高校专区
ContactFusion：基于视觉和接触传感的随机泊松曲面地图
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Department of Mechanical and Mechatronics Engineering, University of Waterloo（机械与机电工程系，滑铁卢大学）
AI总结 研究针对机器人装配中场景理解噪声影响插入成功率的问题，提出ContactFusion方法，结合全局映射与局部接触信息，通过拒绝采样程序估计接触位置，将接触与视觉信息融合到SPSMap，验证了方法有效性并改善孔位估计。
Comments Version accepted to IROS2026
时间机器：论运动在高效感知中的力量
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 提出以运动为核心模态的视频表示方法，通过点轨迹掩码自编码器自监督学习，大幅降低训练数据需求并提升时间理解能力。
Comments for project page, see https://time-model.github.io/
信贷风险预测的基础模型：变革性突破？
机构 * Faculty of Economics and Business, KU Leuven, Belgium（比利时库勒万大学经济与商业学院） ； School of Business and Economics, Humboldt University of Berlin, Germany（德国洪堡大学商学院） ； Department of Statistical and Actuarial Sciences, Western University, Canada（加拿大西部大学统计与精算科学系） ； Department of Engineering Management, University of Antwerp, Belgium（比利时安特卫普大学工程管理系） ； Business School, University of Edinburgh, United Kingdom（英国爱丁堡大学商学院） ； Business School, University of Southampton, United Kingdom（英国南安普顿大学商学院） ； School of Mathematical Sciences, University of Southampton, United Kingdom（英国南安普顿大学数学科学学院） ； Department of Business Informatics and Operations Management, Ghent University, Belgium（比利时根特大学商业信息与运营管理系） ； Department of Mathematics, University of Antwerp, Belgium（比利时安特卫普大学数学系） ； Department of Mathematics, KU Leuven, Belgium（比利时库勒万大学数学系）
AI总结 本文研究了信贷风险预测中基础模型的应用，探讨了其在小数据环境下提升预测性能的能力，并通过对比多种方法验证了基础模型在PD和LGD建模任务中的优越性。
PiCSAR：基于推理链的概率置信度选择与排序
机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院）
AI总结 PiCSAR通过联合对数似然度评估推理链和最终答案的置信度，无需训练即可提升大语言模型和推理模型的准确性，在多个基准测试中表现优异。
Journal ref Findings of the Association for Computational Linguistics: ACL 2026
伊斯兰MMLU：评估大语言模型在伊斯兰知识上的基准
机构 * The University of Edinburgh（爱丁堡大学）
AI总结 伊斯兰MMLU基准通过10,013道题评估大语言模型在伊斯兰知识上的表现，涵盖《古兰经》、圣训和教法三个领域，测试模型在不同方面的能力，初步评估26个模型，准确率差异显著。
Comments Leaderboard link: https://huggingface.co/spaces/islamicmmlu/leaderboard
布雷斯 - 瓦瑟斯坦重要性加权证据下界：阐述与应用
机构 * The University of Sydney Business School（悉尼大学商学院） ； School of Mathematics, The University of Edinburgh（爱丁堡大学数学学院）
AI总结 研究在布雷斯 - 瓦瑟斯坦空间中优化重要性加权证据下界（IW - ELBO），推导其瓦瑟斯坦梯度并投影到该空间以用于高斯变分推理，证明其梯度估计器稳定性良好，实验显示该框架比其他基线有更优近似性能。
Comments 43 pages, 13 figures. Submitted to Bayesian Analysis
LLMlambda 计算：人工智能代理、对话与信息流
机构 * University of Nottingham, UK（诺丁汉大学） ； University of Edinburgh, UK（爱丁堡大学） ； Chalmers University of Technology（查尔姆斯理工大学） ； The University of Gothenburg, Sweden（哥德堡大学）
AI总结 本文提出了一种无类型的lambda计算模型，用于形式化描述和验证人工智能代理中对话和信息流的安全性。
当摘要扭曲决策：LLM压缩财务分析中的信息保真度
机构 * UNIST（全纳科学技术大学） ； LG AI Research（LG人工智能研究） ； Sungkyunkwan University（成均馆大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； J.P. Morgan Chase（摩根大通） ； State Street（州立银行） ； University of Edinburgh（爱丁堡大学） ； University of Florida（佛罗里达大学） ； BlackRock（黑石） ； LinqAlpha
AI总结 研究LLM压缩财务信息时因丢失决策相关上下文导致投资判断改变的问题，提出通过生成多个候选压缩并审计分歧的代理上下文压缩方法。
Comments Preprint
真实还是编造？利用因果归因减轻解释中的奖励作弊
