高校专区
通过视觉反馈学习具有空间推理能力的 GUI 定位
机构 * University of Edinburgh（爱丁堡大学） ； Microsoft（微软）
AI总结 本文提出将 GUI 定位重构为交互式搜索任务，利用多步在线强化学习训练 GUI-Cursor 模型，通过光标视觉反馈提升空间推理能力，在 GUI 定位和代理任务上超越强基线。
Comments Accepted at ICML 2026
过马路前左右看：从2D视觉先验中提取交叉场
机构 * University of Chicago（芝加哥大学） ； University of Southern California（南加州大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出CrossLift方法，利用文本到图像先验从2D图像中提取方向信号，通过两次平滑插值将其反投影到网格表面，生成语义对齐的交叉场和四边形网格。
Comments Project page at: https://crosslift.github.io/
AI在肝纤维化分期中取得了多大进展？大规模真实世界数据集与基准
机构 * School of Data Science, Fudan University, Shanghai, China（复旦大学数据科学学院） ； Department of Radiology, Shanghai Public Health Clinical Center, Fudan University, Shanghai, China（复旦大学上海公共卫生临床中心放射科） ； Department of Electrical and Computer Engineering, Northwestern University, Evanston, USA（西北大学电气与计算机工程系） ； Shanghai Key Laboratory of Flexible Medical Robotics, Tongren Hospital, Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, China（上海柔性医疗机器人重点实验室） ； School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China（上海交通大学生物医学工程学院） ； School of Computer Science, University of Nottingham, Nottingham, UK（诺丁汉大学计算机科学学院） ； Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China（上海交通大学生物医学工程学院医疗机器人研究所） ； College of Computer Science and Technology, Huaqiao University, Xiamen, China（华侨大学计算机科学与技术学院） ； School of Electronic Information (School of Artificial Intelligence), Northwest University, Xi'an, China（西北大学电子信息学院（人工智能学院）） ； Department of Mechanical Engineering, University College London, London, UK（伦敦大学学院机械工程系） ； Institute of Neuroscience and Cardiovascular Research, University of Edinburgh, Edinburgh, UK（爱丁堡大学神经科学与心血管研究学院） ； CAS Center for Excellence in Nanoscience, National Center for Nanoscience and Technology, Beijing, China（中国科学院纳米科学卓越中心） ； School of Control Science and Engineering, Shandong University, Jinan, China（山东大学控制科学与工程学院） ； School of Engineering, College of Engineering and Physical Sciences, University of Birmingham, Birmingham, UK（伯明翰大学工程学院）
AI总结 基于多中心、多序列MRI的大规模真实世界数据集LiFS，系统评估了9种AI方法在肝纤维化分期中的表现，发现最佳AI与资深放射科医生相当，但跨中心异质性和标签不平衡仍是主要挑战。
Comments Submitted to Medical Image Analysis
召唤神谕以屠之：利用大语言模型缓解金融回测中的前瞻偏差
机构 * University of Edinburgh（爱丁堡大学）
AI总结 提出FinCAD方法，通过对抗性偏差发现和实体日期自适应规则，在不重新训练的情况下抑制大语言模型对历史结果的记忆，从而缓解金融回测中的参数化前瞻偏差。
正权重受限玻尔兹曼机中的快速混合
机构 * School of Informatics, University of Edinburgh, Informatics Forum, UK（爱丁堡大学信息学院） ； School of Computing and Data Science, The University of Hong Kong, HK（香港大学计算与数据科学学院）
AI总结 本文通过分析铁磁双自旋系统的Glauber动力学，证明了正权重受限玻尔兹曼机的交替扫描采样器具有多对数混合时间界，并得到了临界阈值内的新混合时间界。
随机神经网络优化用于传递算子逼近
机构 * Maxwell Institute for Mathematical Sciences, University of Edinburgh and Heriot–Watt University（爱丁堡大学麦克斯韦数学科学研究所和赫里奥特-瓦特大学） ； School of Mathematical & Computer Sciences, Heriot–Watt University（赫里奥特-瓦特大学数学与计算机科学学院）
