高校专区
缓解可靠高效搜索智能体的上下文干扰
机构 * The Chinese University of Hong Kong（香港中文大学） ； University College London（伦敦大学学院） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； The University of Edinburgh（爱丁堡大学）
AI总结 本文针对多轮搜索智能体的上下文干扰问题，提出基于蒸馏的上下文优化器，将其纳入RL训练后可显著提升搜索智能体的可靠性与效率，开创了AI智能体“先优化上下文再生成”的新范式。
面向辅助AI智能体的分层组合性
机构 * University of Edinburgh（爱丁堡大学）
AI总结 本文针对辅助AI智能体的歧义问题，提出嵌入分层组合性原则的架构，结合语义兼容性等模型推理实现歧义消除，实验表明其性能优于当前最优数据驱动基线，可适配特定用户画像。
Comments 25 pages, 9 figures, 4 tables. Project page: https://tianyi-fu.github.io/HCAA
CAP：用于评估具备复杂动作与感知能力的跨站点浏览器智能体的可扩展基准
机构 * Macau University of Science and Technology（澳门科技大学） ； Tsinghua University（清华大学） ； Southeast University（东南大学） ； FellouAI ； ARGUS Lab（ARGUS实验室） ； The University of Edinburgh（爱丁堡大学）
AI总结 研究人员推出可扩展基准CAP，通过分解-重组流程构建420项跨站点网页任务，实验发现当前浏览器智能体在感知密集型交互上存在明显瓶颈，与真实需求差距较大。
Comments Accepted to COLM 2026. Project page: https://warriorxu0302.github.io/CAP-Bench/
超越凸性的驯服次梯度未校正朗之万算法
机构 * University of Edinburgh（爱丁堡大学） ； National Technical University of Athens（雅典国立技术大学） ； Athena/Archimedes Research Centre（雅典娜/阿基米德研究中心）
AI总结 本文针对非光滑、超线性梯度增长且非凸的目标分布采样问题，提出SG-TULA算法，推导其非渐近收敛界，验证假设并用于GPT-2系列LLM预训练，效果优于AdamW等。
Comments 53 pages
用于冯·卡门（Föppl-von Kármán）方程的显式稳定伪谱时域方法
机构 * University of Edinburgh（爱丁堡大学） ； IRCAM（法国声学/音乐研究与协作学院） ； CNRS（法国国家科学研究中心） ； Sorbonne Université（索邦大学）
AI总结 本研究针对冯·卡门方程，提出一种在空间域计算乘积项、模态域计算导数的伪谱方法，结合标量辅助变量技术实现显式稳定时间积分，降低了模态合成的计算成本并保留其频率控制优势。
Comments To be presented at Forum Acusticum 2026, Graz, Austria, September 2026
思维链可监控性中“看不见即想不到”吗？
机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本研究对比显式与潜在CoT的可监控性，发现其更多取决于任务属性和模型内部访问程度，而非推理模式。
Comments 23 pages
神经符号AI的RAIL原则：推理（Reasoning）、保证（Assurances）、接口（Interfacing）与学习（Learning）
机构 * Politecnico di Milano（米兰理工大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Åbo Akademi University（奥博 Akademi 大学） ； Samsung AI（三星人工智能研究院） ； Delft University of Technology（代尔夫特理工大学） ； Stony Brook University（石溪大学） ； Politecnico di Torino（都灵理工大学） ； University of Stuttgart（斯图加特大学） ； Graz University of Technology（格拉茨工业大学） ； Lockheed Martin, Advanced Technology Labs（洛克希德·马丁公司先进技术实验室） ； BrainCreators（BrainCreators公司） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Edinburgh（爱丁堡大学） ； UCLA（加利福尼亚大学洛杉矶分校）
AI总结 该文提出神经符号AI的RAIL四项原则，可统一分析多类AI系统，助力工程师更科学地设计部署生产级AI，指导整合神经符号方法到下一代AI技术。
在智能体丛林中通过历史感知的对手意识进化
机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。
TrajWiki：面向长程对话智能体的基于来源的记忆轨迹
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； The University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 该研究针对长程对话智能体的记忆可追溯性与透明性问题，提出TrajWiki框架，通过轨迹式记忆表示与Memory Wiki中间层提升对话性能及可解释性。
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
Comments 5 pages
从经验中学习有状态的预测知识
机构 * University College London（伦敦大学学院） ； National University of Singapore（新加坡国立大学） ； Chinese Academy of Sciences（中国科学院） ； Brown University（布朗大学） ； University of Bristol（布里斯托尔大学） ； University of Edinburgh（爱丁堡大学） ； Zhongguancun Academy（中关村科学院） ； The Yangtze River Delta（长三角）
