Re-Rankers as Relevance Judges
重排序器作为相关性判断者
机构 * The University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 本文提出将重排序器作为相关性判断者的方法，通过两种适应策略在重排序任务中实现优于现有方法的性能。
高校专区
University of Edinburgh（爱丁堡大学）
Propositional Abduction via Only-Knowing: A Non-Monotonic Approach
仅知下的命题反向推理：一种非单调方法
机构 * Division of Humanities（人文学院） ； Federal Institute of Pará（巴西亚马逊州联邦研究院） ； School of Informatics（信息学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出了一种基于非单调逻辑的反向推理方法，通过引入偏好关系扩展了仅知逻辑，以更灵活地处理反向推理解释的选择问题。
Comments In Proceedings ICLP 2025, arXiv:2601.00047
Journal ref EPTCS 439, 2026, pp. 5-17
The Reward Model Selection Crisis in Personalized Alignment
个性化对齐中的奖励模型选择危机
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Samsung AI Research Center（三星人工智能研究中心）
AI总结 该研究指出当前个性化对齐方法依赖于不准确的代理指标，提出策略准确性作为评估标准，并展示简单上下文学习在大模型中优于奖励引导方法。
Logic Tensor Network-Enhanced Generative Adversarial Network
逻辑张量网络增强生成对抗网络
机构 * The University of Edinburgh（爱丁堡大学）
AI总结 LTN-GAN结合逻辑张量网络与GAN，通过强制逻辑约束提升生成样本的多样性和一致性。
Comments In Proceedings ICLP 2025, arXiv:2601.00047
Journal ref EPTCS 439, 2026, pp. 89-113
Topic Segmentation Using Generative Language Models
使用生成语言模型进行主题分割
机构 * Adarga（阿达格） ； University of Edinburgh（爱丁堡大学） ； University of Exeter（埃克塞特大学）
AI总结 本文提出了一种基于生成语言模型的重叠递归提示策略，用于提升主题分割效果，但指出仍需进一步解决相关问题。
Self-Supervised Learning from Noisy and Incomplete Data
从噪声和不完整数据中进行自监督学习
机构 * CNRS, ENS Lyon（法国国家科学研究中心、里昂高等师范学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出通过自监督学习方法从噪声和不完整数据中学习求解器，以解决逆问题，强调理论基础和实际应用。
MMFormalizer: Multimodal Autoformalization in the Wild
MMFormalizer: 多模态自动形式化
机构 * The University of Hong Kong（香港大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Edinburgh（爱丁堡大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Ohio State University（俄亥俄州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 MMFormalizer通过整合适应性定位与现实世界数学物理领域实体，实现多模态自动形式化，首次处理经典力学、相对论、量子力学和热力学等复杂领域。
Comments Technical Report
BitDecoding: Unlocking Tensor Cores for Long-Context LLMs with Low-Bit KV Cache
BitDecoding: 通过低精度KV缓存解锁Tensor Cores用于长上下文LLM
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）
AI总结 BitDecoding通过协同利用CUDA核心和Tensor Core，实现低精度KV缓存的高效解码，提升长上下文LLM的解码速度。
LTLBench: Towards Benchmarks for Evaluating Temporal Reasoning in Large Language Models
LTLBench: 为评估大语言模型中的时间推理能力而设计的基准测试
机构 * University of Edinburgh（爱丁堡大学）
AI总结 LTLBench通过线性时序逻辑评估大语言模型的时间推理能力，构建包含2000个挑战的数据集并测试12个模型，揭示时间推理中的主要问题及复杂性影响。
Online Estimation and Manipulation of Articulated Objects
在线估计和操控关节化物体
机构 * RIPL-Lab, University of Waterloo, Canada（滑铁卢大学） ； Robot Learning Lab, University of Freiburg, Germany（弗赖堡大学） ； School of Informatics, University of Edinburgh, UK（爱丁堡大学）
AI总结 本文提出了一种结合视觉先验和本体感觉传感的在线估计方法，用于机器人自主操控未知的关节化物体。
Comments This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this article is published in Autonomous Robots, and is available online at [Link will be updated when available]
From Bench to Bedside: A Review of Clinical Trials in Drug Discovery and Development
从实验室到临床：药物发现与开发中临床试验的综述
机构 * University of Liverpool, UK（利物浦大学） ； Purdue University, USA（普渡大学） ； Georgia Institute of Technology, USA（佐治亚理工学院） ； Emory University, USA（埃默里大学） ； Simon Fraser University, Canada（Simon Fraser大学） ； Kyoto University, Japan（京都大学） ； Zhejiang University, China（浙江大学） ； National Taiwan Normal University, Taiwan（台湾师范大学） ； Indiana University, USA（印第安纳大学） ； University of Edinburgh, UK（爱丁堡大学） ； The University of Texas at Dallas, USA（德克萨斯大学达拉斯分校） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； The Hong Kong University of Science（香港科学大学）
AI总结 本文综述了临床试验在药物发现与开发中的关键作用，探讨了各阶段特点、挑战及未来发展方向。
Comments 11 pages
