University of Edinburgh（爱丁堡大学）

Rethinking Chronological Causal Discovery with Signal Processing

重新思考因果发现中的时间顺序问题

Kurt Butler, Damian Machlanski, Panagiotis Dimitrakopoulos, Sotirios A. Tsaftaris

机构 * School of Engineering, The University of Edinburgh, Edinburgh, UK（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI), UK（医疗AI因果性研究联合体（CHAI）） 纠错

AI总结 本文重新思考因果发现中的时间顺序问题，探讨采样率和窗口长度对因果发现性能的影响，并提出信号处理方法以改进因果推断。

Comments 5 pages, 5 figures, Final version accepted to the 59th Asilomar Conference on Signals, Systems, and Computers (2025)

Anticipate, Adapt, Act: A Hybrid Framework for Task Planning

预见、适应、行动：一项任务规划的混合框架

Nabanita Dash, Ayush Kaura, Shivam Singh, Ramandeep Singh, Snehasis Banerjee, Mohan Sridharan, K. Madhava Krishna

机构 * Robotics Research Center, IIIT Hyderabad, India（IIIT海得拉巴机器人研究中心） ； TCS Research, Tata Consultancy Services, India（塔塔咨询公司研究部） ； School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院） 纠错

AI总结 本文提出一种混合框架，结合LLM的预测能力和关系动态影响图语言的决策能力，用于任务规划中的失败预测与应对。

Comments Accepted at IEEE European Conference on Mobile Robots (ECMR)

Human-in-the-loop Optimisation in Robot-assisted Gait Training

有人参与的循环优化在机器人辅助步态训练中

Andreas Christou, Andreas Sochopoulos, Elliot Lister, Sethu Vijayakumar

机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） 纠错

AI总结 本文研究了人机协同优化在机器人辅助步态训练中的应用，发现个性化控制器优化未显著提升患者表现，揭示了人机共适应与行为变异的影响。

Assist-as-needed Control for FES in Foot Drop Management

按需辅助控制用于足下垂管理的FES

Andreas Christou, Elliot Lister, Georgia Andreopoulou, Don Mahad, Sethu Vijayakumar

机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Anne Rowling Neurology Clinic, School of Medicine, University of Edinburgh（安妮·罗文神经科诊所，医学院，爱丁堡大学） ； Alan Turing Institute, U.K.（艾伦·图灵研究所，英国） 纠错

AI总结 本文提出了一种闭环FES控制器，通过实时脚部清空动态调整刺激强度，以提高足下垂管理的效率和用户舒适度。

Trustworthy Prediction with Gaussian Process Knowledge Scores

基于高斯过程知识评分的可信预测

Kurt Butler, Guanchao Feng, Tong Chen, Petar Djuric

机构 * School of Engineering, The University of Edinburgh, Edinburgh, UK（工程学院，爱丁堡大学，爱丁堡，英国） 纠错

AI总结 本文提出基于高斯过程回归的知识评分方法，用于评估预测的可信度，并在异常检测等任务中提升性能。

Comments 6 pages, 5 figures, to be published in the Proceedings of the European Signal Processing Conference (EUSIPCO)

EuroGEST: Investigating gender stereotypes in multilingual language models

EuroGEST：研究多语言语言模型中的性别刻板印象

Jacqueline Rowe, Mateusz Klimaszewski, Liane Guillou, Shannon Vallor, Alexandra Birch

机构 * University of Edinburgh（爱丁堡大学） ； Warsaw University of Technology（华沙技术大学） ； Aveni 纠错

AI总结 EuroGEST研究多语言语言模型中的性别刻板印象，通过跨29种欧洲语言的数据集揭示了性别刻板印象的普遍性及模型对刻板印象的编码强度。

Comments In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 32074-32096, Suzhou, China. Association for Computational Linguistics. 9 pages, 5 figures, 1 table

Stuart-Landau Oscillatory Graph Neural Network

Stuart-Landau振荡图神经网络

Kaicheng Zhang, David N. Reynolds, Piero Deidda, Francesco Tudisco

机构 * School of Mathematics ； Maxwell Institute University of Edinburgh Edinburgh UK ； Institute of Applied Mathematics ； Gran Sasso Science Institute L’Aquila Italy ； Maxwell Institute, \ of Edinburgh, Edinburgh UK ； Maxwell Institute University of Edinburgh ； Gran Sasso Science Institute ； Maxwell Institute, \ of Edinburgh 纠错

AI总结 本文提出基于Stuart-Landau振荡器动力学的SLGNN，通过动态演变节点特征幅度，提升图神经网络在节点分类、图分类和图回归任务中的性能。

Verifying Chain-of-Thought Reasoning via Its Computational Graph

通过其计算图验证推理链

Zheng Zhao, Yeskendir Koishekenov, Xianjun Yang, Naila Murray, Nicola Cancedda

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Meta Superintelligence Labs（Meta 超智能实验室） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 通过分析计算图结构特征，提出基于电路的推理验证方法，揭示推理错误的结构指纹并有效纠正模型错误推理。

Comments Accepted to ICLR 2026 (Oral)

Are We Measuring Oversmoothing in Graph Neural Networks Correctly?

我们是否正确地测量图神经网络中的过度平滑现象？

Kaicheng Zhang, Piero Deidda, Desmond Higham, Francesco Tudisco

机构 * School of Mathematics and Maxwell Institute University of Edinburgh（数学系和麦克斯韦研究所爱丁堡大学） ； Gran Sasso Science Institute（格兰萨索科学研究所） ； Scuola Normale Superiore（正常大学） 纠错

AI总结 本文提出通过特征表示的数值或有效秩来测量图神经网络中的过度平滑现象，而非传统基于能量的指标，并通过实验和理论分析证明了该方法的有效性。

Comments Accepted into ICLR 2026

Information-Theoretic Limits of Quantum Learning via Data Compression

量子学习中数据压缩的信息论极限

Armando Angrisani, Brian Coyle, Elham Kashefi

机构 * LIP6, CNRS（CNRS LIP6研究所） ； Sorbonne Université（索邦大学） ； Institute of Physics（物理研究所） ； Ecole Polytechnique Fédérale de Lausanne（日内瓦联邦理工学院） ； School of Informatics（信息学院） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文提出基于量子数据压缩的框架，研究量子数据在PAC学习中的信息论极限，并证明了学习线性函数的最优性。

Comments Version accepted at the IEEE International Conference on Quantum Artificial Intelligence (2025)

Journal ref 2025 IEEE International Conference on Quantum Artificial Intelligence (QAI), Naples, Italy, 2025, pp. 19-26