AI总结 提出一种优化随机神经网络激活函数的算法，在保持权重和偏置固定的情况下提高传递算子逼近的字典质量。
基于代理思维链调优的长上下文推理
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 提出ProxyCoT训练框架，通过将短代理上下文中的推理能力迁移到完整长上下文中，以提升大语言模型在长上下文复杂推理任务上的表现。
Comments Long paper, ACL 2026 (Main conference)
关于Wasserstein策略优化收敛性的注记
机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学学院） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
AI总结 本文探讨了Wasserstein策略优化在连续状态和动作空间中的收敛性问题，通过利用均场分析和log-Sobole不等式，证明了在熵正则化的马尔可夫决策过程框架下，WPO算法能够线性收敛到全局最优解。
深度集成是否真的在图神经网络中捕捉了不确定性？
机构 * University of Edinburgh（爱丁堡大学） ； DCC/FCUP, University of Porto（葡萄牙里斯本大学数据与计算中心/里斯本大学）
AI总结 本文研究了深度集成在图神经网络中的有效性，发现其在不确定性量化中效果有限，主要归因于模型优化噪声的稳定而非不确定性估计的提升，揭示了集成崩溃现象。
噪声中的信号：通过因子化潜在空间中的拟合性检验进行分布外检测
机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学）
AI总结 本文提出了一种基于因子化潜在空间中拟合性检验的分布外检测方法SITN，该方法无需访问分布外数据，计算开销小，并能严格控制误报率。
为高维预测研究的数据驱动设计开发可解释的AI
机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI)（医疗因果AI枢纽） ； Advanced Care Research Centre, Usher School of Population Health Sciences, University of Edinburgh（先进护理研究中心，乌瑟人口健康科学学院，爱丁堡大学） ； Centre for Medical Informatics, Usher School of Population Health Sciences, University of Edinburgh（医学信息学中心，乌瑟人口健康科学学院，爱丁堡大学）
AI总结 本文提出了一种可解释的AI推荐系统，通过数据驱动的方法改进现有可解释统计模型的预测性能，主要贡献是通过可解释AI技术提供三种推荐类型以提高模型的预测能力和透明度。
Comments 41 pages, 7 figures
从仿真轨迹中发现高层次模式
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出了一种通过程序合成进行无监督学习的方法，将仿真轨迹转换为稀疏的高层次模式表示，以提升大语言模型对物理系统的推理能力。
动态潜在记忆混合用于自演化智能体
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出MoLEM框架，通过动态混合专家机制实现智能体的持续学习，避免灾难性遗忘，提升任务学习和能力保持。
Comments 19 pages, 5 figures, 5 tables
截断神经似然估计用于状态空间模型中的基于模拟的推断
机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）
AI总结 本文提出了一种改进的截断神经似然估计（T-SNL）方法，解决了传统序列神经似然（SNL）在状态空间模型中推断时存在的样本需求大、扩展性差和不可 amortization 的问题，从而提高了推断的准确性、稳定性与鲁棒性。
利用CT钙扫描中的机会性冠状动脉钙化和心外膜脂肪评估进行阻塞性冠状动脉疾病的机器学习预测
机构 * Department of Biomedical Engineering, Virginia Commonwealth University（弗吉尼亚联邦大学生物医学工程系） ； Department of Biomedical Engineering, Case Western Reserve University（凯斯西储大学生物医学工程系） ； Harrington Heart and Vascular Institute, University Hospitals Cleveland Medical Center（克利夫兰医学中心哈灵顿心脏和血管研究所） ； BHF Centre for Cardiovascular Science, University of Edinburgh（爱丁堡大学BHF心血管科学中心） ； Department of Radiology, Case Western Reserve University（凯斯西储大学放射学系）
AI总结 本研究开发了一种先进的机器学习框架，通过分析CT钙扫描中的冠状动脉钙化和心外膜脂肪数据，预测阻塞性冠状动脉疾病，展示了该方法在提高预测性能和减少对增强CT或侵入性检查依赖方面的潜力。
Comments 16 pages, 4 figures, 3 tables
roto 2.0：机器人触觉奥林匹克
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文提出roto 2.0，一个基于触觉的强化学习基准，旨在通过四种不同的机器人形态（16-DOF到24-DOF）标准化触觉强化学习，专注于端到端的'盲'操作，仅使用本体感觉和触觉传感，不使用状态信息或蒸馏。研究展示了显著的性能提升，盲控代理在10秒内完成13次保定球旋转，比当前最先进的速度快了一个数量级。通过开源环境和经过充分调优的基线，降低了进入门槛，使研究人员能够优先考虑基本算法挑战而非繁琐的强化学习调优。
Comments Accepted to 7th ViTac Workshop, ICRA 2026
