高校专区
强制等变性的弊端及其通过表达能力的视角进行补偿
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文研究了强制等变性对表达能力的影响，发现其会降低表达能力，但通过扩大模型规模可补偿，并证明了补偿所需的规模上限，同时发现扩大后的架构具有更优的泛化能力。
Causal-Adapter：驯服文本到图像扩散模型以实现忠实的反事实生成
机构 * Centre for AI, DS\&AI, Astrazeneca, UK（英国阿斯利康人工智能中心） ； Institute for Imaging, Data and Communications (IDCOM), School of Engineering, University of Edinburgh, Edinburgh, UK（爱丁堡大学工程学院影像、数据与通信研究所） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 Causal-Adapter通过模块化框架实现文本到图像扩散模型的反事实生成，利用结构因果建模和属性正则化策略，在保持图像核心身份的同时实现精确的属性控制。
Comments Project Page: https://leitong02.github.io/causaladapter/
Journal ref ICML 2026
融合监督学习与强化学习微调的前缀采样
机构 * ILCC, University of Edinburgh（爱丁堡大学ILCC） ； Fudan University（复旦大学） ； Qwen Team, Alibaba Group（阿里集团Qwen团队） ； ILLC, University of Amsterdam（阿姆斯特丹大学ILLC）
AI总结 本文提出Prefix-RFT方法，结合示范数据与探索学习，通过数学问题验证其有效性，超越了单独SFT和RFT以及混合策略方法。
Comments ICML 2026
放射科医生引导的因果概念瓶颈模型用于胸部X光解读
机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务）
AI总结 本文提出XpertCausal模型，通过放射科医生指导的因果方法改进胸部X光解读的可解释性，通过概率性噪声或框架建模病理到概念关系，提升诊断准确性与临床相关性。
基于主动信息获取的上下文训练
机构 * The University of Edinburgh（爱丁堡大学）
AI总结 本文提出通过引入维基百科搜索和浏览器工具改进上下文优化，通过搜索驱动训练流程提升模型性能，适用于低资源翻译、医疗场景和推理任务，证明方法高效且鲁棒。
Comments Preprint
广义运动场上的渐近最优遍历覆盖
机构 * Yale University（耶鲁大学） ； Rutgers University（罗格斯大学） ； University of Edinburgh（爱丁堡大学） ； University of Sydney（悉尼大学）
AI总结 本文提出将自适应搜索建模为遍历覆盖问题，通过考虑领域演变，在动态环境中保证覆盖并实现有效探索，实验验证了方法在海洋探索及生物运动跟踪中的有效性。
Comments 13 pages, 9 figures, 6 tables, Robotics: Science and Systems 2026
在情境学习中预测动态系统中的临界转变
机构 * Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； kausable Heidelberg（海德堡kausable）
AI总结 本文提出TipPFN框架，通过拟合先验数据的网络预测动态系统接近临界转变，展示在未见临界转变、模拟到现实和真实世界中的鲁棒检测性能。
Comments 14+38 pages, 5+23 figures
最大最小鲁棒贝叶斯实验设计
机构 * UvA–Bosch Delta Lab（UvA–Bosch Delta实验室） ； Department of Statistics（统计系） ； University of Amsterdam（阿姆斯特丹大学） ； University of Oxford（牛津大学） ； School of Mathematics（数学学院） ； University of Edinburgh（爱丁堡大学） ； University of Warwick（沃里克大学）
AI总结 本文通过将问题建模为实验者与对抗性自然之间的最大最小博弈，提出基于Sibson的α-互信息的鲁棒目标，以应对贝叶斯实验设计在模型失规范定下的脆弱性。
从自发言语预测心理幸福感使用大语言模型
机构 * University of Edinburgh（爱丁堡大学） ； Centre for Medical Informatics (CMI) Usher Institute University of Edinburgh（医学信息学中心（CMI）乌舍研究所爱丁堡大学）
AI总结 研究利用大语言模型对自发语音进行零样本预测，探索其在心理幸福感评分中的应用，发现模型能提取语义信息，实现高达0.8的相关性，并通过统计分析和词云分析提升可解释性。
COP-GEN：用于Copernicus地球观测数据的潜在扩散变换器
机构 * School of Engineering University of Edinburgh（工程学院爱丁堡大学） ； European Space Agency (ESA)（欧洲航天局） ； Asterisk Labs（Asterisk实验室）
AI总结 COP-GEN通过建模异质地球观测模态的联合分布，实现了多模态潜在扩散变换器，支持灵活的任意到任意条件生成，包括无需重新训练的零样本模态翻译。
我们能信任LLMs进行心理健康筛查吗？一致性、ASR鲁棒性和证据忠实性
机构 * Usher Institute, Edinburgh Medical School, University of Edinburgh, Edinburgh, UK（埃瑟尔研究所、爱丁堡医学院、爱丁堡大学、爱丁堡） ； Department of Computer Engineering, Ahvaz Campus, Islamic Azad University, Ahvaz, Iran（计算机工程系、阿瓦兹校区、伊斯兰Azad大学、阿瓦兹，伊朗） ； School of Health and Social Care, Edinburgh Napier University, Edinburgh, UK（健康与社会护理学院、爱丁堡纳皮尔大学、爱丁堡，英国）
