高校专区
隐式数据合成用于对比无监督数据增强
机构 * School of Informatics, The University of Edinburgh（信息学院） ； Massachusetts Institute of Technology Lincoln Laboratory（麻省理工学院林肯实验室）
AI总结 针对科学观测数据难以标注的问题，提出通过扰动网络权重而非数据生成对比样本，在雷达流星观测上使用SimCLR管道验证性能提升。
Comments 11 pages, 3 figures, 2 tables
原始波形声学模型的音素错误分析
机构 * Centre for Speech Technology Research (CSTR), University of Edinburgh, UK（语音技术研究中心（CSTR），爱丁堡大学，英国） ； Cisco, UK（思科公司，英国） ； SLAI & CUHK-SZ, China（SLAI与CUHK-SZ，中国） ； King's College London, UK（伦敦国王学院，英国）
AI总结 通过分解音素错误率、分析混淆矩阵，发现BLSTM层对过渡依赖类提升最大，WSJ迁移学习对辅音改进约是元音的三倍，且混淆模式反映固有音素相似性。
Comments INTERSPEECH2026
面向视觉原生多模态深度搜索智能体的在策略数据演化
机构 * Hong Kong University of Science and Technology（香港理工大学） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出在策略数据演化（ODE）框架，通过图像库引用协议和闭环数据生成器，解决多模态深度搜索中视觉证据不可复用和训练数据静态问题，在8个基准上显著提升性能。
变分推断在对称性存在下的更多保证
机构 * School of Informatics（信息学院） ； University of Edinburgh（爱丁堡大学）
AI总结 本文扩展了变分推断在目标对称性下的鲁棒性理论，证明了使用前向KL散度和α-散度时，即使模型误设也能精确恢复目标均值和相关矩阵，并放宽了对数凹假设，适用于多模态分布。
Comments Accepted for presentation at the OPTIMAL Workshop at AISTATS 2026
量子增强的罕见事件发现与采样
机构 * Centre for Quantum Technologies, National University of Singapore（量子技术中心，新加坡国立大学） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Nanyang Quantum Hub, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋量子中心，南洋理工大学物理与数学科学学院）
AI总结 针对概率极低的罕见事件发现与采样问题，提出一种无需预先知道事件类型的量子算法，实现了与稀有度阈值的最优量子标度，并在重尾系统和稳态随机过程中分别获得二次加速和鲁棒多项式加速。
Comments 36 pages (8+28)
语音翻译错误的自动标注
机构 * Charles University（查尔斯大学） ； University of Edinburgh（爱丁堡大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
AI总结 针对语音翻译缺乏置信度评估方法的问题，提出STEL标注协议，通过文本和多模态系统分析，发现直接语音处理对任务必要且与文本系统互补。
本体约束的多LLM评分在预测处理文献中假设支持度的应用
机构 * University of Edinburgh（爱丁堡大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出一个本地多LLM流水线，通过本体约束对预测编码文献中的研究进行评分，将异构文献映射到定量证据空间，并揭示假设间的结构化分歧。
Comments 33 pages, 5 tables and 9 figures
表情符号的语调
机构 * University of Edinburgh（爱丁堡大学） ； NatWest ； Aveni
AI总结 研究探讨了表情符号如何影响语音表达，并揭示听众如何通过语音线索恢复表情符号的含义，发现语义差异越大，语音变化越明显，表明表情符号是连接数字文本和口语表达的语调载体。
Comments ACL 26
Token排名是不可伪造的语言模型签名
机构 * University of Southern California（南加州大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文发现语言模型的token排名（按概率排序）构成唯一且不可伪造的签名，并研究了在限制API下如何平衡签名展示与参数泄露。
FedMental: 评估用于社交媒体数据心理健康检测的联邦学习
机构 * University of Minnesota（明尼苏达大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文通过联邦学习和差分隐私联邦学习在抑郁和自杀危机检测任务上的实验，评估了隐私保护技术对心理健康检测性能的影响，发现联邦学习性能接近集中式训练，但差分隐私联邦学习存在显著的性能-隐私权衡。
Comments Association for Computational Linguistics (ACL) 2026 Main Conference
超越像素历史：具有持久3D状态的世界模型
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft Research（微软研究院）
AI总结 提出PERSIST范式，通过模拟潜在3D场景（环境、相机、渲染器）的演化，实现具有持久空间记忆和一致几何的世界模型，显著提升3D一致性、空间记忆和长期稳定性。
Comments Accepted to the International Conference on Machine Learning (ICML) 2026. To appear in the Proceedings of Machine Learning Research (PMLR). 9 pages
视觉语言模型能预测未来状态吗？从逆动力学引导世界模型
机构 * Institute for Language, Cognition and Computation, University of Edinburgh（语言、认知与计算研究所，爱丁堡大学） ； Language Technology Lab, University of Cambridge（语言技术实验室，剑桥大学） ； NVIDIA（NVIDIA公司） ； University of Groningen（格罗宁根大学）
