Exploratory Semantic Reliability Analysis of Wind Turbine Maintenance Logs using Large Language Models
机构 * Institute for Energy Systems, School of Engineering, The University of Edinburgh（能源系统研究所，工程学院，爱丁堡大学） ； Nadara, Lisbon, Portugal（纳达拉，里斯本，葡萄牙）
高校专区
University of Edinburgh（爱丁堡大学）
Towards Human Motion World Models via Executable Behaviour Representations
通过可执行模型理解人类行为
机构 * School of Informatics The University of Edinburgh（信息学院爱丁堡大学）
AI总结 本文提出EXACT语言，通过可执行神经符号模型分析人类动作，提升动作分割和异常检测的效率与直观性。
Comments Accepted in ECCV2026 Workshop
Program Semantic Inequivalence Game with Large Language Models
基于大语言模型的程序语义不等价博弈
机构 * University of Edinburgh（爱丁堡大学） ； Cisco Systems（思科系统）
AI总结 本研究提出基于语义不等价博弈（SInQ）的方法，通过生成器与评估器智能体半对抗训练合成代码推理数据，在跨语言漏洞检测等基准上显著提升LLMs的代码语义理解能力。
Mitigating Context Interference for Reliable and Efficient Search Agents
缓解可靠高效搜索智能体的上下文干扰
机构 * The Chinese University of Hong Kong（香港中文大学） ； University College London（伦敦大学学院） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 本文针对多轮搜索智能体的上下文干扰问题，提出基于蒸馏的上下文优化器，将其纳入RL训练后可显著提升搜索智能体的可靠性与效率，开创了AI智能体“先优化上下文再生成”的新范式。
Hierarchical Compositionality for An Assistive AI Agent
面向辅助AI智能体的分层组合性
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文针对辅助AI智能体的歧义问题，提出嵌入分层组合性原则的架构，结合语义兼容性等模型推理实现歧义消除，实验表明其性能优于当前最优数据驱动基线，可适配特定用户画像。
Comments 25 pages, 9 figures, 4 tables. Project page: https://tianyi-fu.github.io/HCAA
CAP: A Scalable Benchmark for Evaluating Cross-Site Browser Agents with Complex Actions and Perception
CAP：用于评估具备复杂动作与感知能力的跨站点浏览器智能体的可扩展基准
机构 * Macau University of Science and Technology（澳门科技大学） ； Tsinghua University（清华大学） ； Southeast University（东南大学） ； FellouAI ； ARGUS Lab（ARGUS实验室） ； The University of Edinburgh（爱丁堡大学）
AI总结 研究人员推出可扩展基准CAP，通过分解-重组流程构建420项跨站点网页任务，实验发现当前浏览器智能体在感知密集型交互上存在明显瓶颈，与真实需求差距较大。
Comments Accepted to COLM 2026. Project page: https://warriorxu0302.github.io/CAP-Bench/
Reasoning about Intent for Ambiguous Requests
意图推理以应对歧义请求
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
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
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）
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
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
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
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）
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
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）
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。
LoCA: Forward-Only LLM Tuning after One-Shot Calibration with Local Credit Assignment
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Beijing Normal University（北京师范大学） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
The Tamed Subgradient Unadjusted Langevin Algorithm beyond Convexity
超越凸性的驯服次梯度未校正朗之万算法
机构 * University of Edinburgh（爱丁堡大学） ； National Technical University of Athens（雅典国立技术大学） ； Athena/Archimedes Research Centre（雅典娜/阿基米德研究中心）
AI总结 本文针对非光滑、超线性梯度增长且非凸的目标分布采样问题，提出SG-TULA算法，推导其非渐近收敛界，验证假设并用于GPT-2系列LLM预训练，效果优于AdamW等。
Comments 53 pages
Explicit and Stable Pseudospectral Time-Domain Method for the Föppl-von Kármán Equations
用于冯·卡门（Föppl-von Kármán）方程的显式稳定伪谱时域方法
机构 * University of Edinburgh（爱丁堡大学） ； IRCAM（法国声学/音乐研究与协作学院） ； CNRS（法国国家科学研究中心） ； Sorbonne Université（索邦大学）
AI总结 本研究针对冯·卡门方程，提出一种在空间域计算乘积项、模态域计算导数的伪谱方法，结合标量辅助变量技术实现显式稳定时间积分，降低了模态合成的计算成本并保留其频率控制优势。
Comments To be presented at Forum Acusticum 2026, Graz, Austria, September 2026
Symbol Grounding in Neuro-Symbolic AI: A Gentle Introduction to Reasoning Shortcuts
神经符号AI中的符号接地：推理快捷方式的入门介绍
机构 * University of Trento（特伦托大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Sapienza University of Rome（罗马大学） ； University of Edinburgh（爱丁堡大学） ； Huawei Labs（华为实验室）
AI总结 本文探讨神经符号AI中推理快捷方式的问题，分析其成因与影响，并提供解决方法与策略，以提升模型的可靠性和可信度。
Comments Published on JAIR (Integration of Logical Constraints in Deep Learning special track)
Does Out-of-Sight Equal Out-of-Mind in CoT Monitorability?