Learning Speech Representations with Variational Predictive Coding
通过变分预测编码学习语音表示
机构 * Institute for Language, Cognition and Computation（语言、认知与计算研究所） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 本文通过变分预测编码原理改进HuBERT目标函数，提升语音预训练效果，并在多个下游任务中验证其有效性。
Comments Accepted to Transactions of the Association for Computational Linguistics (TACL); Pre MIT Press version
GARDO: Reinforcing Diffusion Models without Reward Hacking
GARDO：无需奖励黑客的扩散模型强化
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Kuaishou Technology（快手科技） ； CUHK MMLab（港中文大学MMLab） ； The University of Edinburgh（爱丁堡大学）
AI总结 GARDO通过自适应正则化和多样性增强，有效缓解扩散模型中的奖励黑客问题，提升生成多样性与样本效率。
Comments 17 pages. Project: https://tinnerhrhe.github.io/gardo_project
Efficient Offline Reinforcement Learning: First Imitate, then Improve
高效离线强化学习：先模仿，后改进
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research Cambridge（微软研究院剑桥分部）
AI总结 本文提出了一种结合监督学习和离策略强化学习的方法，通过预训练提升离策略算法的效率和稳定性。
Aligning Agents like Large Language Models
像大型语言模型一样对齐代理
机构 * School of Informatics, University of Edinburgh, Edinburgh, United Kingdom（爱丁堡大学信息学院） ； Micosoft Research, Cambridge, United Kingdom（微软研究院）
AI总结 本文提出通过像训练大型语言模型一样训练代理，以实现更通用、稳健和对齐的行为，并通过3D视频游戏环境中的概念验证展示方法。
Iterative Multilingual Spectral Attribute Erasure
迭代多语言光谱属性擦除
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； NVIDIA Research（NVIDIA研究）
AI总结 IMSAE通过迭代SVD截断在多语言中减轻联合偏见子空间，优于传统单语言和跨语言去偏方法。
Comments Accepted to the main conference of EMNLP 2025
A Primer on the Signature Method in Machine Learning
机器学习中签名方法入门
机构 * School of Mathematics, The University of Edinburgh（爱丁堡大学数学学院） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Psychiatry, University of Oxford（牛津大学精神病学系）
AI总结 本文介绍了签名方法在机器学习中的理论基础和应用，包括路径签名的定义、理论性质及在手写数字分类中的实际应用。
Comments 61 pages, 26 figures, 3 tables. Expanded Part 1 and simplified the presentation in Part 2. To appear in Open Access in a forthcoming Springer volume "Signatures Methods in Finance: An Introduction with Computational Applications"
Rethinking Memory in LLM based Agents: Representations, Operations, and Emerging Topics
重新思考基于大语言模型的智能体中的记忆：表示、操作与新兴主题
机构 * The Chinese University of Hong Kong Hong Kong China ； The University of Edinburgh Edinburgh UK ； The Hong Kong University of Science ； Huawei Technologies Research \& Development (UK) Limited Edinburgh UK ； The Chinese University of Hong Kong ； The University of Edinburgh ； Huawei Technologies Research \& Development (UK) Limited
AI总结 本文提出基于大语言模型的智能体中记忆的分类框架，涵盖参数型与上下文型记忆，定义六个核心操作，并揭示四个关键研究方向。
Ensuring Safety in an Uncertain Environment: Constrained MDPs via Stochastic Thresholds
在不确定环境中确保安全：通过随机阈值进行约束MDP
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 本文提出SPOT算法，通过随机阈值在不确定环境中实现安全的强化学习，理论证明其在约束和奖励方面具有次线性遗憾性能。
Agnostic Process Tomography
无偏过程量子态重构
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Laboratoire d’Informatique de Paris 6, CNRS, Sorbonne Université（巴黎第六研究所，CNRS，索邦大学）
AI总结 本文提出无偏过程量子态重构，通过高效算法在量子机器学习等领域实现对未知量子通道的近似，利用泡利谱分析等工具扩展了标准量子态重构的应用范围。
Comments 11+52 pages, 2 figures, 1 table. v2: Minor improvements and edits
Journal ref PRX Quantum 6, 040371 (2025)
Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents
Memory-T1: 基于强化学习的多会话代理时间推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei Technologies Co.,Ltd（华为技术有限公司） ； HKUST（香港科技大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 Memory-T1通过强化学习提升多会话代理的时间推理能力，实现7B模型在Time-Dialog基准上的67.0%高分，优于基线模型。
Generative Retrieval with Few-shot Indexing
基于少样本索引的生成检索
机构 * Leiden University（莱顿大学） ； The University of Edinburgh（爱丁堡大学） ； University of Amsterdam（阿姆斯特丹大学）
AI总结 本文提出了一种无需训练的少样本索引生成检索框架，通过提示LLM生成文档标识符来提升检索性能。