AI总结 本文发现视觉语言模型（VLM）难以直接进行前向动力学预测（FDP），但逆动力学预测（IDP）更容易学习，并利用IDP通过弱监督学习和推理时验证两种策略引导FDP，在Aurora-Bench上取得与最先进图像编辑模型竞争的性能。
重新审视随机广播算法：通用框架、收敛速率和新型块及加速协议
机构 * University of Edinburgh（爱丁堡大学） ； KAUST（卡塔尔科技大学） ； MIPT（莫斯科国立信息安全研究学院）
AI总结 本文提出了一种新的随机广播算法分析和设计框架，用于解决平均共识问题。通过将经典随机迭代方法应用于特殊系统来解释网络结构，展示了其去中心化特性。该框架恢复了多种已知的广播算法作为特殊情况，并允许开发具有证明更快变体的方法。我们还提出了新的块和第一个可证明加速的随机广播协议，以及双随机广播算法。
Comments 44 pages, 12 figures
可证明加速的随机传话算法
机构 * The University of Edinburgh, UK（爱丁堡大学） ； Facebook AI Research, Montreal（脸书人工智能研究） ； KAUST, KSA（王国立科技大学）
AI总结 本文提出了一种可证明加速的随机传话算法，用于解决平均一致性问题。该算法受到最近开发的加速随机Kaczmarz方法的启发，该方法是解决线性系统问题的流行方法。在每次传话迭代中，网络中的所有节点都会更新它们的值，但只有成对的节点交换私有信息。还展示了在流行无线传感器网络上的数值实验，展示了我们协议的优势。
通过随机重力球方法加速 gossip
机构 * School of Mathematics, KAUST, Saudi Arabia（卡士塔大学数学学院，沙特阿拉伯） ； The University of Edinburgh（爱丁堡大学） ； The University of Edinburgh, United Kingdom（英国爱丁堡大学） ； Edinburgh, Scotland, UK（苏格兰爱丁堡，英国） ； MIPT, Russia（莫斯科国立信息安全大学，俄罗斯）
AI总结 本文研究了随机重力球方法（SHB）作为随机 gossip 算法的应用，提出了一种新的解决平均共识问题的协议，并通过实验展示了其优势。
Comments 8 pages, 5 Figures, 56th Annual Allerton Conference on Communication, Control, and Computing, 2018
拓展主动推断领域：感知-动作循环中的更多内在动机
机构 * Araya Inc.（Araya公司） ； Computational Creativity Group, Department of Computing, Goldsmiths, University of London（Goldsmiths大学计算创意小组） ； Game Innovation Lab, Department of Computer Science and Engineering, New York University（纽约大学游戏创新实验室） ； Sepia Lab, Adaptive Systems Research Group, Department of Computer Science, University of Hertfordshire（赫特福德大学计算机科学系Sepia实验室） ； Institute of Perception, Action and Behaviour, School of Informatics, The University of Edinburgh（爱丁堡大学信息学院感知、行为与行为研究所）
AI总结 本文探讨主动推断中是否可利用其他内在动机替代原有动机，同时保持核心机制，并通过形式化方法连接通用强化学习。
Comments 53 pages, 6 figures, 2 tables
在智能电网中面向多类型顾客的零售商最优动态定价集成优化与学习方法
机构 * School of Engineering and Computing Sciences, Durham University（工程与计算科学学院，达勒姆大学） ； School of Computer Science, The University of Manchester（计算机科学学院，曼彻斯特大学） ； College of Information System and Management, National University of Defense Technology（信息系统与管理学院，国防科技大学） ； School of Mathematics, University of Edinburgh（数学学院，爱丁堡大学） ； School of Information and Control Engineering, China University of Mining and Technology（信息与控制工程学院，中国矿业大学）
AI总结 本文针对智能电网中零售商服务三种不同类型的顾客问题，提出两级决策框架，结合优化与学习方法实现动态定价优化，通过仿真实验验证模型的有效性。
Comments 38 pages, 6 figures
用于最小化泛化误差的线性收敛随机重力球方法
机构 * University of Edinburgh, United Kingdom（爱丁堡大学，英国） ； KAUST, Kingdom of Saudi Arabia（王国沙特阿拉伯的KAUST）
AI总结 本文首次证明了随机重力球方法的线性收敛性，通过固定步长的SGD步骤结合重力球动量项，专注于最小化期望损失而非有限和最小化。
Comments NIPS 2017, Workshop on Optimization for Machine Learning (camera ready version)
关于随机模型中时间属性的鲁棒性
机构 * DMG, University of Trieste, Italy（DMG，特里埃斯特大学，意大利） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学）
AI总结 本文研究了随机模型中时间属性的鲁棒性，提出鲁棒性度量方法，并结合满足概率优化系统设计。
Comments In Proceedings HSB 2013, arXiv:1308.5724
Journal ref EPTCS 125, 2013, pp. 3-19