思维链可监控性中“看不见即想不到”吗？
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本研究对比显式与潜在CoT的可监控性，发现其更多取决于任务属性和模型内部访问程度，而非推理模式。
Comments 23 pages
The RAIL Principles for Neurosymbolic AI: Reasoning, Assurances, Interfacing and Learning
神经符号AI的RAIL原则：推理（Reasoning）、保证（Assurances）、接口（Interfacing）与学习（Learning）
机构 * Politecnico di Milano（米兰理工大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Åbo Akademi University（奥博 Akademi 大学） ； Samsung AI（三星人工智能研究院） ； Delft University of Technology（代尔夫特理工大学） ； Stony Brook University（石溪大学） ； Politecnico di Torino（都灵理工大学） ； University of Stuttgart（斯图加特大学） ； Graz University of Technology（格拉茨工业大学） ； Lockheed Martin, Advanced Technology Labs（洛克希德·马丁公司先进技术实验室） ； BrainCreators（BrainCreators公司） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Edinburgh（爱丁堡大学） ； UCLA（加利福尼亚大学洛杉矶分校）
AI总结 该文提出神经符号AI的RAIL四项原则，可统一分析多类AI系统，助力工程师更科学地设计部署生产级AI，指导整合神经符号方法到下一代AI技术。
Seeking Physics in Diffusion Noise
在扩散噪声中寻求物理规律
机构 * Brown University（布朗大学） ； University of Edinburgh（爱丁堡大学） ； MIT（麻省理工学院）
AI总结 研究通过分析预训练扩散变换器的中间去噪表示，发现物理合理与不合理视频在中层特征空间部分可分离，提出渐进轨迹选择策略提升物理一致性并降低推理成本。
Comments 15 pages
Multi-Task GRPO: Reliable LLM Reasoning Across Tasks
多任务GRPO：跨任务的可靠大语言模型推理
机构 * UCL Department of EEE（伦敦大学学院电子工程系） ； UCL Centre for AI（伦敦大学学院人工智能中心） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； UNIST Graduate School of AI（延世大学人工智能研究生院） ； University of Edinburgh（爱丁堡大学） ； University of Basel（巴塞尔大学）
AI总结 本文提出MT-GRPO算法，通过动态调整任务权重和比例保持采样器，提升多任务场景下大语言模型的可靠推理性能。
Comments Accepted at ICML 2026
Evolving in the Agent Jungle via History-Informed Opponent Awareness
在智能体丛林中通过历史感知的对手意识进化
机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。
TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents
TrajWiki：面向长程对话智能体的基于来源的记忆轨迹
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； The University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究针对长程对话智能体的记忆可追溯性与透明性问题，提出TrajWiki框架，通过轨迹式记忆表示与Memory Wiki中间层提升对话性能及可解释性。
Revisiting Classic Thought Experiments to Measure Consciousness for Artificial Intelligence Safety
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
Comments 5 pages
Can LLM-based Financial Investing Strategies Outperform the Market in Long Run?
基于LLM的金融投资策略能否长期跑赢市场？
机构 * AIAI, School of Informatics The University of Edinburgh Edinburgh United Kingdom ； Global Finance Research Center Sungkyunkwan University Seoul Republic of Korea ； Dept. of Statistics \& OMI University of California, Los Angeles ； University of Oxford United States ； The University of Edinburgh ； Sungkyunkwan University ； University of California, Los Angeles ； University of Oxford
AI总结 提出FINSABER回测框架，在更长时间和更大股票池上评估基于LLM的择时策略，发现其优势在长期和广泛截面下显著下降，且在牛熊市中表现不佳。
Comments KDD 2026, Datasets & Benchmarks Track (Oral) Corrected the FinAgent results and added FinAgent (GPT-4o-mini) in Table 2; conclusions unchanged
INQUIRE-Search: Interactive Discovery in Large-Scale Biodiversity Databases
INQUIRE-Search：在大规模生物多样性数据库中进行交互式发现
机构 * Massachusetts Institute of Technology（麻省理工学院） ； McGill University（麦吉尔大学） ； Cary Institute of Ecosystem Studies（生态系统研究所） ； The Ohio State University（俄亥俄州立大学） ； University of California Santa Barbara（加州大学圣塔芭芭拉分校） ； Smithsonian’s National Zoo & Conservation Biology Institute（史密森尼国家动物园与保护生物学研究所） ； University of Edinburgh（爱丁堡大学）
AI总结 INQUIRE-Search通过自然语言搜索功能，高效提取生物多样性数据库中的关键信息，提升生态研究的交互性和可扩展性。
Comments EV, JC, RKV contributed equally
A Semiparametric Discrete Hawkes Model with a Collapsed Gaussian-Process Prior
具有坍缩高斯过程先验的非参数离散Hawkes模型
机构 * University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出GP-DHP模型，通过高斯过程先验实现离散时间Hawkes过程的非参数化处理，提升预测性能并保持可解释性。
