高校专区
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
通过非策划数据引导世界模型的高效强化学习
机构 * Aalto University（阿alto大学） ； University of Edinburgh（爱丁堡大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Deep Render ； Imperial College London（伦敦帝国理工学院） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； CIFAR AI Chair（CIFAR人工智能主席） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所（Amii）） ； University of Oulu（奥卢大学）
AI总结 提出利用无奖励、混合质量、多本体的非策划离线数据，通过经验回放和执行引导技术解决分布偏移问题，显著提升在线强化学习的样本效率。
社交媒体谣言线中的分析情绪框架
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出一个多方面情绪检测框架，分析谣言与非谣言线的情绪差异，揭示谣言引发负面情绪而非谣言引发正面情绪，并通过因果分析揭示情绪传播机制。
Comments Accepted to ICWSM 2025 MisD Workshop
CoRPA: 基于概念向量扰动和生成模型的胸部X光图像对抗生成
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； NHS Lothian（NHS洛锡安）
AI总结 本文提出CoRPA，一种针对医学影像领域的临床聚焦对抗攻击框架，通过概念向量扰动生成对抗性影像报告和图像，揭示医疗AI在真实临床场景下的脆弱性。
利用专家输入实现稳健且可解释的AI辅助肺癌检测
机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务）
AI总结 本文研究了基于InceptionV3的肺癌检测模型的可解释性和鲁棒性，提出ClinicXAI方法，通过专家驱动的思路生成临床相关解释，并在对抗攻击下表现出更强的鲁棒性。
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
多属性选择中有限权衡筛选的最小模型
机构 * School of Informatics, University of Edinburgh, UK（英国爱丁堡大学信息学院） ； Cold Spring Harbor Laboratory, USA（美国冷泉港实验室）
AI总结 提出有限权衡推理框架，通过引入权衡容忍参数模拟筛选过程，产生不同于标准效用模型的偏好模式，解释多属性选择中的情境依赖行为。
Comments 3 pages, 1 figure, accepted as extended abstract at Annual Conference on Cognitive Computational Neuroscience 2026
Pythagoras-Prover: 通过增强型Lean形式化推进高效形式化证明
机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出Pythagoras-Prover系列，包括自回归和扩散模型，通过课程SFT、动态过滤和增强型Lean形式化（ALF）扩展验证数据，在MiniF2F-Test上以更少参数超越DeepSeek-Prover-V2。
Comments Pythagoras-Prover: Technical Report
Prism: 通过GPU内存气球实现经济高效的多LLM服务
机构 * UCLA（加州大学洛杉矶分校） ； UC Berkeley（伯克利加州大学） ； Harvard University（哈佛大学） ； CMU（卡内基梅隆大学） ； University of Edinburgh（爱丁堡大学） ； Intel（英特尔） ； Stanford University（斯坦福大学） ； LMSYS（灵州市系统实验室） ； ByteDance（字节跳动） ； Alibaba Cloud（阿里云） ； Tsinghua University（清华大学） ； Novita AI ； Rice University（里士满大学）
AI总结 针对多LLM服务中资源效率低下的问题，提出基于内存气球的内存中心化LLM协同服务框架Prism，统一空间与时间共享，已在10K+ GPU生产环境部署。
Comments OSDI'26
无保护属性的去偏：从文本画像中消除潜在概念
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； University of Groningen（格罗宁根大学） ； NVIDIA Research（英伟达研究院）
AI总结 提出H-SAL方法，利用自我描述文本作为隐式信号进行后处理概念和属性消除，在无直接敏感属性下实现去偏，并在多领域Stack Exchange基准上验证其效果与显式标签去偏相当或更优。
Comments 23 pages, 5 figures, 12 tables. The paper is currently under review
基于GAN和忆阻器分类器的非正面人脸识别
机构 * Centre for Electronics Frontiers, Institute for Integrated Micro and Nano Systems, School of Engineering, The University of Edinburgh（爱丁堡大学工程学院集成微纳系统研究所电子前沿中心）
AI总结 提出将轻量级GAN正面化与忆阻器神经形态识别结合，解决非正面人脸识别，在数据集上达96%准确率。
Comments 12 pages, 4 figures, 1 Supplementary (22 pages, 16 figures, 6 tables, 4 supplementary notes)
连通性对强化学习中拉普拉斯表示的影响