AI总结 研究评估三种LLM在英语参与者上的表现，发现Phi-4和Gemma-2-9B在ASR下保持高一致性，而Llama-3.1-8B在ASR下表现不稳定，证据忠实性也较低，揭示了评分与证据之间的脱节问题。
无评论强化学习中的取消假设：从结果奖励到令牌信用
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The University of Edinburgh（爱丁堡大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） ； Qwen Team, Alibaba Group（阿里集团Qwen团队） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 本文从令牌层面研究无评论强化学习，揭示令牌翻转现象，并提出取消假设，解释令牌层面信用分配机制，通过实验验证该假设并提出改进训练的方法。
人类与大语言模型对话提高急诊护理的诊断准确性
机构 * Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） ； Department of Medicine, Azienda Sanitaria Universitaria Integrata del Trentino (ASUIT)（特伦托大学整合卫生机构医学部） ； Center for Medical Sciences (CISMed), University of Trento（特伦托大学医学科学中心） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 本研究探讨人类与大语言模型对话在急诊护理中的应用，通过对比基线和AI辅助会话，发现住院医师在复杂病例中的诊断准确性显著提升，且交互式LLM支持显著增强了诊断推理能力。
Comments Paper under review
FedAdaVR: 适应性方差减少用于有限客户端参与下的鲁棒联邦学习
机构 * School of Computing and Mathematical Sciences, University of Leicester（利兹大学计算与数学科学学院） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系）
AI总结 FedAdaVR通过引入自适应优化器与方差减少技术，解决客户端参与不足导致的异质性问题，实验表明其在多种数据集上均优于现有方法。
位置：智能体应仅在知识上必要时调用外部工具
机构 * University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学） ； Princeton University（普林斯顿大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文探讨智能体在何种情况下应调用外部工具，提出应仅在内部推理无法可靠完成任务时才调用。引入了理论框架，强调决策中的不确定性管理，指出不必要的委托会降低效率并阻碍内部推理能力的发展。
从早期经验学习代理路由
机构 * AI Lab, Princeton University（普林斯顿大学人工智能实验室） ； University of Michigan（密歇根大学） ； Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息学院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Edinburgh（爱丁堡大学） ； King’s College London（伦敦国王学院）
AI总结 本文研究在冷启动条件下如何在轻量级LLM推理与完整代理执行间进行路由，提出无需训练的BoundaryRouter框架，通过早期行为经验和指导性推理决定是否直接使用LLM还是升级至代理，实验显示其在降低推理时间与提升性能方面优于其他方法。
Comments 17 pages
在不确定环境下通过强化学习进行基因电路的序列设计
机构 * School of Informatics, The University of Edinburgh（爱丁堡大学信息学院） ； School of Informatics（信息学院） ； School of Biological Sciences, The University of Edinburgh（爱丁堡大学生物科学学院）
AI总结 本文提出一种在不确定环境下优化基因电路的序列框架，结合模拟器模型和强化学习策略，有效处理生物分子反应的内在随机性和实验室条件的变异性。
镜像下降-上升法用于均场极小-极大问题
机构 * Center for Advanced Intelligence Project, RIKEN（日本东京RIKEN先进智能项目中心） ； School of Mathematical and Computer Sciences, Heriot-Watt University（赫里奥特-瓦特大学数学与计算机科学学院） ； Maxwell Institute for Mathematical Sciences, Edinburgh, UK（爱丁堡数学科学研究所） ； School of Mathematics, University of Edinburgh（爱丁堡大学数学学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文研究了用于解决测度空间上极小-极大问题的镜像下降-上升算法的两种变体，分析了其收敛性，并提出了统一的理论基础。
Comments 57 pages; substantially revised version with improved presentation, re-worked main theorems, and added numerical experiments
