University of Edinburgh（爱丁堡大学）

Reasoning about Intent for Ambiguous Requests

意图推理以应对歧义请求

Irina Saparina, Mirella Lapata

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

AI总结 本文提出生成结构化响应以枚举歧义请求的不同解释，通过强化学习训练模型提升覆盖有效解释的召回率和抑制虚假解释的精确率，实验表明方法在覆盖有效答案方面优于基线方法。

Comments COLM 2026

A Sobering Look at Tabular Data Generation via Probabilistic Circuits

对通过概率电路生成表格数据的冷静审视

Davide Scassola, Dylan Ponsford, Adrián Javaloy, Sebastiano Saccani, Luca Bortolussi, Henry Gouk, Antonio Vergari

机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学） ； Aindo SpA AREA Science Park（Aindo SpA 面向科学公园） ； AI lab University of Trieste（人工智能实验室特里este大学） 纠错

AI总结 本文质疑表格数据生成的进展观念，指出当前评估方法的局限性，并展示概率电路在成本效益上优于现有最先进的模型，同时揭示SotA模型进展的饱和可能源于不充分的指标。

Variance reduction in lattice QCD observables via normalizing flows

通过归一化流减少晶格QCD可观测量的方差

Ryan Abbott, Denis Boyda, Yang Fu, Daniel C. Hackett, Gurtej Kanwar, Fernando Romero-López, Phiala E. Shanahan, Julian M. Urban

机构 * Center for Theoretical Physics, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； The NSF AI Institute for Artificial Intelligence ； Fermi National Accelerator Laboratory, Batavia, IL 60510, U.S.A. ； Higgs Centre for Theoretical Physics, School of Physics ； Astronomy, University of Edinburgh, EH9 3FD Edinburgh, United Kingdom ； Albert Einstein Center, Institute for Theoretical Physics, University of Bern, 3012 Bern, Switzerland ； Physics Department, Columbia University, New York, NY 10027, USA 纠错

AI总结 本文通过归一化流方法有效降低晶格QCD中胶球相关函数和强子结构相关胶子矩阵元的方差，同时减少计算成本。

Comments 15 pages, 4 figures, 2 tables. v2: update to match published version

HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds

HyperDet: 基于超4D雷达点云的3D目标检测

Yichun Xiao, Runwei Guan, Jin Jin, Fangqiang Ding

机构 * University of Edinburgh（爱丁堡大学） ； HKUST (GZ)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； MIT（麻省理工学院） 纠错

AI总结 提出一种与检测器无关的框架HyperDet，通过构建任务感知的超4D雷达点云，利用时空累积、跨传感器验证和多普勒引导的运动补偿以及前景生成增强，显著提升仅用雷达的3D目标检测性能。

Comments 11 pages, 3 figures, 3 tables

Hybrid Mamba-Attention Neural Architecture for Channel Estimation

MambaNet：结合注意力机制的Mamba辅助信道估计神经网络

Dianxin Luan, Chengsi Liang, Jie Huang, Zheng Lin, Kaitao Meng, John Thompson, Cheng-Xiang Wang, Ozgur Akan

机构 * Institute for Imaging, Data and Communications, School of Engineering, University of Edinburgh（影像、数据与通信研究所，工程学院，爱丁堡大学） ； James Watt School of Engineering, University of Glasgow（詹姆斯·瓦特工程学院，格拉斯哥大学） ； National Mobile Communications Research Laboratory, Southeast University（国家移动通信研究中心，东南大学） ； Purple Mountain Laboratories, Nanjing（紫金山实验室，南京） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（电气与电子工程系，香港大学） ； Department of Electrical and Electronic Engineering, University of Manchester（电气与电子工程系，曼彻斯特大学） 纠错

AI总结 MambaNet通过结合自注意力机制和定制化Mamba架构，实现低复杂度的OFDM信道估计，尤其在大规模子载波配置中表现优异。