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文研究了连通性对强化学习中拉普拉斯表示的误差影响，通过分析状态图的代数连通性，推导了线性价值函数近似误差的上界，并展示了表示学习管道中的端到端误差分解。
基于方差加权子图拼接的信息保持连续占据地图构建
机构 * University of Technology Sydney（悉尼科技大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出首个连续概率子图拼接框架，通过信息保持稀疏贝叶斯公式压缩观测数据为充分统计量，联合优化子图位姿与全局占据场，实现高精度位姿估计与全局一致性地图。
Comments 12 pages, 7 figures
一个源域足矣：基于语义对齐和最优传输的仅源域跨操作系统APT异常检测迁移学习
机构 * New York University, NYUAD, Division of Science, Computer Science Department（纽约大学，NYUAD，科学学院，计算机科学系） ； University of Quebec in Montreal, Computer Science Department, Montreal（魁北克大学蒙特利尔分校，计算机科学系，蒙特利尔） ； University of Edinburgh, School of Informatics, Edinburgh（爱丁堡大学，信息学院，爱丁堡）
AI总结 针对跨操作系统APT检测中目标域无标签的挑战，提出基于最优传输的仅源域异常评分框架，通过语义抽象和三种偏差通道实现零目标监督下的异常排序。
基于管状播种的费曼积分高效类脑约化
机构 * Leinweber Institute for Theoretical Physics, Randall Laboratory of Physics, University of Michigan, Ann Arbor, 450 Church St, Ann Arbor, MI 48109-1040, USA（莱因韦伯理论物理研究所，物理系拉尔登实验室，密歇根大学安娜堡分校） ； Axiom Math, 124 University Avenue, Palo Alto, California, 94301, United States（Axiom数学公司，帕洛阿尔托，加利福尼亚州，94301，美国） ； Niels Bohr International Academy, Niels Bohr Institute, University of Copenhagen, Blegdamsvej 17, 2100 Copenhagen , Denmark（尼尔斯·波尔国际学院，尼尔斯·波尔研究所，哥本哈根大学） ； Center for Quantum Mathematics, Department of Mathematics and Computer Science, University of Southern Denmark, Campusvej 55, 5230 Odense M, Denmark（量子数学中心，数学与计算机科学系，丹麦南部大学） ； Higgs Centre for Theoretical Physics, University of Edinburgh, Edinburgh, EH9 3FD, United Kingdom（希格斯理论物理中心，爱丁堡大学）
AI总结 利用机器学习发现一种新的种子选择策略，通过稀疏种子线性增长实现高幂次多圈积分的约化，显著降低计算时间和内存占用，适用于唯象应用。
Comments 61 pages, 25 figures, 11 tables
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
利用多尺度金字塔网络实现渐进式全切片图像分析
机构 * Institute for Regeneration and Repair, University of Edinburgh（再生与修复研究所，爱丁堡大学） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Indica Labs, 8700 Education Pl NW, Bldg. B Albuquerque, US（Indica实验室，美国阿尔伯克基8700教育大道西北区B座） ； Medical School, University of St Andrews（医学学校，圣安德鲁大学）
AI总结 提出多尺度金字塔网络（MSPN），一种即插即用模块，仅使用单一高倍输入实现渐进式多尺度全切片图像分析，通过网格重映射和粗引导网络学习粗粒度上下文，在多个任务和框架上一致提升MIL性能。
面向叙事任务的轻量级潜在推理
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； CIFAR Fellow
AI总结 提出LiteReason方法，通过轻量级推理投影器生成连续潜在令牌，在强化学习中动态切换潜在与离散推理，将推理长度减少77-92%，同时保持接近非潜在RL的性能。
参数化量子电路的自适应方向梯度
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Fujitsu Research of Europe Ltd.（富士通欧洲有限公司） ； LIP6, CNRS, Sorbonne Université（LIP6研究所，法国国家科学研究中心，索邦大学） ； QC Ware ； Quantum Signals（量子信号）
AI总结 提出基于前向自动微分的参数化量子电路梯度估计框架，通过平均随机方向导数得到无偏梯度，并导出自适应优化器QUIVER，在多达1770个参数的问题上比参数平移规则效率提升数个数量级。
Comments 37 pages, 13 figures
数据工作能否具有修复性？
机构 * University of Edinburgh（爱丁堡大学） ； Google Research（谷歌研究院）
AI总结 通过民族志研究，探讨公民科技倡议如何从女性主义视角协作构建安全数据集，旨在将数据工作重塑为修复与补救的场所，并分析其中遇到的挑战与张力。
Comments To be presented at ACM FAccT, Montréal, Canada, June 25 to June 28, 2026
