高校专区
当Transformer学习“不可能”语言时，它们学到了什么？
机构 * University of Edinburgh（爱丁堡大学）
AI总结 研究通过训练GPT-2模型于英语的“不可能”变体，发现模型在语法敏感性上仅逐渐退化，但在生成任务中显著失败，提出生成缺陷是语言不可习得性的可能解释。
Comments CoNLL 2026 (Best Paper Award). 14 pages, 3 figures
DeXposure-Claw: 一个用于DeFi风险监管的智能体系统
机构 * University of Edinburgh（爱丁堡大学） ； University of Glasgow（格拉斯哥大学） ； University of Cambridge（剑桥大学）
AI总结 针对DeFi监管中LLM智能体易误报的问题，提出DeXposure-Claw系统，通过图时间序列基础模型预测风险网络，结合确定性监控和置信度门控生成可审计监管票据，并构建六轴评估基准DeXposure-Bench，实验验证有效性。
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
从UKRI资助提案中提取研究实体和检测主题
机构 * EPCC, University of Edinburgh, UK（埃克塞特大学埃平中心，英国） ； Knowledge Media Institute, The Open University, UK（开放大学知识媒体研究所，英国） ； Institute for Technology and Humanity, University of Cambridge, UK（剑桥大学技术与人类研究所，英国） ； Centre for Higher Education Transformations, School of Education, University of Bristol, UK（布里斯托大学教育学院高等教育转型中心，英国） ； University of Oxford, UK（牛津大学，英国）
AI总结 比较三种LLM方法（GPT-4o、Mistral和定制算法DSIT-Taxonomies）从资助提案中提取和分类研究实体，发现Mistral在主题分类准确率（90.5%）上优于DSIT-Taxonomies（71.4%），且与GPT-4o质量相当。
Comments Accepted at the STI-ENID Conference. Will be presented in September 2026 in Antwerp (Belgium)
COMPASS：在统一多模态模型中锚定构图意图引导
机构 * University of Edinburgh（爱丁堡大学） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS)（多模态人工智能系统国家重点实验室） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Ant Group（蚂蚁集团）
AI总结 提出统一框架COMPASS，通过共享专家令牌τ_c实现构图感知与生成的双向锚定，结合MoE骨干和Comp-11数据集，显著提升细粒度构图理解与可控生成能力。
GPTNT：在《保持通话，无人爆炸》中基准测试多模态智能体之间的实时协作
机构 * Heriot-Watt University（赫瑞-沃德大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出GPTNT基准，基于合作游戏《保持通话，无人爆炸》测试多模态智能体在实时、信息不对称条件下的协作能力，发现当前最先进系统无法在实时中拆除任何炸弹。
Comments Project website and code at https://gptnt.github.io
长视频中端到端面部表情检测
机构 * Hong Kong University of Science and Technology（香港科技大学） ； University of Edinburgh（爱丁堡大学） ； Ydentity Organization（Ydentity组织）
AI总结 本文提出FEDN网络，将面部表情识别与检测统一为端到端任务，通过时间注意力模块提升多时间尺度表现，优于现有基准。
Comments ICANN 2026 accepted paper
MARS：一种用于可解释药物发现的神经符号方法
机构 * University of Edinburgh（爱丁堡大学） ； Enveda Therapeutics ； Cancer Research UK Scotland Institute（英国癌症研究中心苏格兰研究所）
AI总结 本文提出MARS，一种结合逻辑规则与神经网络的神经符号方法，用于药物作用机制解构，通过识别并缓解推理捷径提升药物发现的可解释性与可靠性。
Comments Under review. Corresponding code is here: https://github.com/laurendelong21/MARS and here: https://github.com/laurendelong21/MoA-Net
非线性的策略分类变得实用
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； School of Informatics University of Edinburgh（爱丁堡大学信息学院）
AI总结 针对策略分类中非线性分类器难以处理的问题，提出利用拉格朗日对偶近似最佳响应，结合隐函数定理计算损失梯度，实现非线性策略分类的实用训练算法。
Comments 15 pages, 4 figures, 2 tables
跨视角多模态视觉评估框架用于中医康复训练
机构 * Department of Computer Science, Durham University（杜伦大学计算机科学系） ； Institute for Regeneration and Repair, The University of Edinburgh（爱丁堡大学再生与修复研究所） ； Ningbo Hospital of Traditional Chinese Medicine（宁波市中医院） ； Department of Rehabilitation Medicine, The Gulou Hospital of Traditional Chinese Medicine（南京市鼓楼区中医院康复医学科）