一种用于分析神经模型概念表示的框架
机构 * The Centre for Speech Technology Research（语音技术研究中心） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学）
AI总结 本文提出统一框架研究神经模型的概念子空间，探讨包含性和解耦性，发现估计器选择影响子空间特性，LEACE方法在测试轴上表现良好但难以泛化，HuBERT语音表示中电话信息与说话人信息相互包含和解耦。
Comments CoNLL 2026
$How^{2}$: 如何从过程性如何问题中学习
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出$How^{2}$框架，使智能体能提问、存储并复用如何问题答案，提升长期学习能力。在Plancraft环境中，抽象化答案对任务完成更有效。
基于意图匹配的政策引导LLM路由用于仪器实验室
机构 * School of Engineering The University of Edinburgh Edinburgh, UK（工程学院 苏格兰爱丁堡大学 爱丁堡 英国）
AI总结 本文提出基于意图匹配的政策引导LLM路由系统，通过Routiium和EduRouter实现对实验室辅助系统的管理和控制，提升学习挑战度和任务完成率。
Comments IEEE EduCon
迷失在空间中？视觉-语言模型在相对相机姿态估计中挣扎
机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； NVIDIA Research（NVIDIA研究） ； University of Groningen（格罗宁根大学）
AI总结 研究视觉-语言模型在相对相机姿态估计中的表现，发现其在多视角空间推理中存在显著不足，尽管人类和专用几何方法表现良好，但VLMs仍处于初级水平，揭示了跨视角对应和投影相机运动理解等关键能力缺失。
MoRFI: 基于单调性的稀疏自编码器特征识别
机构 * University of Edinburgh, UK（爱丁堡大学） ； Heriot-Watt University, UK（赫瑞斯泰德大学）
AI总结 本文通过控制微调实验发现，逐步引入新知识会增加幻觉，提出MoRFI方法利用稀疏自编码器分析残差流激活，识别因果相关的潜在特征。
重新思考通过非欧几里得距离层的谐波损失
机构 * American University（美国大学） ； University of Vermont（佛蒙特大学） ； AGH University（AGH大学） ； University of Edinburgh（爱丁堡大学） ； Xinjiang University（新疆大学）
AI总结 本文提出通过非欧几里得距离层扩展谐波损失，评估了多种距离度量在视觉和语言模型中的性能、可解释性和可持续性。
评估递归数制系统中规律性与可学习性之间的关系 using 强化学习
机构 * Chalmers University of Technology and Gothenburg University（查尔姆斯理工大学和哥德堡大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文通过强化学习方法探讨递归数制系统的规律性对可学习性的影响，发现高规律性系统更易学习，但不规则系统的学习性受信号长度影响。
未被回报的情感：探讨语音情感识别研究中动机与实践之间的差距
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Edinburgh（爱丁堡大学） ； MBZUAI（马克斯·普朗克智能系统研究所）
AI总结 本文通过系统调查语音情感识别研究，揭示其动机与所用数据集和情绪研究之间的不一致，呼吁通过具体用例重新确立研究方向以避免伦理风险。
Comments Accepted to the Workshop on Computational Affective Science (CAS) at LREC 2026
可微的忠实对齐用于跨模型电路转移
机构 * University of Cambridge（剑桥大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所） ； University of Edinburgh（爱丁堡大学） ； Technion（技术学院）
AI总结 本文提出DFA框架，通过学习可微对齐将小模型的电路信息转移到大模型，实验证明在事实检索、多选推理和算术任务中，DFA在Llama-3 1B→3B任务中表现优异，且在某些情况下恢复的电路忠实度不低于直接归因。
Comments 10 pages, 5 figures
当链式推理失败时，解决方案隐藏在隐藏状态中
机构 * Heriot-Watt University（赫瑞斯泰大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究通过激活补丁分析发现，链式推理（CoT）中的隐藏状态包含任务相关信息，即使原始推理轨迹错误，也能通过补丁提升准确率，揭示CoT中某些token能编码足够的信息恢复正确答案。
CODA：通过在线扩散实现多智能体离线强化学习中的协调
机构 * Inephany Ltd（Inephany有限公司） ； Department of Statistics, University of Oxford（牛津大学统计系） ； University of Cape Town Cape Town, South Africa（南非开普敦大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 CODA通过在线扩散生成合成经验，解决多智能体离线强化学习中的协调问题，提升联合行为适应性。
自知重述：一种完全局部的方法，用于通过内在知识适应LLM到任务
机构 * The University of Edinburgh（爱丁堡大学）
AI总结 本文提出SKR方法，通过将LLM的输出从通用token生成转变为高效任务特定表达，提升非生成任务性能，实验显示在信息检索、目标检测和异常检测任务中取得显著提升。
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