AI总结 该研究针对LLM智能体现有轨迹级反思学习的缺陷，提出SKL方法，通过两种算法训练智能体学习有状态预测知识，在多任务上性能优于现有范式。
OmniPhys：文本到图像生成中物理常识的知识图谱驱动基准测试与集体优化
机构 * Zhejiang University（浙江大学） ； The University of Manchester（曼彻斯特大学） ； The University of Edinburgh（爱丁堡大学） ； Ant Group（蚂蚁集团）
AI总结 针对文本到图像模型常违反物理常识及现有基准测试不足等问题，引入基于物理知识图谱的OmniPhys基准测试，提出OmniPrompt迭代框架，经对12个模型评估，显著提升了物理一致性。
Comments accepted by KDD 2026 DB track
从训练到部署：通过灵敏度比率进行事后因果特征识别
机构 * Hologen AI（全息人工智能公司） ； Mathematics Research Centre Academy of Athens（雅典科学院数学研究中心） ； FAU Erlangen Nuremberg（埃尔朗根 - 纽伦堡大学） ； Imperial College London（伦敦帝国理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 研究已训练模型所依赖因果与虚假特征的问题，提出归一化灵敏度比率（NSR）方法，在结构化转移情况下可事后诊断。在特定线性结构因果模型下能精确识别，刻画了失败情况及有限样本率，实验验证了该方法在多方面的有效性。
设计中的纠缠：表格上下文学习器中的虚假变量内信号路由
机构 * Hologen AI（全息人工智能公司） ； Mathematics Research Centre Academy of Athens（雅典科学院数学研究中心） ； FAU Erlangen Nuremberg（埃尔朗根 - 纽伦堡大学） ； Imperial College London（伦敦帝国理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 研究表格上下文学习器中虚假变量内信号路由问题，证明岭回归上下文学习器下该路由不可避免，推导出相关特征。发现更大上下文会放大虚假路由，更具表现力模型更脆弱。引入两种轻量级缓解措施，有效减少虚假路由并提高因果敏感性。
通过隐式接触微分实现用于残差MPC的摊销轨迹优化
机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 研究针对残差MPC的轨迹优化问题，基于隐函数定理引入AD辅助隐式导数用于正则化平滑接触，避免求解器展开和复杂推导，还引入优化器蒸馏策略，相比标准iLQR显著提高了相关任务的成功率。
Comments Code available from https://github.com/calumarnott/mujoco
解开阿尔茨海默病病理学与感知中的声学线索：语言和性别的作用
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究阿尔茨海默病中声学线索，训练模型预测普通话和希腊语、男女说话者的临床AD状态及人类感知分数，用SHAP和统计模型分析，发现病理与感知一致性因语言和性别而异，强调特定人群可解释性审核对临床语音AI公平部署的必要性。
Comments Accepted at Interspeech 2026
KG2Code：通过可执行代码连接知识图谱与大语言模型以进行问答
机构 * Southeast University（东南大学） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（教育部新一代人工智能技术及其交叉应用重点实验室（东南大学）） ； Huawei Technologies（华为技术有限公司） ； University of Manchester（曼彻斯特大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究针对知识图谱问答中现有方法的局限，提出KG2Code方法，将知识图谱转换为代码表示，在此基础上构建KG2Code-QA框架，把KGQA作为代码生成任务，还构建代码语料库，训练后的模型在KGQA任务中表现优异且泛化性强。
合成语音，真实信号：通过语音克隆实现副语言保留和跨语言增强
机构 * thymia（胸腺公司） ； The University of Edinburgh（爱丁堡大学） ； University of Southampton（南安普顿大学）
AI总结 研究针对语音合成数据增强在副语言任务应用少的问题，对八个语音克隆模型在五个副语言任务上进行基准测试，还将英语临床语音克隆成日语，发现其在低资源语言临床语音数据增强方面有前景。
Comments 5 pages, 3 figures. Accepted at Interspeech 2026
自回归语言模型的可处理分层控制
机构 * University of Edinburgh（爱丁堡大学）
AI总结 研究如何约束自回归大语言模型生成，核心方法是将其提炼为可处理概率模型，利用有限时长$LR(k)$文法可多项式时间计算满足情况的特性，实现对LLM生成的有效约束与引导，确保输出满足形式句法约束。
Comments 21 pages, 4 figures, 2 algorithms
基于机器学习的基于缠绕数的聚合物链环分类
机构 * School of Physics and Astronomy, The University of Edinburgh（物理与天文学学院，爱丁堡大学） ； School of Mathematics, The University of Edinburgh（数学学院，爱丁堡大学） ； MRC Human Genetics Unit, Institute of Genetics and Cancer, University of Edinburgh（人类遗传学单位，遗传与癌症研究所，爱丁堡大学）
AI总结 研究链环拓扑分类问题，核心方法是基于缠绕数密度矩阵训练前馈神经网络，主要贡献是能高效分类双组件链环，准确率高且在一定条件下稳定，为复杂链环拓扑快速分类提供了有前景的工具。
Comments 8 pages, 4 figures
AoA：基于重新设计语言抽象语法树的定理证明智能体
机构 * Nanyang Technological University Singapore（南洋理工大学新加坡分校） ； Imperial College London London, UK（伦敦帝国理工学院伦敦分校） ； University of Edinburgh Edinburgh, UK（爱丁堡大学爱丁堡分校）