Terminal-World: 通过智能体技能扩展终端智能体环境
机构 * School of Computer Science and Engineering, Beihang University, Beijing, China（北京航空航天大学计算机科学与工程学院） ； Independent Researcher（独立研究者） ； Beijing Institute of Technology（北京理工大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本文提出Terminal-World，一种自动化流程，利用智能体技能作为核心合成原语，共同编码任务目标、执行时机和方法，从而生成任务指令、环境和教师轨迹。通过构建5,723个训练环境，训练出Terminal-World-8B/14B/32B模型，在六个基准测试中均优于终端智能体基线，其中Terminal-World-32B在Terminal-Bench 2.0上以仅1.2%的训练数据超越Nemotron-Terminal-32B。
Comments Work in Progress
基于AI的独立施工安全结果的属性预测
机构 * University of Edinburgh, UK（爱丁堡大学，英国） ； University of Colorado at Boulder, USA（科罗拉多大学博尔德分校，美国）
AI总结 本文改进并验证了先前研究中通过机器学习从属性中预测安全结果的方法，使用NLP提取属性并训练模型预测伤害严重性、类型、受影响身体部位和事件类型，通过独立人工标注消除潜在的人工相关性，结果表明属性仍具有高度预测性，同时引入了更大的数据集、新模型、模型堆叠和更合适的评估指标，最终成功预测伤害严重性，这是重大进展。
Comments Added author contributions and journal reference, updated corresponding author, fixed a few typos
Journal ref Automation in Construction 118 (2020): 103146
从文本自动学习事故前兆
机构 * University of Edinburgh, UK（爱丁堡大学，英国） ； University of Colorado at Boulder, USA（科罗拉多大学博尔德分校，美国）
AI总结 本文研究了如何利用建设行业数字记录的安全报告，通过比较几种深度学习方法自动学习事故前兆，以提高对安全事故的理解和学习能力。
Comments Added author contributions and journal reference, updated corresponding author
Journal ref Automation in Construction 118 (2020): 103145
StruMPL：在不相交的部分监督和MNAR标签下的多任务密集回归
机构 * School of Geosciences, University of Edinburgh, UK（爱丁堡大学地球科学学院，英国） ； National Centre for Earth Observation (NCEO), UK（英国地球观测国家中心） ； Department of Spatial Sciences, Faculty of Environmental Sciences Czech University of Life Sciences Prague, Praha, Czech Republic（环境科学学院空间科学系，捷克布拉格生命科学大学）
AI总结 本文针对在不相交的部分监督和MNAR标签下的多任务密集回归问题，提出StruMPL方法，通过共享编码器和可学习的物理模块，结合Augmented IPW损失函数，提高了对森林地上生物量的估计精度。
Comments 10 pages with 3 figures and 4 tables, References and Appendix 12 pages with 1 figure and 4 tables
OScaR：LLMs及更广泛场景中的极压缩KV缓存量化之奥卡姆之刀
机构 * Tsinghua University（清华大学） ； Meituan LongCat Team（美团LongCat团队） ； The University of Hong Kong（香港大学） ； The University of Edinburgh（爱丁堡大学） ； UCAS（中国科学技术大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文针对LLMs中KV缓存极压缩时的量化保真问题，提出OScaR框架，通过Canalized Rotation和Omni-Token Scaling有效缓解Token Norm Imbalance，实现近无损的INT2量化性能，同时提升解码速度和吞吐量。
Comments Under review
GRAB：一种风险分类——面向财务披露中无监督主题发现的基准测试
机构 * The University of Edinburgh, UK（爱丁堡大学）
AI总结 本文提出GRAB，一个专门针对财务披露中无监督主题发现的基准测试，通过结合FinBERT词注意力、YAKE关键词信号和基于分类法的短语匹配，生成无需人工标注的句子标签，从而评估无监督主题模型。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: NeurIPS 2025 Workshop on Generative AI in Finance
DashAttention: 可微且自适应的稀疏分层注意力
机构 * Tsinghua University（清华大学） ； Instituto Superior Técnico, Universidade de Lisboa（里斯本大学理工学院） ； Instituto de Telecomunicações（电信研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； University of Edinburgh（爱丁堡大学） ； TransPerfect（TransPerfect公司） ； ELLIS Unit Lisbon（里斯本ELLIS单位）