机构 * Institute for Logic, Language and Computation (ILLC), University of Amsterdam（逻辑、语言与计算研究所（ILLC），阿姆斯特丹大学） ； Institute for Language, Cognition and Computation (ILCC), University of Edinburgh（语言、认知与计算研究所（ILCC），爱丁堡大学）
AI总结 研究大语言模型解释中因奖励模型导致的奖励作弊问题，提出用预测的因果归因丰富奖励模型输入的方法，该方法能减少大语言模型生成误导性解释的倾向，提升解释忠实度。
Comments ICLR 2026 Camera-ready
检索头能看见图像吗？长上下文视觉语言模型中的多模态检索头
机构 * HKUST（香港科技大学） ； University of Edinburgh（爱丁堡大学） ； CUHK（香港中文大学） ； NVAITC, NVIDIA, Santa Clara, USA（NVIDIA Santa Clara 分公司） ； Tsinghua University（清华大学）
AI总结 本文提出一种多模态检索头检测方法，发现视觉语言模型中仅有4.4-10.2%的注意力头贡献了50%的正检索分数，这些头对长上下文推理至关重要，且可直接用于文档检索提升性能。
Comments Work in Progress
一种高效的昆虫启发式方法用于视觉点目标导航
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 本文提出了一种基于昆虫大脑结构的新型视觉点目标导航模型，通过模拟昆虫的联想学习和路径整合能力，实现高效导航。
Comments This work has been submitted for possible publication
OpenSIR: 开放式自我改进推理器
机构 * University of Edinburgh（爱丁堡大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出OpenSIR框架，通过多样性奖励和难度校准实现开放式自我对弈，无需外部验证器或标注数据，在七个数学基准上平均提升指令模型3.6分、推理模型3.1分，且唯一能泛化到通用推理。
神经符号弱监督：理论与语义
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学）
AI总结 研究多实例部分标签学习中神经符号框架语义，通过集成归纳逻辑编程用关系约束构建该框架，定义标签转换假设空间等，研究两项归纳任务，便于约束规范等。
对PDF拟合及其不确定性的定量理解
机构 * The Higgs Centre for Theoretical Physics, School of Physics and Astronomy, The University of Edinburgh（爱丁堡大学物理与天文学院希格斯理论物理中心）
AI总结 基于神经正切核理论，提出分析神经网络训练动力学的框架，定量理解PDF拟合中不确定性的传播，为当前拟合方法提供诊断工具。
Comments 38 pages, 31 figures
Journal ref Eur. Phys. J. C 86, 722 (2026)
VLM能稳健推理吗？一项神经符号研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学）
AI总结 研究视觉语言模型在分布偏移下的推理稳健性，提出结合VLM概念识别与电路符号推理的神经符号方法VLC，在三个视觉演绎推理任务上实现更高的分布外准确率。
Comments TMLR 2026
面向公平感知属性表示的无偏分箱
机构 * Mila（米拉研究所） ； Independent Researcher（独立研究员） ； University of Edinburgh（爱丁堡大学） ； University of Utah（犹他大学）
AI总结 提出无偏分箱问题，通过动态规划或局部搜索算法找到满足组间比例均等的分箱方案，并引入ε-偏分箱以容忍微小偏差。
Journal ref PVLDB, 19(10): 2617-2629, 2026
共享疑虑：语言模型的零样本跨语言置信度估计
机构 * ILLC, University of Amsterdam（阿姆斯特丹大学ILLC） ； ILCC, University of Edinburgh（爱丁堡大学ILCC）
AI总结 研究多语言大语言模型是否编码共享的、可跨语言迁移的置信度特征，通过轻量级线性探针从中间表示直接预测答案正确性，实现零样本跨语言泛化，并发现置信度特征集中在中间层。
稀疏前沿：Transformer大语言模型中稀疏注意力的权衡
机构 * University of Edinburgh（爱丁堡大学） ； Cohere ； Meta
AI总结 通过大规模实证分析，研究了六种免训练稀疏注意力方法在多个模型和任务上的效率-准确性权衡，发现稀疏注意力有效、细粒度预填充不实用、长序列容忍更高稀疏度。
Retrievit: Transformer、状态空间模型和混合架构的上下文检索能力
机构 * University of Edinburgh（爱丁堡大学） ； Heriot-Watt University（赫瑞斯泰特大学）
AI总结 研究Transformer、状态空间模型(SSM)及其混合架构在上下文检索任务中的性能，发现混合模型在数据效率和泛化上优于SSM且接近或超越Transformer，但Transformer在位置检索上仍占优。
重新审视深度研究中的文本排序
机构 * The University of Edinburgh（爱丁堡大学） ； University of Glasgow（格拉斯哥大学）
AI总结 本文通过复现实验，从检索单元、流水线配置和查询特性三个角度评估文本排序方法在深度研究中的有效性，并提出Q2Q方法缓解查询不匹配问题。
Comments Accepted at the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)
晕气体密度分布的可解释机器学习：宇宙流体动力学模拟的敏感性分析
机构 * Institute for Computational Cosmology, Department of Physics, Durham University（计算宇宙学研究所，物理系，杜伦大学） ； Department of Physics and Astronomy, University of Pennsylvania（物理与天文学系，宾夕法尼亚大学） ； Institute for Astronomy, University of Edinburgh（天文研究所，爱丁堡大学） ； Department of Physics and Astronomy, University of the Western Cape（物理与天文学系，南非开普敦西部大学）