AlignAtt4LLM：面向仅解码器LLM的快速AlignAtt方法在IWSLT 2026同声传译任务中的应用
机构 * Charles University, MFF, ÚFAL（查理大学，人文学院，ÚFAL） ； University of Edinburgh（爱丁堡大学）
AI总结 提出AlignAtt4LLM系统，通过显式源文本跨度、离线选择翻译对齐头、选择性qk快速重放和运行时查询/键捕获，首次将AlignAtt策略应用于仅解码器LLM，在英德、英意同声传译中优于基线。
Comments Accepted to IWSLT 2026
逼真足球模拟中的人性化守门：一种样本高效的强化学习方法
机构 * University of Edinburgh（爱丁堡大学） ； KTH Royal Institute of Technology（皇家理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出一种样本高效的深度强化学习方法，通过利用预收集数据和增加网络可塑性，在EA SPORTS FC 25中训练出守门员智能体，其扑救率比内置AI高10%，训练速度比标准DRL快50%，且行为更接近人类。
Lodestar: 一种在线学习的大语言模型推理路由器
机构 * UIUC（伊利诺伊大学香槟分校） ； Bytedance（字节跳动） ； University of Edinburgh（爱丁堡大学）
AI总结 提出Lodestar，一种基于在线学习的请求路由系统，通过实时收集集群状态并训练奖励预测器，以最小化TTFT为目标分配推理请求，在异构GPU集群上显著降低延迟。
Ryze：从生物医学论文中合成富含证据的数据
机构 * University of Edinburgh（爱丁堡大学）
AI总结 提出 Ryze 系统，自动从生物医学论文中生成包含完整证据结构的训练数据，并训练出领域专用 VLM BioVLM-8B，在 LAB-Bench 上以低于 200 美元成本达到 48.0% 加权准确率。
Comments Accepted at ACL 2026 System Demonstrations Track. 8 pages, 6 figures
MOSAIC：结构化智能体智能与组合的模块化编排
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； Data & Analytics, Digital X（Digital X 数据与分析部） ； Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出MOSAIC框架，通过结构化智能体编排、记忆驱动的模型选择和蓝图构建，将自动化数据科学转化为可验证、可复用的模型选择问题，在金融时间序列任务中优于AutoML和智能体基线。
TInR：探索大语言模型中的工具内化推理
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Southeast University（东南大学） ； University of Edinburgh（爱丁堡大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
AI总结 本文提出TInR-U框架，通过工具内化、监督微调和强化学习三阶段训练，使LLM无需外部文档即可进行工具集成推理，在域内和域外设置中均取得优越性能。
Comments Accepted to ACL 2026
标签表示的余弦相似度能告诉我们什么，不能告诉我们什么
机构 * IT University of Copenhagen（丹麦哥本哈根技术大学） ； School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）
AI总结 本文证明对于softmax分类器，标签表示（称为unembedding）之间的余弦相似度不提供模型概率的任何信息，而对于sigmoid分类器，所有成对余弦相似度定义了可能的标签组合集。
二手车销售机器人？作为讨价还价代理的LLM在部分信息下的诚实与轻信
机构 * University of Edinburgh（爱丁堡大学）
AI总结 研究LLM代理在模拟讨价还价场景中的表现，发现它们偏离博弈论均衡，尝试撒谎但无法有效利用信息不对称，且优化财务效用会增强谈判能力但增加不诚实行为。
Comments 18 pages, 14 figures
SCOPE：面向开放式任务的协同演化策略自我对弈
机构 * University of Edinburgh（爱丁堡大学） ； Imperial College London（伦敦帝国学院）
AI总结 提出SCOPE框架，通过协同演化挑战者和求解者策略，实现无数据自我对弈，在开放式任务上提升性能并超越依赖人工提示的方法。
风力涡轮机维护日志标注框架：基于LLM驱动的数据校正与语义提取的可靠性智能增强
机构 * Institute for Energy Systems, School of Engineering, The University of Edinburgh（能源系统研究所，工程学院，爱丁堡大学） ； Nadara, Lisbon, Portugal（纳达拉，里斯本，葡萄牙）
AI总结 提出一种利用大语言模型自动标准化和结构化风力涡轮机维护日志的方法，通过纠正系统代码、提取故障模式与维护动作分类，将非结构化文本转化为定量可靠性指标。
Comments An adjustable template containing the Python script architecture, applied dynamic prompts, and data schemas is hosted in an open-source GitHub repository: https://github.com/mvmalyi/llm-driven-wind-turbine-maintenance-log-labelling
通过跨模型局部等距一致性的向量链接
机构 * School of Informatics, University of Edinburgh, Edinburgh, United Kingdom（爱丁堡大学信息学院，爱丁堡，英国） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（深圳先进技术研究院，深圳，中国）
AI总结 提出一种基于局部几何一致性的迭代参考几何嵌入哈希方法，从少量种子锚点恢复跨模型向量对应关系，实现准确鲁棒的向量链接。
Comments Accepted at ICML 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