Comments Accepted for publication at the 48th European Conference on Information Retrieval (ECIR 2026)
EEsizer: LLM-Based AI Agent for Sizing of Analog and Mixed Signal Circuit
EEsizer: 基于LLM的模拟和混合信号电路尺寸设计AI代理
机构 * The University of Edinburgh（爱丁堡大学） ； The School of Engineering（工程学院） ； Institute for Integrated Micro and Nano Systems（集成微纳系统研究所）
AI总结 EEsizer是一种基于LLM的AI代理，通过整合大语言模型与电路仿真器和自定义数据分析功能，实现了模拟和混合信号电路尺寸设计的自动化，展示了在先进节点上的适应性和鲁棒性。
Journal ref IEEE Transactions on Circuits and Systems I: Regular Papers, 2026
FedOAED: Federated On-Device Autoencoder Denoiser for Heterogeneous Data under Limited Client Availability
FedOAED: 一种用于有限客户端可用性下异构数据的联邦设备端自编码去噪器
机构 * School of Computing（计算学院） ； Mathematical Sciences, University of Leicester, UK（利兹大学数学科学系） ； School of Computing, University of Edinburgh, UK（爱丁堡大学计算学院） ； Department of Computer Science, University of Exeter, UK（埃克塞特大学计算机科学系）
AI总结 FedOAED是一种针对有限客户端可用性下异构数据的联邦学习算法，通过设备端自编码去噪器减少客户端漂移和方差，提升模型性能。
Enhancing Long Document Long Form Summarisation with Self-Planning
通过自规划增强长文档长形式摘要
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出了一种基于自规划的长文档摘要方法，通过内容计划提升摘要的可追溯性和准确性，在多个数据集上取得了显著的ROUGE-L和SummaC得分提升。
Language statistics at different spatial, temporal, and grammatical scales
不同空间、时间和语法尺度的语言统计学
机构 * Roslin Institute（罗斯林研究所） ； University of Edinburgh（爱丁堡大学） ； MIT Media Lab（麻省理工学院媒体实验室） ； Lakeside Labs GmbH
AI总结 本研究通过推特数据探讨不同尺度下语言统计特性，发现语法尺度对排名多样性影响最大，揭示了语言统计学中普遍规律与变化因素。
Journal ref Entropy, 26(9), 2024
Exploration of Augmentation Strategies in Multi-modal Retrieval-Augmented Generation for the Biomedical Domain: A Case Study Evaluating Question Answering in Glycobiology
多模态检索增强生成在生物医学领域中的增强策略探索：一项评估糖生物学问答的案例研究
机构 * University of Maribor, Faculty of Health Sciences（莫拉维亚大学健康科学学院） ； University of Ljubljana, Medical Factory（卢布尔雅那大学医疗工厂） ； Genos Ltd（基因公司） ； Center for Smart Health, School of Nursing The Hong Kong Polytechnic University（智能健康中心护理学院香港理工大学） ； University of Zagreb, Faculty of Pharmacy（扎格雷布大学药学院） ； Usher Institute University of Edinburgh（埃德蒙顿大学usher研究所）
AI总结 本文研究了多模态检索增强生成在生物医学领域中的增强策略，通过实验发现多模态转换和视觉检索在不同模型中均能提升问答准确率。
Comments Will be published in IEEE BigData 2025 proceedings. Contains 10 pages, 1 figure, 5 tables
UM_FHS at the CLEF 2025 SimpleText Track: Comparing No-Context and Fine-Tune Approaches for GPT-4.1 Models in Sentence and Document-Level Text Simplification
UM_FHS在CLEF 2025 SimpleText赛道上的表现：比较GPT-4.1模型在句子和文档级文本简化中的无上下文与微调方法
机构 * University of Maribor, Faculty of Health Science（马里博大学健康科学学院） ； University of Ljubljana, Faculty of Medicine（卢布尔雅那大学医学院） ； University of Edinburgh, Usher Institute（爱丁堡大学usher研究所）
AI总结 UM_FHS在CLEF 2025 SimpleText赛道上比较了GPT-4.1模型在句子和文档级文本简化中的无上下文与微调方法，发现无上下文方法在两个层级上表现稳健，而微调方法在文档级简化中表现突出。
Comments 10 pages, 3 tables. CLEF 2025 Working Notes, 9 to 12 September 2025, Madrid, Spain
Beyond the Visible: Disocclusion-Aware Editing via Proxy Dynamic Graphs
超越可见范围：通过代理动态图实现的遮挡感知编辑
机构 * Inria - Université Côte d’Azur（法国国家信息与自动化技术研究院-埃克塞特大学） ； University of Edinburgh（爱丁堡大学） ； Adobe Research（Adobe研究部） ； UCL（伦敦大学学院）
AI总结 通过代理动态图实现遮挡感知编辑，结合运动规范与外观合成，实现可控的图像到视频生成。
Developing Large Language Models for Clinical Research Using One Million Clinical Trials
利用一百万项临床试验开发大型语言模型用于临床研究
机构 * Usher Institute, Edinburgh Medical School, University of Edinburgh（埃丁堡大学埃丁堡医学院usher研究所） ； Health Data Research UK（英国健康数据研究） ； School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院） ； Division of Intramural Research, National Library of Medicine, National Institutes of Health（国家卫生研究院国家医学图书馆内部研究部） ； Keiji AI
AI总结 本文提出TrialPanorama，通过整合一百万项临床试验数据，训练出在八个关键临床研究任务中表现优于通用大语言模型的8B LLM。
