University of Edinburgh（爱丁堡大学）

Hierarchical Compositionality for An Assistive AI Agent

面向辅助AI智能体的分层组合性

Tianyi Fu, Mohan Sridharan

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

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 29 pages, 9 figures, 4 tables. Project page: this https URL (https://tianyi-fu.github.io/HCAA)

MOSAIC: Modular Orchestration for Structured Agentic Intelligence and Composition

MOSAIC：结构化智能体智能与组合的模块化编排

Yifan Bao, Xinyu Xi, Xinyu Liu, Wen Ge, Lei Jiang, Kevin Zhang, Raad Khraishi, Yihao Ang, Anthony K.H. Tung, Lukasz Szpruch, Hao Ni

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； Data & Analytics, Digital X（Digital X 数据与分析部） ； Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 提出MOSAIC框架，通过结构化智能体编排、记忆驱动的模型选择和蓝图构建，将自动化数据科学转化为可验证、可复用的模型选择问题，在金融时间序列任务中优于AutoML和智能体基线。

Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation

放射科医生引导的因果概念瓶颈模型用于胸部X光解读

Amy Rafferty, Rishi Ramaesh, Ajitha Rajan

机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务） 纠错

AI总结 本文提出XpertCausal模型，通过放射科医生指导的因果方法改进胸部X光解读的可解释性，通过概率性噪声或框架建模病理到概念关系，提升诊断准确性与临床相关性。

Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models

临床感知的合成图像生成用于胸部X光模型的概念覆盖

Amy Rafferty, Rishi Ramaesh, Ajitha Rajan

机构 * University of Edinburgh（爱丁堡大学） ； NHS Lothian（洛锡安国家健康服务） 纠错

AI总结 提出CARPA框架，通过解剖约束的概念扰动生成合成胸部X光图像，扩展临床概念覆盖，提升模型性能与可靠性。

Comments Accepted for presentation at the IJCAI-ECAI 2026 RobustifAI workshop

SkillNet: Create, Evaluate, and Connect AI Skills

SkillNet: 创建、评估和连接AI技能

Yuan Liang, Ruobin Zhong, Haoming Xu, Chen Jiang, Yi Zhong, Runnan Fang, Jia-Chen Gu, Shumin Deng, Yunzhi Yao, Mengru Wang, Shuofei Qiao, Yida Xue, Xin Xu, Tongtong Wu, Kun Wang, Yang Liu, Zhen Bi, Jungang Lou, Yuchen Eleanor Jiang, Hangcheng Zhu, Gang Yu, Haiwen Hong, Longtao Huang, Hui Xue, Chenxi Wang, Yijun Wang, Zifei Shan, Xi Chen, Zhaopeng Tu, Feiyu Xiong, Xin Xie, Peng Zhang, Zhengke Gui, Lei Liang, Jun Zhou, Chiyu Wu, Jin Shang, Yu Gong, Junyu Lin, Changliang Xu, Hongjie Deng, Wen Zhang, Keyan Ding, Qiang Zhang, Fei Huang, Ningyu Zhang, Jeff Z. Pan, Guilin Qi, Haofen Wang, Huajun Chen

机构 * Zhejiang University（浙江大学） ； Tongji University（同济大学） ； Southeast University（东南大学） ； Alibaba Group（阿里巴巴集团） ； Tencent（腾讯） ； Fudan University（复旦大学） ； The University of Edinburgh（爱丁堡大学） ； Monash University（墨尔本大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Huzhou University（湖州大学） ； Hornor Device Co., Ltd（Hornor设备有限公司） ； Hangzhou Institute for Advanced Study, UCAS（杭州先进研究所，UCAS） 纠错

AI总结 SkillNet通过统一的本体和多维评估机制，大规模创建、评估和连接AI技能，提升代理性能并促进技能的持久掌握。

Comments this http URL (http://skillnet.openkg.cn/;) add SkillNet-Gym, a benchmark for evaluating skill retrieval, utilization, composition, and SkillNet-Fabric for task-specific skill routing through lightweight Wikis

Model Merging is Secretly Certifiable: Non-Vacuous Generalisation Bounds for Low-Shot Learning

模型合并具有隐式可认证性：小样本学习的非空泛化界

Taehoon Kim, Henry Gouk, Minyoung Kim, Timothy Hospedales

机构 * School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Samsung AI Center, Cambridge（三星人工智能中心） 纠错

AI总结 该研究建立了模型融合学习与泛化认证的联系，发现仅用100个示例、VIT-B和mistral-7B等模型时，融合式学习可获得非平凡泛化保证，为大模型小样本学习的可信认证提供了新方向。

Comments UAI2026