Deep Learning for Retinal Degeneration Assessment: A Comprehensive Analysis of the MARIO Challenge
利用深度学习评估视网膜退化：对MARIO挑战的全面分析
机构 * University of Western Brittany, Brest, France ； University of Tlemcen, Algeria ； Ophthalmology Department, CHRU Brest, Brest, France ； Imperial College London, United Kingdom ； Biomedical Engineering, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan ； Evolucare Technologies, France ； College of Computer Science, Sichuan University, China ； Medical University of Vienna, Austria ； TNO, The Hague, The Netherlands ； Image Sciences Institute, UMC Utrecht, Utrecht, The Netherlands ； Johannes Kepler University Linz, Austria ； University of Zagreb, Faculty of Electrical Engineering ； Department of Radiology, University of Calgary, Calgary, AB, Canada ； Biomedical Engineering Graduate Program, University of Calgary, Calgary, AB, Canada ； Hotchkiss Brain Institute, University of Calgary, Calgary, AB, Canada ； Alberta Children’s Hospital Research Institute, University of Calgary, Calgary, AB, Canada ； Department of Pediatrics, University of Calgary, Calgary, AB, Canada ； Department of Community Health Sciences, University of Calgary, Calgary, AB, Canada ； Department of Clinical Neuroscience, University of Calgary, Calgary, AB, Canada ； University of Calgary, Calgary, AB, Canada ； German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing, Germany ； Medical Faculty Heidelberg, Heidelberg University, Germany ； Biomedical Image Technologies (BIT), ETSI Telecomunicación, Universidad Politécnica de Madrid, Spain ； Ophthalmology Service of the Provincial Ophthalmic Institute, Hospital Universitario Gregorio Marañón, Madrid, Spain ； University of Edinburgh, Scotland ； Lung Institute, Faculty of Medicine, Imperial College London, United Kingdom ； Hawkes Institute, Department of Computer Science, University College London, London, United Kingdom
AI总结 本文通过MARIO挑战展示了深度学习在AMD监测中的应用，验证了AI在检测AMD进展方面的有效性，但尚未实现对未来演变的预测。
Comments MARIO-MICCAI-CHALLENGE 2024
Learning Stateful Predictive Knowledge From Experience
从经验中学习有状态的预测知识
机构 * University College London（伦敦大学学院） ； National University of Singapore（新加坡国立大学） ； Chinese Academy of Sciences（中国科学院） ； Brown University（布朗大学） ； University of Bristol（布里斯托尔大学） ； University of Edinburgh（爱丁堡大学） ； Zhongguancun Academy（中关村科学院） ； The Yangtze River Delta（长三角）
AI总结 该研究针对LLM智能体现有轨迹级反思学习的缺陷，提出SKL方法，通过两种算法训练智能体学习有状态预测知识，在多任务上性能优于现有范式。
Reinforced sequential Monte Carlo for amortised sampling
强化序贯蒙特卡洛用于摊销采样
机构 * University of Edinburgh ； Mila -- Qu\'ebec AI Institute ； CIFAR Fellow
AI总结 本文提出一种摊销方法与粒子方法相结合的采样框架，通过最大熵强化学习训练序贯蒙特卡洛采样器，并利用离线策略学习提高目标分布探索效率，在合成多模态目标和丙氨酸二肽构象玻尔兹曼分布上验证了改进的近似精度与训练稳定性。
Comments ICML 2026. Code: https://github.com/hyeok9855/ReinforcedSMC
Pushing the Frontier on Approximate EFX Allocations
机构 * Department of Informatics, Athens University of Economics and Business（阿提卡经济与商业大学信息学院） ； Archimedes, Athena Research Center（阿提卡研究中心） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
Comments The conference version of this work has been accepted to the Twenty-Fifth ACM Conference on Economics and Computation (EC 2024)
OmniPhys: Knowledge-Graph-Driven Benchmarking and Collective Optimization for Physical Commonsense in Text-to-Image Generation
OmniPhys：文本到图像生成中物理常识的知识图谱驱动基准测试与集体优化
机构 * Zhejiang University（浙江大学） ； The University of Manchester（曼彻斯特大学） ； The University of Edinburgh（爱丁堡大学） ； Ant Group（蚂蚁集团）
AI总结 针对文本到图像模型常违反物理常识及现有基准测试不足等问题，引入基于物理知识图谱的OmniPhys基准测试，提出OmniPrompt迭代框架，经对12个模型评估，显著提升了物理一致性。
Comments accepted by KDD 2026 DB track
