高校专区
作为无标签自蒸馏特权上下文的共识
机构 * ILLC, University of Amsterdam（逻辑、语言与计算研究所，阿姆斯特丹大学） ； ILCC, University of Edinburgh（信息实验室，爱丁堡大学）
AI总结 研究旨在提高无标签大语言模型推理准确性，提出CANON方法将共识转化为token级监督，通过采样多个解决方案并以达到多数答案的方案为条件设置模型快照来监督。实验表明该方法大幅提升性能，还能迁移，改进非单纯分布锐化。
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。
用于人工智能原生6G的联合嵌入预测架构：预测表示与开放挑战
机构 * IDCoM, University of Edinburgh（爱丁堡大学IDCoM研究所） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； SnT, University of Luxembourg（卢森堡大学SnT） ； Department of Electronic Systems, Aalborg University（奥尔堡大学电子系统系） ； School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； Division of Electronics and Electrical Engineering, Dongguk University（东国大学电子与电气工程系） ； School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦特大学工程与物理科学学院） ； Department of Electrical Engineering, Chalmers University of Technology（查尔姆斯理工大学电气工程系） ； Department of Electrical and Computer Engineering, San Diego State University（圣地亚哥州立大学电气与计算机工程系）
AI总结 本文围绕用于6G智能的联合嵌入预测架构（JEPA）展开。介绍其训练机制等，通过波束管理案例说明能提升标签效率与鲁棒性，还指出在多时间尺度预测等方面存在开放挑战。
Comments 14 pages, 4 figures, 3 tables. Tutorial and review on Joint-Embedding Predictive Architecture (JEPA) for AI-native 6G. Submitted to IEEE Communications Magazine
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。
用于推理泛化的几何自蒸馏
机构 * ILLC, University of Amsterdam（阿姆斯特丹大学伊利沙伯格学院） ； ILCC, University of Edinburgh（爱丁堡大学伊利沙伯格中心）
AI总结 研究针对大语言模型特权上下文自蒸馏中监督难以信赖、导致分布外推理能力下降的问题，提出几何自蒸馏目标GeoSD，通过Hellinger损失和近端项对抗漂移，提升了模型分布外推理准确率。
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
学习在多障碍物环境中安全投掷物体
机构 * University of Groningen（格罗宁根大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究在多障碍物环境中安全投掷物体的问题，引入势场状态表示，结合动觉演示初始化，用SAC等算法优化，经模拟和真实机器人实验，该表示在成功率和扩展性上表现出色，实现了模拟到真实的可靠迁移。
Comments This paper has been presented at the IEEE International Conference on Robotics & Automation (ICRA), 2026
用于流策略引导和加速的最优传输Q学习
机构 * University of Edinburgh（爱丁堡大学） ； Honda Research Institute Europe（本田欧洲研究院）
AI总结 针对流策略性能优化难题，提出最优传输Q学习（OTQL），利用机器人经验，通过优势加权条件最优传输流匹配微调加速流策略，提升单任务和VLA策略成功率，减少推理步骤数。
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
基于高增益观测器融合的支气管镜导航几何感知视觉里程计
机构 * School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院，英国）
AI总结 针对支气管镜视觉导航在纹理缺失气道中易漂移失效的问题，提出融合气道消失点线索与高增益观测器的几何感知VO，大幅降低轨迹误差，性能优于现有主流方案。
KinEMbed：通过跨模态对比学习从肌电图中解码运动学
机构 * Department of Statistics, University of Oxford（牛津大学统计学系） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 研究从表面肌电图解码手部运动学这一挑战，提出跨模态对比学习框架KinEMbed训练双编码器，用于手部运动学回归，在NinaPro DB8数据集上优于基线方法。
Comments ICML 2026 Workshop on Structured Data for Health, Seoul, South Korea
EgoInertia-MI：用于运动障碍评估的多模态自我中心视觉与惯性测量单元基准测试
机构 * University of Florence（佛罗伦萨大学） ； Meta Reality Labs（元现实实验室） ； University of Edinburgh（爱丁堡大学）
