高校专区
将LTL约束整合到PPO中以实现安全强化学习
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； School of Computer Science, Faculty of Engineering, University of Sydney（计算机科学学院，工程学院，悉尼大学） ； School of Engineering and Physical Sciences, Heriot-Watt University（工程与物理科学学院，赫瑞-瓦德大学）
AI总结 本文提出PPO-LTL框架，通过整合LTL约束提升强化学习的安全性，实验表明其在安全性和性能上均优于现有方法。
光谱注意力引导用于提示突出
机构 * University of Edinburgh, UK（爱丁堡大学） ； RayNeo, China（RayNeo） ； Huawei Research Ltd., UK（华为研究有限公司） ； Queen Mary University of London, UK（伦敦大学玛丽女王学院）
AI总结 SEKA和AdaSEKA通过直接编辑键嵌入实现无需训练的注意力引导，显著提升提示突出性能，同时保持低延迟和内存开销。
Comments Accepted to ICLR 2026 (Poster, Top 4%)
通过概念空间对齐实现统一的视觉-语言建模
机构 * University of Edinburgh（爱丁堡大学） ； FAIR at Meta（Meta公司FAIR团队）
AI总结 通过概念空间对齐实现统一的视觉-语言建模，V-SONAR在多语言和多模态任务中超越现有模型。
Comments ICLR 2026
MMCOMET：一种大规模多模态常识知识图谱用于上下文推理
机构 * University of Sydney（悉尼大学） ； University of Melbourne（墨尔本大学） ； University of Edinburgh（爱丁堡大学） ； The University of Sydney（悉尼大学）
AI总结 MMCOMET是一种大规模多模态常识知识图谱，通过整合视觉、物理和社会知识，提升了复杂推理任务如图像描述和叙事生成的性能。
传输权重，而非特征：基于正交基的无线点云传输
机构 * Beihang University（北京航空航天大学） ； Pengcheng Laboratory（鹏城实验室） ； Shenzhen Institute of Beihang University（北京航空航天大学深圳研究院） ； University of Edinburgh（爱丁堡大学） ； IDCOM（影像、数据与通讯研究所）
AI总结 本文提出基于正交基的无线点云传输框架，通过预测接收端语义正交特征池的组合权重，实现紧凑表示和稳健重建，并在不同带宽下表现出色。
Comments 5 pages, 5 figures
TTSDS2：评估人类质量文本到语音系统的资源和基准
机构 * Centre for Speech Technology Research University of Edinburgh（语音技术研究中心爱丁堡大学）
AI总结 TTSDS2是一种改进的TTS评估基准，通过高相关性指标和持续更新的资源，提升对合成语音真实性的评估能力。
对加速MRI重建的自监督学习方法进行基准测试
机构 * Institute for Imaging, Data and Communications, School of Engineering, University of Edinburgh（成像、数据与通讯研究所，工程学院，爱丁堡大学）
AI总结 本文提出SSIBench框架，用于统一和评估无需真实数据的自监督成像方法，展示了不同场景下的性能差异，并提出新的损失函数以促进未来改进。
Comments Preprint. Live benchmark site available at https://andrewwango.github.io/ssibench
数字陪伴：AI陪伴与AI助手的重叠使用
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（人类认知与脑科学研究所） ； Sentience Institute（意识研究所） ； University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University of Southern California（南加州大学） ； Stanford University（斯坦福大学）
AI总结 本文探讨了AI陪伴与助手在社交和任务中的重叠使用，揭示了用户对人机关系的复杂态度及设计上的挑战。
Comments Final version with incorporated reviewer comments
用于采样和噪声问题的流场蒙特卡洛估计器
机构 * Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy（理论物理中心） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出了一种基于蒙特卡洛估计的流场方法，用于解决格点场论中的临界减慢和信噪比问题，并通过U(1)传输问题和SU(N)胶子相关函数进行验证。
Comments 10 pages, 5 figures. Proceedings of the 42nd International Symposium on Lattice Field Theory (LATTICE2025)
关注特征聚合或：政策如何学会停止担心鲁棒性并关注任务相关的视觉线索
机构 * University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； Samsung AI Center - Cambridge, UK（三星AI研究中心-剑桥，英国）
AI总结 本文提出AFA方法，通过注意力机制提升视觉-运动策略在扰动环境下的鲁棒性和泛化能力。