AI总结 利用随机森林算法预测晕内径向气体密度分布，并通过Sobol敏感性分析量化不同星系属性对气体分布的影响，发现晕总质量和中心星系气体质量与气体分布关联最强。
Comments Published in the Open Journal of Astrophysics
Journal ref The Open Journal of Astrophysics, Vol. 9, 23rd June 2026
文本到图像扩散模型的测试时对齐：通过空文本嵌入优化
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Samsung AI Center, Cambridge（三星人工智能中心）
AI总结 提出Null-TTA方法，通过优化无分类器引导中的无条件嵌入实现测试时对齐，避免奖励黑客问题，在保持语义一致性的同时达到最先进性能。
Journal ref Published at CVPR2026
自动语音识别的解释
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 针对基于神经网络的自动语音识别，提出通过解释来提升系统理解和信任，采用统计故障定位和因果方法生成最小且充分的音频帧子集作为转录解释。
Comments Accepted by Speech Track, ICASSP 2023
言语背后的声音：量化语音大语言模型中的交叉偏见
机构 * 1 Department of Speech, Music ； Hearing, KTH Royal Institute of Technology, Sweden 2 Centre for Speech Technology Research, University of Edinburgh, UK 3 Texas A\&M University, USA
AI总结 本研究通过2880次受控交互，评估三种语音大语言模型在六种英语口音和两种性别呈现中的口音与性别交叉偏见，发现东欧口音（尤其女性）获得更低有用性评分，且人类评估者比LLM评判更敏感。
Comments 5 pages, 3 figures, 1 table, Accepted to Interspeech 2026
MEAL: 持续多智能体强化学习基准
机构 * Eindhoven University of Technology, The Netherlands（埃因霍温理工大学，荷兰） ； University of Edinburgh, UK（爱丁堡大学，英国） ； University of Stuttgart, Germany（斯图加特大学，德国） ； King's College London, UK（伦敦国王学院，英国） ； University of Liverpool, UK（利物浦大学，英国）
AI总结 提出MEAL基准，利用JAX和GPU加速实现100任务序列训练，揭示长序列中出现的失败模式。
Comments To be published in the International Conference on Machine Learning (ICML) 2026
RNN(p) 用于电力消耗预测
机构 * Politecnico di Milano, Department of Mathematics（米兰理工大学数学系） ； University of Edinburgh, Business School（爱丁堡大学商学院）
AI总结 提出RNN(p)作为ARX(p)的推广，用于多时间尺度季节模式预测，通过结构化反馈设计高效训练策略，在电力消耗预测中实现高精度与可解释性。
临床感知的合成图像生成用于胸部X光模型的概念覆盖
机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务）
AI总结 提出CARPA框架，通过解剖约束的概念扰动生成合成胸部X光图像，扩展临床概念覆盖，提升模型性能与可靠性。
Comments Accepted for presentation at the IJCAI-ECAI 2026 RobustifAI workshop
CheXGenBench：合成胸片保真度、隐私和实用性的统一基准
机构 * University of Edinburgh（爱丁堡大学） ； Samsung AI Center, Cambridge（剑桥三星AI中心）
AI总结 提出CheXGenBench，首个统一评估框架，同时衡量合成胸片生成模型的保真度、隐私风险和下游实用性，涵盖11种前沿T2I模型，揭示当前模型在长尾分布、隐私风险和下游多模态任务中的局限。
Comments Published in Transactions of Machine Learning Research (06/2026)
Journal ref Transactions on Machine Learning Research (2026)
情感桥梁：通过情感约束在增强深度伪造检测的同时保留语音表征
机构 * University of Bristol（布里斯托大学） ； University of Edinburgh（爱丁堡大学） ； University of Technology Sydney（新南威尔士大学）
AI总结 提出仅用情感识别微调语音编码器，再训练轻量SVM进行深度伪造检测，既保留下游任务表征能力又提升检测性能，发现情感是独特的桥梁任务。
Comments Submitted to SLT 2026 for review
探究合作多智能体强化学习中的Dec-POMDP推理
机构 * University of Edinburgh（爱丁堡大学）
AI总结 通过统计和信息论探针分析基线策略，发现多数基准测试无需真正的Dec-POMDP推理，反应策略性能与记忆策略相当，协调常依赖脆弱的同步耦合。
Comments To appear at the 25th International Conference on Autonomous Agents and Multi-Agent Systems (AAMAS 2026), added DOI
Journal ref AAMAS 2026
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