AI总结 研究针对运动障碍评估，结合自我中心视觉与惯性测量单元信号创建EgoInertia-MI数据集，设动作识别等任务并评估基线，发现多模态融合性能最佳，凸显两者结合用于运动评估的潜力。
BAT3R：从二维图像集合中自训练关节式三维重建
机构 * University of Edinburgh（爱丁堡大学）
AI总结 研究从单张图像进行关节物体3D重建，利用未标注2D图像集和单个绑定规范网格，提出训练框架，通过拟合网格到预测点图迭代估计关节和相机姿态，提升模型性能。
Comments Accepted to ECCV 2026. Project page: https://jakubzadrozny.github.io/bat3r/
个性化因果追索：一种人在回路中的方法
机构 * The University of Edinburgh（爱丁堡大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； University of Pavia（帕维亚大学）
AI总结 研究人在回路框架，通过贝叶斯推理的交互式查询迭代逼近用户结构因果模型，克服传统追索方法局限，实现个性化、合理且具成本效益的追索推荐，模拟验证有成效但仍有挑战。
Comments Accepted at the 4th World Conference on eXplainable Artificial Intelligence (XAI 2026)
从原始分割到适用于模拟的心脏网格：用于解剖重建和虚拟队列生成的自动化框架
机构 * Gran Sasso Science Institute (GSSI)（大萨索科学研究所） ； European Hospital（欧洲医院） ； University of Edinburgh（爱丁堡大学） ； Physics of Fluids Group, University of Twente（特温特大学流体物理小组） ； INFN–Laboratori Nazionali del Gran Sasso（意大利国家核物理研究所大萨索国家实验室）
AI总结 该研究提出半自动管道，将基于CT的分割转化为适用于模拟的心脏网格。利用深度学习分割方法，经模板配准和变形策略，几分钟内完成转化，保留解剖和拓扑一致性，可构建心脏统计形状模型。
熵正则化提高连续时间强化学习中的策略鲁棒性
机构 * University of Edinburgh（爱丁堡大学） ； J.P. Morgan AI Research（摩根大通人工智能研究） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究连续时间强化学习中熵正则化的策略鲁棒性，建立相关理论保证，分析鲁棒集特性，实验验证其有效性。
噪声量子硬件的路由匿名性与可识别性
机构 * Centre for Quantum Information and Foundations, DAMTP, University of Cambridge（量子信息与基础研究中心，DAMTP，剑桥大学） ； Quantum Software Lab, School of Informatics, University of Edinburgh（量子软件实验室，信息学院，爱丁堡大学）
AI总结 研究噪声量子硬件中后端可识别性及隐私问题，通过引入后端可识别性博弈形式化路由匿名性，证明相关问题是假设检验问题，建立效用-匿名权衡及深度原则，并辅以实验验证。
Comments 22+30 pages, 6 figures
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
多边际流匹配与对抗性学习插值
机构 * KTH（皇家理工学院） ； University of Edinburgh（爱丁堡大学） ； CIFAR Fellow
AI总结 本文提出了一种新的流匹配方法ALI-CFM，通过GAN启发的对抗损失拟合神经参数化插值曲线，以逼近中间时间点的观测分布，从而提升多边际轨迹推断的性能。
Journal ref International Conference on Learning Representations (ICLR) 2026
数据到能量的随机动力学
机构 * University of Edinburgh（爱丁堡大学） ； CIFAR Fellow（蒙特利尔认知研究院研究员）
AI总结 本文提出了一种数据到能量的IPF方法，用于建模Schrödinger桥问题，无需数据样本即可学习多模态分布之间的传输，并改进了扩散系数的学习。
Journal ref International Conference on Learning Representations (ICLR) 2026
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。
通过迭代元反射实现自主科学发现
机构 * University of Edinburgh（爱丁堡大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 提出DiscoPER框架，利用大语言模型进行开放式的自主科学发现，通过动态代码生成、统计检验和二阶推理机制，在iNatDisco基准上以72.7%假设支持率恢复8/9已知模式。
Logit贡献评分识别非字面检索头
机构 * University of Edinburgh（爱丁堡大学） ； Heriot-Watt University（赫瑞瓦特大学）
AI总结 提出Logit贡献评分（LOCOS），通过OV电路输出投影到答案标记方向，识别大语言模型中执行非字面检索的注意力头，消融实验显著降低ROUGE-L而保持其他能力。
Comments 41 pages, 18 figures
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)
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