弥合智能体-世界鸿沟：面向基于LLM的智能体的文本世界模型
机构 * Southern University of Science and Technology（南方科技大学） ； University of Edinburgh（爱丁堡大学） ； Peking University（北京大学） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学）
AI总结 本文系统综述了面向基于LLM的智能体的文本世界模型，围绕形式化框架和智能体生命周期，涵盖基础定义、构建范式、应用（训练时经验合成与推理时规划、验证、适应）及评估，旨在整合该领域并明确设计空间与开放挑战。
Comments Code: https://github.com/sustech-nlp/awesome-text-world-models
开放式多智能体协作在语言智能体中的基准测试
机构 * University of Edinburgh（爱丁堡大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 提出基于JAX的开放式多智能体协作基准Alem，评估13种现代LLM在长时生存世界中的零样本协作能力，发现协调能力是前沿LLM智能体的独立瓶颈。
Comments 42 pages, preprint
摘要生成尚未消亡
机构 * Saarland University（萨尔大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室）
AI总结 通过多维度评估，发现人类参考摘要在信息量和忠实度上仍优于大语言模型，后者仅在表面连贯性和流畅性上占优，表明摘要生成研究仍有挑战。
同时性多动症表型分析：基于常规视频、无标记姿态估计和表格基础模型的跨队列儿科迁移研究
机构 * Lausanne University Hospital (CHUV)（洛桑大学医院） ； University of Lausanne (UNIL)（洛桑大学） ； Institut du Neurone（神经元研究所） ； Clinique Beau Soleil（博索莱伊诊所） ； Institut Mutualiste Montpelliérain（蒙彼利埃互助研究所） ； Military University Hospital of Sfax（斯法克斯军事大学医院） ； University of Edinburgh（爱丁堡大学） ； Hospital Sant Joan de Déu（圣琼德迪乌医院） ； European Reference Network for Rare Neurological Diseases (ERN-RND)（欧洲罕见神经系统疾病参考网络） ； Instituto de Salud Carlos III（卡洛斯三世健康研究所） ； CHU Montpellier（蒙彼利埃大学医院） ； Umeå University（于默奥大学） ； University Hospital Lausanne（洛桑大学医院） ； Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； British Columbia Children’s Hospital（不列颠哥伦比亚儿童医院）
AI总结 提出结合无标记姿态估计、运动学描述符和预训练基础模型的视频框架，在成人数据上训练后迁移至儿科队列，经轻量校准后实现多种多动症现象的同时检测。
从反向传播到正向回放：重新审视LLM参数编辑中的目标构造
机构 * University of Cambridge（剑桥大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文重新审视LLM参数编辑中的目标构造，提出一种更简洁的替代方法，通过正向传播代替反向传播，提高目标隐藏状态的准确性和兼容性。
Comments ICML 2026, code: https://github.com/jugechengzi/FE
Sketch2Arti：基于草图的CAD物体关节建模
机构 * University of Edinburgh（爱丁堡大学） ； Tsinghua University（清华大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 提出Sketch2Arti系统，通过用户从选定视角绘制的2D草图，自动发现CAD模型中的可动部件并预测其运动参数，支持复杂物体的多关节迭代建模，无需类别信息且可推广到多样物体。
Comments Project page: https://arlo-yang.github.io/Sketch2Arti
通过自动化提示搜索暴露文本到图像模型中的隐藏偏见
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出Bias-Guided Prompt Search框架，通过自动生成提示最大化图像偏见，揭示文本到图像模型中的隐藏偏见，提升公平性评估。
Comments ICML 2026. Code is here: https://github.com/manosplitsis/BGPS
通过任务复杂度操作化浅层对齐假设
机构 * University of Maryland（马里兰大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出任务复杂度指标（达到目标性能的最短程序长度）来量化浅层对齐假设，实验表明预训练大幅降低任务复杂度，而微调可将复杂度降低数个数量级。
Comments ICML 2026
MedVision：定量医学图像分析的基准测试
机构 * University of Edinburgh（爱丁堡大学） ； Queen Mary University of London（伦敦大学玛丽女王学院）
AI总结 针对当前医学视觉语言模型缺乏定量推理能力的问题，提出MedVision数据集和基准，涵盖22个公共数据集、3080万图像-标注对，通过监督和强化微调显著提升检测、肿瘤/病变大小估计和角度/距离测量性能。
Comments 22 pages, 13 figures, 14 tables
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