Comments This paper stems from a split of our earlier work "When Pre-trained Visual Representations Fall Short: Limitations in Visuo-Motor Robot Learning." While "The Temporal Trap" replaces the original and focuses on temporal entanglement, this companion study examines policy robustness and task-relevant visual cue selection. arXiv admin note: text overlap with arXiv:2502.03270
混合发起对话用于人机协作操作
机构 * UT Austin（得克萨斯大学） ； OpenAI ； NYU（纽约大学） ； University of Edinburgh（爱丁堡大学）
AI总结 MICoBot通过混合发起对话范式提升人机协作任务的成功率和用户体验。
Comments Project website at https://robin-lab.cs.utexas.edu/MicoBot/
渐近稳定的四元数值Hopfield结构神经网络及其基于周期投影的监督学习规则
机构 * University of Edinburgh（爱丁堡大学） ； University of Hull（赫尔大学） ； Heriot-Watt University（赫瑞-沃德大学）
AI总结 本文提出了一种基于四元数的Hopfield结构神经网络，通过周期投影策略实现监督学习，具有高精度、快速收敛和强可靠性，适用于机器人控制等需要四元数参数化的场景。
Comments Preprint. Accepted by NeurIPS 2025
基于概念的对抗攻击：概率视角
机构 * University of Warwick（沃里克大学） ； University of Manchester（曼彻斯特大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Edinburgh（爱丁堡大学） ； University of Aalto（阿alto大学）
AI总结 本文提出一种基于概念的对抗攻击方法，通过概率视角生成多样化的对抗示例，保持原始概念以误导分类器，提升攻击效率。
通过结构学习协作：基于聚类的物品对齐用于联邦推荐
机构 * Beihang University（北京航空航天大学） ； University of Technology Sydney（悉尼科技大学） ； University of Edinburgh（爱丁堡大学）
AI总结 CGFedRec通过聚类引导的方法，利用全局结构约束实现联邦推荐中的物品对齐，提升通信效率并保持推荐准确性。
Comments 18 pages, 9 figures
基于奖励偏移和截断KL正则化的RLHF泛化
机构 * University of Edinburgh（爱丁堡大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出基于奖励偏移和截断KL正则化的RLHF泛化理论，分析了奖励偏移和KL截断对泛化误差的影响，并给出了优化KL截断阈值和预算分配的实践指导。
潜在不规范领域支持的启发式适应用于随机动态系统中的似然自由推断
机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学）
AI总结 本文提出三种启发式方法，用于改进随机动态系统中似然自由推断的支持适应，提升参数推断和策略学习的鲁棒性。
Comments 20 pages, 18 figures
基于少量标注的面向对象世界模型用于样本高效强化学习
机构 * University of Edinburgh（爱丁堡大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 本文提出OC-STORM框架，通过面向对象表示提升MBRL在复杂视觉领域的样本效率，实验证明其在Atari和Hollow Knight中的优越性能。
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: https://video-reason.com/
递归自聚合解锁大语言模型的深度思考
机构 * Mila – Québec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； LawZero（法零） ； LLNL（劳伦斯利弗莫尔国家实验室） ； University of Edinburgh（爱丁堡大学） ； CIFAR AI Chair（CIFAR人工智能 chair） ； CIFAR Fellow
AI总结 递归自聚合通过结合并行与顺序缩放方法，提升大语言模型的推理能力，实验证明其在多个任务中优于传统方法。
Comments 23 pages, 10 figures. Project page: https://rsa-llm.github.io/
重新思考因果发现中的时间顺序问题
机构 * School of Engineering, The University of Edinburgh, Edinburgh, UK（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI), UK（医疗AI因果性研究联合体（CHAI））
AI总结 本文重新思考因果发现中的时间顺序问题，探讨采样率和窗口长度对因果发现性能的影响，并提出信号处理方法以改进因果推断。
Comments 5 pages, 5 figures, Final version accepted to the 59th Asilomar Conference on Signals, Systems, and Computers (2025)
预见、适应、行动：一项任务规划的混合框架
机构 * Robotics Research Center, IIIT Hyderabad, India（IIIT海得拉巴机器人研究中心） ； TCS Research, Tata Consultancy Services, India（塔塔咨询公司研究部） ； School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院）
AI总结 本文提出一种混合框架，结合LLM的预测能力和关系动态影响图语言的决策能力，用于任务规划中的失败预测与应对。