AI总结 提出跨视角多模态视觉评估框架CME-AQA，融合视觉-姿态信息，利用第一人称和第三人称视频提升推理鲁棒性，在中医康复训练动作质量评估中取得优于基线10%的加权F1提升。
Comments Published in IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2026
Journal ref IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2026
退火熵分配用于排序与选择
机构 * Business School（商学院） ； The University of Edinburgh（爱丁堡大学） ； Warwick Business School（沃里克商学院） ； The University of Warwick（沃里克大学）
AI总结 提出退火熵分配框架，通过加权log-sum-exp替代非光滑极大极小大偏差率目标，结合鞍点近似提升有限预算下的区分能力，数值实验表明在多个候选接近时性能优异。
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
超越全局散度：贝叶斯推断的局部质量视角
机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； University of Edinburgh（爱丁堡大学）
AI总结 本文引入质量指数和正则化扩展KL散度，从局部质量角度分析贝叶斯推断中全局散度未捕捉的行为，并证明局部质量比较的不等式。
Comments 28 pages, 3 figures, 2 tables
OpenFinGym: 一个可验证的多任务Gym环境，用于评估量化智能体
机构 * University of Edinburgh（爱丁堡大学） ； University College London（伦敦大学学院） ； Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学）
AI总结 提出OpenFinGym统一环境，覆盖预测、市场生成、实时交易和欺诈检测等量化金融任务，支持自动化任务构建、容器化验证和延迟解析，以全面评估LLM智能体。
使用SamAdams变步长和位置自适应Langevin动力学的加速采样
机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学系） ； Seminar for Statistics, Department of Mathematics, ETH Zürich（苏黎世联邦理工学院数学系统计研究所）
AI总结 提出一种结合SamAdams自适应步长和位置自适应Langevin动力学的加速采样方法，在多个模型问题上混合速率提升1.5-3倍，效率提高一个数量级以上。
可扩展的消息传递量子图神经网络在Weisfeiler-Leman层次结构中
机构 * LIP6, CNRS, Sorbonne Université, Paris, France（巴黎大学LIP6研究所、法国国家科学研究中心、索邦大学） ； QC Ware, Palo Alto, USA and Paris, France（QC Ware公司，美国帕洛阿尔托及法国巴黎） ； School of Informatics, University of Edinburgh, Edinburgh, UK（爱丁堡大学信息学院，英国爱丁堡） ； Fujitsu Research of Europe Ltd., United Kingdom（日本富士通欧洲研究有限公司，英国） ； Terra Quantum GmbH, Germany（德国Terra Quantum GmbH公司） ； Quantum Research Center, Technology Innovation Institute, Abu Dhabi, UAE（阿布扎赫尔技术创新研究所量子研究中心，阿联酋）
AI总结 本文构建了可执行消息传递、置换等变且处于指定Weisfeiler-Leman层次的量子图神经网络，通过小图预训练缓解训练问题，并在多达56量子比特的大规模模拟中验证了其可扩展性和表达能力。
Comments 10 pages, 4 figures (main text); 35 pages, 9 figures, 14 tables including Supplementary Information. Code available at https://github.com/SnehalRaj/mp-qgnns
SurgAtlas：一个包含2,391小时开放和微创手术的大规模手术视频-语言数据集
机构 * University of Michigan（密歇根大学） ； University of Edinburgh（爱丁堡大学） ； Vanderbilt University Medical Center（范德比尔特大学医学中心） ； University of Colorado（科罗拉多大学） ； University of Rochester（罗切斯特大学） ； Michigan Medicine（密歇根医学）
AI总结 提出SurgAtlas，最大手术视频-语言数据集（15,291视频，2,391小时，18专科，5,000+术式），首次大规模纳入开放手术并建立基准，通过多层级自动标注管道生成丰富注释，微调Qwen3-VL-8B在多个基准上达到领先。
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。
使用无注意力变换器学习Koopman算子
