高校专区
基于LLM驱动溯因与逻辑验证的神经符号临床试验匹配
机构 * University of Leicester（莱斯特大学） ； University of Edinburgh（爱丁堡大学） ； University of Sheffield（谢菲尔德大学）
AI总结 提出一种结合大语言模型与逻辑验证的神经符号框架αNeSy-CTM，通过溯因推理处理噪声和不完整临床文本，在临床试验匹配中相对零样本基线提升30%准确率。
Comments 21 pages (including appendix), 5 figures, 9 tables
从知道到行动：基准测试LLM代理的自我意识能力
机构 * The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； University of Edinburgh（爱丁堡大学） ； Tencent（腾讯） ； University of Bristol（布里斯托大学）
AI总结 提出KAPRO框架和KAware数据集，通过解耦元认知判断与自主执行，评估LLM代理的自我意识能力，发现其与任务成功强相关但在内部能力场景中下降，开源模型易过度使用工具。
专业化角色，混合部署：推动LLM代理团队的成本-精度前沿
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院）
AI总结 提出AgentCARD基准，通过角色感知评估和帕累托前沿分析，发现异构团队在成本-精度前沿上优于同构团队，混合部署可降低12倍成本。
AlphaMemo: 用于自我进化的Alpha挖掘智能体的结构化搜索过程记忆
机构 * University of Sydney（悉尼大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出AlphaMemo，一种具有结构化搜索过程记忆的自我进化Alpha挖掘智能体，通过记录编辑模式在特定父因子上下文中的成败证据，结合置信门控残差记忆和非对称否决控制，提升样本外表现和固定预算发现效率。
在LLM推理中，价值对齐之上存在非理性
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出理性价值风险概念，形式化LLM在推理中即使价值对齐也可能无法最大化对齐价值的问题，并通过实验验证该风险普遍存在且无法被对齐消除。
PEAR: 置换等变自适应路由多智能体辩论
机构 * University of Edinburgh（爱丁堡大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 提出PEAR协议，通过动态重配置通信角色和稀疏拓扑，消除固定拓扑中的位置偏差，提升多智能体辩论的准确性和鲁棒性。
赋能6G网络中的具身人工智能：架构、使能技术与开放挑战
机构 * Thomas Johann Seebeck Department of Electronics（托马斯·约翰·塞贝克电子系） ； Tallinn University of Technology（塔林理工大学） ； Institute for Imaging, Data and Communication (IDCoM)（成像、数据与通信研究所） ； The University of Edinburgh（爱丁堡大学） ； School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； School of Science and Technology（科学与技术学院） ； Hong Kong Metropolitan University（香港 metropolitan 大学） ； Department of Electronic Systems（电子系统系） ； Aalborg University（奥胡斯大学） ； School of Computer Science（计算机科学学院） ； University of Sydney（悉尼大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Houston（休斯顿大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 提出面向6G的具身AI原生架构，通过感知-通信-动作闭环统一设计通信、感知、计算与控制，实现任务驱动的物理智能。
Comments This work has been submitted to the IEEE Communication Magazine for possible publication
DeepSWIP: 神经概率逻辑程序的商-WMC反事实
机构 * University of Edinburgh（爱丁堡大学）
AI总结 提出DeepSWIP，一种用于DeepProbLog程序的单世界反事实语义，通过神经物化、SWIP和加权模型计数实现精确反事实推理，实验证明比孪生网络方法快2.14倍。
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
非平面三维打印双壳结构
机构 * Digital Building Technologies, ETH Zurich（数字建筑技术，苏黎世联邦理工学院） ； Institute of Perception, Action and Behaviour, The University of Edinburgh（感知、行为与动作研究所，爱丁堡大学） ； Institute for Geometry of the Department of Mathematics, TU Graz（数学系几何研究所，格拉茨技术大学）
AI总结 本文提出利用多轴融合沉积建模（FDM）机器人3D打印技术，沿横向方向打印双壳结构。通过转换横向条带网络表示，实现双壳结构的分体打印与组装，展示了方法在不同尺度和几何复杂度表面的适应性与鲁棒性。
Journal ref In: Robotic Fabrication in Architecture, Art and Design (RobArch 2024), Springer, 2025, pp. 174-191
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
具有不确定性量化的神经网络代理模型用于偏微分方程反问题
机构 * School of Mathematics and Maxwell Institute for Mathematical Sciences University of Edinburgh（数学学院和麦克斯韦数学科学研究所爱丁堡大学）
AI总结 提出DeepGaLA神经网络代理模型，为微分方程求解器提供不确定性感知预测，结合延迟接受MCMC诊断，实现高效可靠的贝叶斯反演。
使用整流流变换器扩展胸部X光片的生成式基础模型
机构 * Imperial College London（帝国理工学院） ； Causality in Healthcare AI Hub（医疗AI因果关系中心） ； University of Edinburgh（爱丁堡大学） ； Cleveland Clinic London（克利夫兰诊所伦敦） ； Department of Perioperative Medicine, CHU Clermont-Ferrand（克莱蒙费朗大学医院围手术期医学科） ； Department of Medicine, Massachusetts General Hospital（麻省总医院医学部） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