Comments Accepted at IEEE European Conference on Mobile Robots (ECMR)
有人参与的循环优化在机器人辅助步态训练中
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学）
AI总结 本文研究了人机协同优化在机器人辅助步态训练中的应用，发现个性化控制器优化未显著提升患者表现，揭示了人机共适应与行为变异的影响。
按需辅助控制用于足下垂管理的FES
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Anne Rowling Neurology Clinic, School of Medicine, University of Edinburgh（安妮·罗文神经科诊所，医学院，爱丁堡大学） ； Alan Turing Institute, U.K.（艾伦·图灵研究所，英国）
AI总结 本文提出了一种闭环FES控制器，通过实时脚部清空动态调整刺激强度，以提高足下垂管理的效率和用户舒适度。
基于高斯过程知识评分的可信预测
机构 * School of Engineering, The University of Edinburgh, Edinburgh, UK（工程学院，爱丁堡大学，爱丁堡，英国）
AI总结 本文提出基于高斯过程回归的知识评分方法，用于评估预测的可信度，并在异常检测等任务中提升性能。
Comments 6 pages, 5 figures, to be published in the Proceedings of the European Signal Processing Conference (EUSIPCO)
EuroGEST：研究多语言语言模型中的性别刻板印象
机构 * University of Edinburgh（爱丁堡大学） ； Warsaw University of Technology（华沙技术大学） ； Aveni
AI总结 EuroGEST研究多语言语言模型中的性别刻板印象，通过跨29种欧洲语言的数据集揭示了性别刻板印象的普遍性及模型对刻板印象的编码强度。
Comments In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 32074-32096, Suzhou, China. Association for Computational Linguistics. 9 pages, 5 figures, 1 table
Stuart-Landau振荡图神经网络
机构 * School of Mathematics ； Maxwell Institute University of Edinburgh Edinburgh UK ； Institute of Applied Mathematics ； Gran Sasso Science Institute L’Aquila Italy ； Maxwell Institute, \ of Edinburgh, Edinburgh UK ； Maxwell Institute University of Edinburgh ； Gran Sasso Science Institute ； Maxwell Institute, \ of Edinburgh
AI总结 本文提出基于Stuart-Landau振荡器动力学的SLGNN，通过动态演变节点特征幅度，提升图神经网络在节点分类、图分类和图回归任务中的性能。
通过其计算图验证推理链
机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Meta Superintelligence Labs（Meta 超智能实验室） ； University of Edinburgh（爱丁堡大学）
AI总结 通过分析计算图结构特征，提出基于电路的推理验证方法，揭示推理错误的结构指纹并有效纠正模型错误推理。
Comments Accepted to ICLR 2026 (Oral)
我们是否正确地测量图神经网络中的过度平滑现象？
机构 * School of Mathematics and Maxwell Institute University of Edinburgh（数学系和麦克斯韦研究所爱丁堡大学） ； Gran Sasso Science Institute（格兰萨索科学研究所） ； Scuola Normale Superiore（正常大学）
AI总结 本文提出通过特征表示的数值或有效秩来测量图神经网络中的过度平滑现象，而非传统基于能量的指标，并通过实验和理论分析证明了该方法的有效性。
Comments Accepted into ICLR 2026
量子学习中数据压缩的信息论极限
机构 * LIP6, CNRS（CNRS LIP6研究所） ； Sorbonne Université（索邦大学） ； Institute of Physics（物理研究所） ； Ecole Polytechnique Fédérale de Lausanne（日内瓦联邦理工学院） ； School of Informatics（信息学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出基于量子数据压缩的框架，研究量子数据在PAC学习中的信息论极限，并证明了学习线性函数的最优性。
Comments Version accepted at the IEEE International Conference on Quantum Artificial Intelligence (2025)
Journal ref 2025 IEEE International Conference on Quantum Artificial Intelligence (QAI), Naples, Italy, 2025, pp. 19-26
PRISM: 基于对称性的并行奖励整合用于多目标强化学习
机构 * University of Edinburgh（爱丁堡大学） ； Meta Superintelligence Labs（Meta超智能实验室）
AI总结 PRISM通过引入基于对称性的并行奖励整合算法，解决多目标强化学习中稀疏奖励与密集奖励之间的样本效率问题，提升Pareto覆盖和分布平衡。
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