp-qgnns