机构 * Institute for Bioengineering, School of Engineering and Centre for Engineering Biology, University of Edinburgh（爱丁堡大学生物工程研究所、工程学院与工程生物学中心） ； Electrical and Computer Engineering and Applied Mathematics, University of Washington（华盛顿大学电气与计算机工程与应用数学系） ； Electrical and Computer Engineering and Computer Science & Engineering, University of Washington（华盛顿大学电气与计算机工程及计算机科学与工程系）
AI总结 针对Koopman自编码器长期预测中流形漂移导致误差累积的问题，提出无注意力潜在记忆块和动态重编码两种方法，在三个基准系统上显著降低长时域误差并保持低推理延迟。
Comments 28 pages, 10 figures, 9 tables. Code: https://github.com/MohammedNagdi/Attended-Koopman
结构化问题的约束变量投影
机构 * Gran Sasso Science Institute（格兰萨索科学研究所） ； MOBS Lab（MOBS实验室） ； Northeastern University（东北大学） ； University of Padova（帕多瓦大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出约束变量投影框架，将变量投影推广到带凸约束的分离非线性最小二乘问题，推导精确降梯度公式并设计条件梯度算法，在稀疏自编码等任务上提升效率。
性化合成人格通过声音编码并放大性别权力不对称
机构 * University of Edinburgh（爱丁堡大学） ； KTH Royal Institute of Technology（皇家理工学院）
AI总结 研究商业平台性化AI语音，通过听众实验发现女性声音被性化和服从化，男性声音与支配和正面特质关联，揭示性别表达的二元和异性恋规范。
Comments Accepted at Interspeech 2026
量子环全归约：分布式学习的通信与隐私优势
机构 * University of Edinburgh（爱丁堡大学） ； Centre for Quantum Technologies（量子技术中心）
AI总结 提出量子环全归约协议，利用预共享纠缠和超密编码将每链路在线通信量减半，并通过验证纠缠实现信息论安全的可组合ε-安全聚合，同时获得通信与隐私优势。
Comments 23 pages, 1 figure / v2: Minor expository corrections; results unchanged
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。
文本到语音语音重建的评估框架
机构 * The Centre for Speech Technology Research, University of Edinburgh, UK（语音技术研究中心，爱丁堡大学，英国）
AI总结 针对语音障碍者的TTS语音重建，提出包含主观和客观评估的框架，主观使用最佳最差缩放，客观引入双参考分布度量，平衡可懂度与说话人身份。
Comments Accepted at Interspeech 2026
BatchGen：一种可扩展且高效的批量推理架构
机构 * University of Edinburgh（爱丁堡大学） ； Tencent（腾讯）
AI总结 提出序列协程计算模型，通过细粒度事件驱动协程动态重组工作负载，实现更大专家级批量、减少掉队者并跨设备重分配工作，在128 GPU集群上批量完成时间降低2.3倍，内存受限加速器上性能提升9.6倍。
在视觉-语言-动作模型中解耦声明性知识与程序性知识
机构 * University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； Samsung AI Center - Cambridge, UK（三星人工智能中心 - 英国剑桥）
AI总结 针对现有VLA模型无法解耦声明性与程序性知识导致零样本技能迁移脆弱的问题，提出w$^{2}$VLA模型，通过重构信息流实现模块化、可解释的知识解耦，显著提升对未见物体的零样本技能迁移能力。
SwarmX: 面向低延迟智能体系统的智能调度
机构 * University of Edinburgh（爱丁堡大学） ； Tencent（腾讯）
AI总结 提出SwarmX系统，通过调度专用神经预测器捕获提示、设备、运行时和目标模型特征，结合路由器与缩放器实现尾延迟感知决策，在近千GPU和百万CPU核的生产部署中，相比现有调度器将尾延迟降低61.5%，吞吐量提升2倍。
Comments 14 pages
迈向 Dys-XAI：基于影响的构音障碍严重程度评估解释
机构 * University of Southampton（南安普顿大学） ； Imperial College London（帝国理工学院） ； University of Edinburgh（爱丁堡大学） ； King's College London（伦敦国王学院）
AI总结 提出基于影响的实例级可解释性框架，通过支持性和竞争性训练样本解释构音障碍严重程度评估的深度学习模型决策，并通过删除实验验证解释有效性。
Comments Accepted to Interspeech 2026
LISE: 可听可解释的说话人嵌入
机构 * University of Southampton（南安普顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出LISE框架，将预训练说话人嵌入分解为少量可解释分量，在保持说话人验证性能的同时，通过听辨实验证明其可解释性。
Comments Accepted to Interspeech 2026
故事线树：长篇叙事的层次化表示
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 提出故事线树，通过自顶向下和自底向上过程构建叙事层次结构，实现自适应检索，在长上下文叙事问答中优于强基线方法。
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