AI总结 本研究提出DashAttention，一种可微且自适应的稀疏分层注意力机制，通过自适应稀疏α-entmax变换选择可变数量的块，从而在保持整个层次结构可微的同时，提升长上下文建模能力，实验表明其在高稀疏度下优于现有方法。
Comments Preprint
不完美的世界模型是可利用的
机构 * University of Edinburgh（爱丁堡大学） ； Stanford University（斯坦福大学）
AI总结 本文提出了一种新的强化学习中模型利用的定义，指出世界模型如果暗示某种策略应严格优于另一种策略，而真实环境转移模型却暗示相反，那么该模型就是可利用的。研究通过发展奖励黑客和模型利用的一般理论，证明在大规模策略集上利用本质上是不可避免的，并揭示了安全规划在世界模型中的局限性。
Comments 17 pages, 3 figures, 2 tables; modified (fixed metadata)
CounterCount: 一种用于视觉语言模型计数偏差诊断的框架
机构 * KAUST（卡尔斯鲁德大学） ； University of Edinburgh（爱丁堡大学） ； King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹大学）
AI总结 本文提出CounterCount框架，通过对比事实性与反事实性图像来诊断视觉语言模型在计数任务中的偏差问题，揭示模型对物体级先验知识的依赖，并提出统一的注意力调节策略提升反事实计数准确性。
旧习惯难改：对话历史如何几何学地困住大语言模型
机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） ； University of Oxford（牛津大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（Kempner研究所，哈佛大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究探讨对话历史如何通过几何陷阱影响大语言模型的后续表现，提出History-Echoes框架从概率和几何两个角度分析对话历史偏差，并揭示行为持续性在潜在空间中的几何陷阱。
Comments Accepted to ICML 2026
PyHealth 2.0: 一个全面的开源工具包，用于可访问和可重复的临床深度学习
机构 * University of Illinois Urbana-Champaign, Urbana, IL, USA（伊利诺伊大学厄巴纳-香槟分校） ； PyHealth Research Initiative（PyHealth研究计划） ； University of Illinois College of Medicine, Chicago, IL, USA（伊利诺伊大学医学院） ； The University of Edinburgh, Edinburgh, UK（爱丁堡大学） ； Health Data Research UK, London, UK（英国健康数据研究） ； Department of Biomedical Engineering, Bangladesh University of Engineering（孟加拉国工程大学生物医学工程系）
AI总结 本文提出PyHealth 2.0，一个全面的开源工具包，旨在解决临床AI研究中的可重复性和可访问性问题，通过统一15+数据集、20+临床任务、25+模型、5+可解释性方法和不确定性量化方法，实现7行代码即可完成预测建模。
Comments Under Review
小波流匹配用于多尺度物理模拟
机构 * Department of Earth and Environmental Engineering（地球与环境工程系） ； Columbia University（哥伦比亚大学） ； University of Edinburgh（爱丁堡大学） ； Courant Institute of Mathematical Sciences（数学科学学院） ； New York University（纽约大学） ； Scripps Institution of Oceanography（斯克里普斯海洋研究所） ； Halıcıoğlu Data Science Institute（哈利奇数据科学研究所） ； University of California San Diego（加州大学圣地亚哥分校） ； CUNY New York City College of Technology（纽约市立大学纽约技术学院） ； Lamont-Doherty Earth Observatory（拉蒙特-多伊蒂地球观测站）
AI总结 本文提出小波流匹配方法，通过在多尺度小波空间中直接进行最优传输，解决多尺度物理系统模拟中稳定性与精度的平衡问题，实现更高效的生成式模拟。
组合图像检索基准是否需要多模态组合？
机构 * Politecnico di Bari（巴里理工大学） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； University of Edinburgh（爱丁堡大学） ； University of Klagenfurt（克雷格弗特大学）
AI总结 研究发现组合图像检索任务中，许多查询可通过单一模态解决，而非真正的多模态组合，揭示了多模态组合的假设不成立。
面向图神经网络解释性评估标准化的框架：图核网络的框架与案例研究
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 本文提出AIM框架，用于评估图神经网络的解释性，通过实例级和模型级解释提升解释性评估的全面性，并以图核网络为例展示改进模型xGKN的开发。
Comments 19 pages, 4 figures, 8 tables
Journal ref Transactions on Machine Learning Research (TMLR). ISSN 2835-8856 (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