University of Edinburgh（爱丁堡大学）

SAM3-LiteText: An Anatomical Study of the SAM3 Text Encoder for Efficient Vision-Language Segmentation

SAM3-LiteText: SAM3文本编码器的解剖学研究：用于高效视觉-语言分割

Chengxi Zeng, Yuxuan Jiang, Ge Gao, Shuai Wang, Duolikun Danier, Bin Zhu, Stevan Rudinac, David Bull, Fan Zhang

机构 * Visual Information Lab, University of Bristol（布里斯托大学视觉信息实验室） ； University of Amsterdam（阿姆斯特丹大学） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Singapore Management University（新加坡管理大学） 纠错

AI总结 SAM3-LiteText通过轻量级文本编码框架优化视觉-语言分割模型，减少88%的参数并保持性能

CSEval: A Framework for Evaluating Clinical Semantics in Text-to-Image Generation

CSEval: 一个用于评估文本到图像生成中临床语义的框架

Robert Cronshaw, Konstantinos Vilouras, Junyu Yan, Yuning Du, Feng Chen, Steven McDonagh, Sotirios A. Tsaftaris

机构 * School of Engineering, University of Edinburgh, United Kingdom（爱丁堡大学工程学院） 纠错

AI总结 CSEval通过语言模型评估文本到图像生成中临床语义的一致性，弥补现有方法在临床相关性评估上的不足。

From Atoms to Trees: Building a Structured Feature Forest with Hierarchical Sparse Autoencoders

从原子到树：构建具有层次稀疏自编码器的结构化特征森林

Yifan Luo, Yang Zhan, Jiedong Jiang, Tianyang Liu, Mingrui Wu, Zhennan Zhou, Bin Dong

机构 * School of Mathematical Science, Peking University, Beijing, China（北京大学数学科学学院） ； Beijing International Center for Mathematical Research（北京国际数学研究中心） ； the New Cornerstone Science Laboratory, Peking University, Beijing, China（北京大学新基石科学实验室） ； Center for Machine Learning Research, Peking University, Beijing, China（北京大学机器学习研究中心） ； School of Information and Electronics, Beijing Institute of Technology, Beijing, China（北京理工大学信息与电子学院） ； Institute for Theoretical Sciences, Westlake University, Hangzhou, China（西湖大学理论科学研究院） ； School of Science, Westlake University, Hangzhou, China（西湖大学理学院） ； School of Informatics, University of Edinburgh, Edinburgh, UK（爱丁堡大学信息学院） 纠错

AI总结 本文提出层次稀疏自编码器HSAE，通过结构约束和随机扰动机制，联合学习LLM中的层次化特征结构，实现语义有意义的多尺度概念分析。

Towards Fair and Comprehensive Evaluation of Routers in Collaborative LLM Systems

迈向协作大语言模型系统中路由器的公平且全面评估

Wanxing Wu, He Zhu, Yixia Li, Lei Yang, Jiehui Zhao, Hongru Wang, Jian Yang, Benyou Wang, Bingyi Jing, Guanhua Chen

机构 * Southern University of Science and Technology（南方科技大学） ； Institut Polytechnique de Paris（巴黎政治学院） ； Peking University（北京大学） ； Deepexi Technology Co. Ltd.（深醒科技有限公司） ； University of Edinburgh（爱丁堡大学） ； Beihang University（北航） ； Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） 纠错

AI总结 本文提出RouterXBench框架和ProbeDirichlet路由器，通过内部隐藏状态提升路由能力与跨领域鲁棒性，实现对协作大语言模型系统中路由器的公平全面评估。

Comments Our code is publicly available at https://github.com/zhuchichi56/RouterXBench

TABLET: A Large-Scale Dataset for Robust Visual Table Understanding

TABLET：一个大规模数据集，用于鲁棒的视觉表格理解

Iñigo Alonso, Imanol Miranda, Eneko Agirre, Mirella Lapata

机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克国家大学HiTZ中心） 纠错

AI总结 TABLET是一个大规模视觉表格理解数据集，包含400万个示例和21项任务，旨在提升模型对真实世界表格可视化的鲁棒性。

TUBO: A Tailored ML Framework for Reliable Network Traffic Forecasting

TUBO：一种定制化的机器学习框架，用于可靠的网络流量预测

Zhihang Yuan, Leyang Xue, Waleed Ahsan, Mahesh K. Marina

机构 * The University of Edinburgh（爱丁堡大学） 纠错

AI总结 TUBO是一种定制化的机器学习框架，通过突发处理和模型选择组件提升网络流量预测的可靠性，显著提高预测准确性和突发发生预测精度。

Comments Short version of this paper is presented at ICDCS 2025

AltTS: A Dual-Path Framework with Alternating Optimization for Multivariate Time Series Forecasting

AltTS: 一种具有交替优化的双路径框架用于多变量时间序列预测

Zhihang Yuan, Zhiyuan Liu, Mahesh K. Marina

机构 * School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院） ； University of Chicago, USA（芝加哥大学） 纠错

AI总结 AltTS 提出一种双路径框架，通过交替优化解耦自回归和跨关系建模，提升多变量时间序列预测的长期内预测性能。

Comments Preprint

Logical Structure as Knowledge: Enhancing LLM Reasoning via Structured Logical Knowledge Density Estimation

逻辑结构作为知识：通过结构化逻辑知识密度估计增强LLM推理

Zhen Bi, Zhenlin Hu, Xueshu Chen, Mingyang Chen, Cheng Deng, Yida Xue, Zhen Wang, Qing Shen, Ningyu Zhang, Jungang Lou

机构 * Huzhou University（湖州大学） ； Zhejiang Key Laboratory of Intelligent Education Technology and Application（浙江智能教育技术与应用重点实验室） ； Banbu AI Foundation（Banbu AI基金会） ； Baichuan Inc（白川公司） ； University of Edinburgh（爱丁堡大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出通过结构化逻辑知识密度估计提升LLM推理能力，通过增强逻辑密度而非扩大数据量来提高模型认知潜力。