University of Cambridge（剑桥大学）

Hierarchy-Aware Semantic Losses for Knowledge Graph Link Prediction

面向知识图谱链接预测的层级感知语义损失函数

Filip Kronström, Ross D. King

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 该研究在AIFB、CoDEx、BioKG数据集上，结合GNN编码器与盒嵌入语义损失，验证了层级感知语义损失能显著提升知识图谱链接预测的MRR，且效果优于额外子类边的方法。

SSE-Bio: A Structured Self-Evolving Agent with Agentic Retrieval Policy for Multi-Hop Biomedical Reasoning

SSE-Bio：面向多跳生物医学推理的、具备智能体式检索策略的结构化自进化智能体

Zhaohan Meng, Zaiqiao Meng, Siwei Liu, Hao Xu, Ke Yuan, Iadh Ounis

机构 * School of Computing Science, University of Glasgow（格拉斯哥大学计算科学学院） ； Brigham and Women’s Hospital, Harvard Medical School, Harvard University（哈佛大学医学院附属布莱根妇女医院） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； School of Natural and Computing Science, University of Aberdeen（阿伯丁大学自然与计算科学学院） ； School of Cancer Sciences, University of Glasgow（格拉斯哥大学癌症科学学院） ； Cancer Research UK Scotland Institute（英国癌症研究苏格兰研究所） 纠错

AI总结 本研究针对生物医学多跳问答的指令漂移问题，提出SSE-Bio结构化自进化智能体，通过代理策略选择性检索、细粒度模板编辑及组相对策略优化，在三个基准上实现优于现有基线的性能，BioHopR上提升6.56绝对点。

Comments Accepted to EMNLP 2026

Improved denoising diffusion probabilistic models with efficient non-diagonal covariance modeling

结合高效非对角协方差建模的改进去噪扩散概率模型

Rui Xia, Ayan Das, Artem Artemev, Andi Zhang, Guillaume Hennequin, Alberto Bernacchia

机构 * University of Cambridge（剑桥大学） ； MediaTek Research（联发科研究院） ； University of Warwick（华威大学） 纠错

AI总结 本文提出K-DCT协方差模型改进DDPM，降低计算复杂度，在少采样步数下于多数据集上实现优于现有SOTA的采样性能。

Comments 29 pages, 11 figures

Evaluating Human and LLM-Generated Thematic Analysis in HRI for Vulnerable Populations: A Comparative and Ethical Analysis

在面向弱势人群的人机交互（HRI）中评估人类与大语言模型（LLM）生成的主题分析：一项比较与伦理分析

Alva Markelius, Fethiye Irmak Dogan, Julie Bailey, Hatice Gunes

机构 * University of Cambridge（剑桥大学） ； Faculty of Education, University of Cambridge（剑桥大学教育学院） 纠错

AI总结 本研究对比分析了人类与LLM在面向弱势人群的HRI研究中生成的主题分析，评估二者的一致性，探究LLM生成主题分析的伦理风险，为相关研究者提供启示。

Comments Accepted at 35th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN), Kitakyushu, Japan

RARM: Confidence-Gated Progress Reward Modeling for RL in Manipulation

RARM：基于置信度门控的进展奖励建模用于操作中的强化学习

Pengzhi Yang, Xinyu Wang, Pengyu Jing, Kehan Wen, Yiduo Qu, Zhenhao Huang, Minghao Fu, Xin Liu, Yaheng Shen, Fan Shi

机构 * NUS Human-Centered Robotic Lab（新加坡国立大学人机共融机器人实验室） ； University of Cambridge（剑桥大学） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） 纠错

AI总结 提出参考锚定奖励模型（RARM），通过对比时间目标从通用视频中学习，将单个成功演示转化为密集进展奖励，并在部署时通过置信度门控抑制虚假正奖励，在长时域操作任务中显著提升强化学习成功率。

Stable Transformer-Actor-Critic Model Predictive Control: A Contraction Analysis Approach

稳定的Transformer-Actor-Critic模型预测控制：一种收缩分析方法

Antonio Marino (CAM), Valerio Modugno (UCL), Marco Cognetti (LAAS)

机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） ； LAAS-CNRS（Laas--cnrs） 纠错

AI总结 提出一种Transformer-Actor-Critic MPC架构，通过证明Transformer满足增量输入-状态稳定性并利用黎曼收缩理论分析互联动力学，将理论界作为训练正则化项，实现可证明鲁棒的控制策略。

Retrieval-aligned Tabular Foundation Models Enable Robust Clinical Risk Prediction in Electronic Health Records Under Real-world Constraints

检索对齐的表格基础模型实现电子健康记录中在现实约束下的稳健临床风险预测

Minh-Khoi Pham, Thang-Long Nguyen Ho, Thao Thi Phuong Dao, Tai Tan Mai, Minh-Triet Tran, Marie E. Ward, Una Geary, Rob Brennan, Nick McDonald, Martin Crane, Marija Bezbradica

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 针对电子健康记录中高维、异质、类别不平衡和分布偏移等挑战，提出任务对齐检索框架AWARE，通过监督嵌入学习和轻量适配器提升表格上下文学习性能，在极端不平衡下AUPRC提升高达12.2%。

Comments Not peer-reviewed. Under revision