University of Edinburgh（爱丁堡大学）

JEPA for AI-Native 6G: Predictive Representations and Open Challenges

用于人工智能原生6G的联合嵌入预测架构：预测表示与开放挑战

Sheikh Salman Hassan, Irshad A. Meer, Almoatssimbillah Saifaldawla, Yan Kyaw Tun, Mustafa Ozger, Madyan Alsenwi, Nguyen Van Huynh, Woong-Hee Lee, Cedomir Stefanovic, Mathini Sellathurai, Henk Wymeersch, Tharmalingam Ratnarajah

机构 * IDCoM, University of Edinburgh（爱丁堡大学IDCoM研究所） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； SnT, University of Luxembourg（卢森堡大学SnT） ； Department of Electronic Systems, Aalborg University（奥尔堡大学电子系统系） ； School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； Division of Electronics and Electrical Engineering, Dongguk University（东国大学电子与电气工程系） ； School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦特大学工程与物理科学学院） ； Department of Electrical Engineering, Chalmers University of Technology（查尔姆斯理工大学电气工程系） ； Department of Electrical and Computer Engineering, San Diego State University（圣地亚哥州立大学电气与计算机工程系） 纠错

AI总结 本文围绕用于6G智能的联合嵌入预测架构（JEPA）展开。介绍其训练机制等，通过波束管理案例说明能提升标签效率与鲁棒性，还指出在多时间尺度预测等方面存在开放挑战。

Comments 14 pages, 4 figures, 3 tables. Tutorial and review on Joint-Embedding Predictive Architecture (JEPA) for AI-native 6G. Submitted to IEEE Communications Magazine

PiCSAR: Probabilistic Confidence Selection And Ranking for Reasoning Chains

PiCSAR：基于推理链的概率置信度选择与排序

Joshua Ong Jun Leang, Zheng Zhao, Aryo Pradipta Gema, Sohee Yang, Wai-Chung Kwan, Xuanli He, Wenda Li, Pasquale Minervini, Eleonora Giunchiglia, Shay B. Cohen

机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） 纠错

AI总结 PiCSAR通过联合对数似然度评估推理链和最终答案的置信度，无需训练即可提升大语言模型和推理模型的准确性，在多个基准测试中表现优异。

Journal ref Findings of the Association for Computational Linguistics: ACL 2026

IslamicMMLU: A Benchmark for Evaluating LLMs on Islamic Knowledge

伊斯兰MMLU：评估大语言模型在伊斯兰知识上的基准

Ali Abdelaal, Mohammed Nader Al Haffar, Mahmoud Fawzi, Walid Magdy

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

AI总结 伊斯兰MMLU基准通过10,013道题评估大语言模型在伊斯兰知识上的表现，涵盖《古兰经》、圣训和教法三个领域，测试模型在不同方面的能力，初步评估26个模型，准确率差异显著。

Comments Leaderboard link: https://huggingface.co/spaces/islamicmmlu/leaderboard

Bures-Wasserstein Importance-Weighted Evidence Lower Bound: Exposition and Applications

布雷斯 - 瓦瑟斯坦重要性加权证据下界：阐述与应用

Peiwen Jiang, Takuo Matsubara, Minh-Ngoc Tran

机构 * The University of Sydney Business School（悉尼大学商学院） ； School of Mathematics, The University of Edinburgh（爱丁堡大学数学学院） 纠错

AI总结 研究在布雷斯 - 瓦瑟斯坦空间中优化重要性加权证据下界（IW - ELBO），推导其瓦瑟斯坦梯度并投影到该空间以用于高斯变分推理，证明其梯度估计器稳定性良好，实验显示该框架比其他基线有更优近似性能。

Comments 43 pages, 13 figures. Submitted to Bayesian Analysis