AI总结 研究针对交互式定理证明中人工操作限制可扩展性及基于LLM的证明智能体成本高的问题，提出将智能体从源文本提升到抽象语法树的方法，实现了AoA，在多个方面有显著提升且解决更多难题。
Comments 13 pages
看清实际存在的东西：用于在视觉语言模型中对代理视觉证据进行反事实评估的PriVE-Bench和PriVE-Tools
机构 * The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） ； University of Newcastle（纽卡斯尔大学）
AI总结 本文针对视觉语言模型常依先验而非图像回答问题的现象，引入PriVE-Bench和PriVE-Tools。通过配对图像及工具衍生证据评估模型，对比不同输入，发现视觉证据工具在特定情况有帮助，但不能解决所有模型依先验回答的问题。
作为无标签自蒸馏特权上下文的共识
机构 * ILLC, University of Amsterdam（逻辑、语言与计算研究所，阿姆斯特丹大学） ； ILCC, University of Edinburgh（信息实验室，爱丁堡大学）
AI总结 研究旨在提高无标签大语言模型推理准确性，提出CANON方法将共识转化为token级监督，通过采样多个解决方案并以达到多数答案的方案为条件设置模型快照来监督。实验表明该方法大幅提升性能，还能迁移，改进非单纯分布锐化。
用于人工智能原生6G的联合嵌入预测架构：预测表示与开放挑战
机构 * IDCoM, University of Edinburgh（爱丁堡大学IDCoM研究所） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； SnT, University of Luxembourg（卢森堡大学SnT） ； Department of Electronic Systems, Aalborg University（奥尔堡大学电子系统系） ； School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； Division of Electronics and Electrical Engineering, Dongguk University（东国大学电子与电气工程系） ； School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦特大学工程与物理科学学院） ； Department of Electrical Engineering, Chalmers University of Technology（查尔姆斯理工大学电气工程系） ； Department of Electrical and Computer Engineering, San Diego State University（圣地亚哥州立大学电气与计算机工程系）
AI总结 本文围绕用于6G智能的联合嵌入预测架构（JEPA）展开。介绍其训练机制等，通过波束管理案例说明能提升标签效率与鲁棒性，还指出在多时间尺度预测等方面存在开放挑战。
Comments 14 pages, 4 figures, 3 tables. Tutorial and review on Joint-Embedding Predictive Architecture (JEPA) for AI-native 6G. Submitted to IEEE Communications Magazine
用于推理泛化的几何自蒸馏
机构 * ILLC, University of Amsterdam（阿姆斯特丹大学伊利沙伯格学院） ； ILCC, University of Edinburgh（爱丁堡大学伊利沙伯格中心）
AI总结 研究针对大语言模型特权上下文自蒸馏中监督难以信赖、导致分布外推理能力下降的问题，提出几何自蒸馏目标GeoSD，通过Hellinger损失和近端项对抗漂移，提升了模型分布外推理准确率。
学习在多障碍物环境中安全投掷物体
机构 * University of Groningen（格罗宁根大学） ； University of Edinburgh（爱丁堡大学）
AI总结 研究在多障碍物环境中安全投掷物体的问题，引入势场状态表示，结合动觉演示初始化，用SAC等算法优化，经模拟和真实机器人实验，该表示在成功率和扩展性上表现出色，实现了模拟到真实的可靠迁移。
Comments This paper has been presented at the IEEE International Conference on Robotics & Automation (ICRA), 2026
用于流策略引导和加速的最优传输Q学习
机构 * University of Edinburgh（爱丁堡大学） ； Honda Research Institute Europe（本田欧洲研究院）
AI总结 针对流策略性能优化难题，提出最优传输Q学习（OTQL），利用机器人经验，通过优势加权条件最优传输流匹配微调加速流策略，提升单任务和VLA策略成功率，减少推理步骤数。
基于高增益观测器融合的支气管镜导航几何感知视觉里程计
机构 * School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院，英国）
AI总结 针对支气管镜视觉导航在纹理缺失气道中易漂移失效的问题，提出融合气道消失点线索与高增益观测器的几何感知VO，大幅降低轨迹误差，性能优于现有主流方案。
KinEMbed：通过跨模态对比学习从肌电图中解码运动学
机构 * Department of Statistics, University of Oxford（牛津大学统计学系） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
AI总结 研究从表面肌电图解码手部运动学这一挑战，提出跨模态对比学习框架KinEMbed训练双编码器，用于手部运动学回归，在NinaPro DB8数据集上优于基线方法。
Comments ICML 2026 Workshop on Structured Data for Health, Seoul, South Korea
EgoInertia-MI：用于运动障碍评估的多模态自我中心视觉与惯性测量单元基准测试
机构 * University of Florence（佛罗伦萨大学） ； Meta Reality Labs（元现实实验室） ； University of Edinburgh（爱丁堡大学）
AI总结 研究针对运动障碍评估，结合自我中心视觉与惯性测量单元信号创建EgoInertia-MI数据集，设动作识别等任务并评估基线，发现多模态融合性能最佳，凸显两者结合用于运动评估的潜力。
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