AI总结 提出首个十亿参数级胸部X光片生成基础模型，通过整流流变换器实现高保真可控合成，显著提升合成图像与真实图像的不可区分性。
Comments Project page: https://RadiT-project.github.io
JustDiag!：用于可问责根本原因分析的诊断论证引擎
机构 * Peking University（北京大学） ； University of Edinburgh（爱丁堡大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 提出JustDiag诊断论证引擎，通过维护显式的过程状态（证据、发现、竞争假设、冲突和下一步检查）来支持可问责的根本原因分析，在66个真实事件上评估显示其优于仅提供流畅最终答案的方法。
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
大语言吉布斯结构化推理
机构 * University of Edinburgh, School of Informatics（爱丁堡大学信息学院）
AI总结 提出大语言吉布斯方法，利用大语言模型的条件分布作为转移算子进行结构化概率推理，通过迭代重采样变量避免顺序偏差，在合成分布、一致性推理和贝叶斯结构学习中验证有效性。
Comments Code: https://github.com/hyeok9855/large-language-gibbs
BCL：面向信息抽取的贝叶斯上下文学习框架
机构 * HiThink Research（海天瑞声研究） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； East China Normal University（华东师范大学） ； Shanghai Medical Image Insights（上海医学影像洞察） ； University of Waterloo（滑铁卢大学） ； University of Washington（华盛顿大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 提出BCL框架，利用贝叶斯更新和粒子滤波优化信息抽取中的上下文学习，在序列标注和关系分类任务上取得显著提升。
Comments ACL 2026 Findings
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。
半条链接足以预测整条链接：理解知识图谱基础模型中的泛化
机构 * Institute for AI, University of Stuttgart（斯图加特大学人工智能研究所） ； University of Southampton（南安普顿大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文通过分析知识图谱基础模型在未见图上的零样本泛化，发现模型利用部分可见的“半链接”进行预测，并基于此提出四类场景的分类法，揭示现有模型的泛化机制与改进方向。
Mind-Studio: 针对部分可观测游戏的可执行世界模型与前向评估
机构 * Hong Kong University of Science and Technology（香港科技大学） ； City University of Hong Kong（香港城市大学） ； University of Edinburgh（爱丁堡大学） ； Hong Kong Baptist University（香港浸会大学）
AI总结 提出Mind-Studio框架，利用大语言模型从轨迹合成可执行的pygame风格世界模型，通过K步前向保真度协议评估，在Montezuma's Revenge等游戏中显著提升预测准确性和子目标验证。
Comments 12 pages, 2 figures
学习格点QCD中方差约化的生成泛函
机构 * Physics Department, Columbia University（哥伦比亚大学物理系） ； Center for Theoretical Physics, Massachusetts Institute of Technology（麻省理工学院理论物理中心） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Higgs Centre for Theoretical Physics, School of Physics and Astronomy, University of Edinburgh（爱丁堡大学物理与天文学学院希格斯理论物理中心） ； Albert Einstein Center, Institute for Theoretical Physics, University of Bern（伯尔尼大学爱因斯坦中心理论物理研究所） ； NSF AI Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用AI研究所）
AI总结 利用机器学习归一化流编码生成泛函表示，系统降低格点规范场论中任意N点关联函数的方差，在QCD和杨-米尔斯理论中实现高达三个数量级的方差约化。
Comments 8 pages, 3 figures
人类遗传证据与跨治疗领域药物批准相关：一项基于26,278个靶点-疾病对的观察性分析，含时间验证和特征消融
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 本研究通过分析26,278个靶点-疾病对，发现具有遗传关联的靶点药物批准率是无遗传关联的3.25倍，但遗传证据单独预测价值有限，并识别出1,433个遗传支持的早期阶段靶点-疾病对作为假设生成资源。
教育科技的激励：EduNLP研究的系统综述
机构 * ALTA Institute, Computer Laboratory, University of Cambridge（剑桥大学ALTA研究所、计算机实验室） ； Ghent University（根特大学） ； Bocconi University（博科尼大学） ； University of Edinburgh（爱丁堡大学）
AI总结 通过系统综述204篇ACL教育应用论文，揭示教育NLP研究中私营部门激励与教育基础设施需求之间的张力，发现教师作为受益者被系统性低估（33.3%），实际部署罕见（9.8%），伦理参与趋于承认而非行动。
Comments 10 main pages (13 appendix pages), 20 figures, accepted to 21st Workshop on Innovative Use of NLP for Building Educational Applications @ ACL 2026
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
通过以人为中心的设计实现XAI在肺癌检测中的可解释性
机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（NHS洛锡安）
AI总结 本文提出XpertXAI模型，通过人类中心设计在肺癌检测中实现可解释性，优于现有方法，提供更符合专家推理的概念解释。
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)
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