University of Cambridge（剑桥大学）

MAGneT-3D: Monocular and Domain-Generalizable Temporal 3D Detection

MAGneT-3D：单目与领域通用的时序3D检测

Mohamed Kotb, Johannes Meier, Christoph Reich, Oussema Dhaouadi, Luis Denninger, Daniel Cremers

机构 * TU Munich（慕尼黑工业大学） ； TU Darmstadt（达姆施塔特工业大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对单目时序3D检测中基于查询的模型泛化能力差的问题，提出首个领域通用单目时序3D检测方法MAGneT-3D，采用DRAG与TRIM策略，在跨数据集基准上零样本域偏移下NDS提升至18.6%。

Comments To appear at ECCVW 2026 (DriveX workshop; Oral paper). Johannes Meier and Mohamed Kotb - both authors contributed equally. Project page: this https URL (https://mo-sameh.github.io/MAGneT-3D-Project-Page/)

Sampling-Based Coordination-Informed Multi-Objective Multi-Robot Reinforcement Learning

基于采样的协调感知多目标多机器人强化学习

Antonio Marino, Esteban Restrepo, Soon-jo Chung, Paolo Robuffo Giordano, Claudio Pacchierotti

机构 * University of Cambridge（剑桥大学） ； CNRS, Univ Rennes, Inria, IRISA（法国国家科学研究中心、雷恩大学、法国国家信息与自动化研究所、IRISA） ； California Institute of Technology（加州理工学院） 纠错

AI总结 提出CIMORL框架，通过分布式权重预测、特权专家训练和采样变体（CIMORL-TS/MPPI），在合作与对抗场景中实现Pareto最优解，超体积提升21.2%。

Comments 20 pages, 11 figures, 4 tables

Data-driven registration and modeling of brain deformation for image-guided neurosurgery

数据驱动的图像配准与变形建模在图像引导神经外科中的应用：系统综述

Tiago Assis, Colin P. Galvin, Joshua P. Castillo, Nazim Haouchine, Marta Kersten-Oertel, Zeyu Gao, Mireia Crispin-Ortuzar, Stephen J. Price, Thomas Santarius, Yangming Ou, Sarah Frisken, Nuno C. Garcia, Alexandra J. Golby, Reuben Dorent, Ines P. Machado

机构 * LASIGE, Faculty of Sciences, University of Lisbon（里斯本大学科学学院LASIGE） ； Department of Neurosurgery and Department of Radiology, Brigham and Women's Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院神经外科与放射科） ； Gina Cody School of Engineering and Computer Science, Concordia University（康科迪亚大学工程与计算机科学学院） ； Cancer Research UK Cambridge Centre, University of Cambridge（剑桥大学癌症研究英国中心） ； Department of Oncology, University of Cambridge（剑桥大学肿瘤科） ； Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系） ； Computational Health Informatics Program (CHIP) and Department of Radiology, Boston Children's Hospital, Harvard Medical School（哈佛医学院波士顿儿童医院计算健康信息学计划与放射科） ； Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM（索邦大学巴黎脑研究所-ICM） 纠错

AI总结 系统综述2020-2025年间基于学习的脑变形补偿方法，包括深度学习配准、变形场回归、多模态对齐、切除感知架构及混合模型，指出当前方法在鲁棒性、标准化基准、可解释性和临床部署方面的局限，并展望未来研究方向。

Comments 41 pages, 7 figures, 9 tables. Final postprint version available in Medical Image Analysis at this https URL (https://doi.org/10.1016/j.media.2026.104217)

Mind the Context: Continual Learning of Socially Appropriate Robot Actions via Environmental-Social Disentanglement

关注上下文：通过环境-社会解耦实现社会适配机器人动作的持续学习

Rafal Robert Karpinski, Fethiye Irmak Dogan, Nikhil Churamani, Yiming Luo, Maartje M. A. de Graaf, Davide Dell'Anna, Hatice Gunes

机构 * Utrecht University（乌得勒支大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 该研究针对社交机器人在多样上下文场景下的持续学习问题，提出EDD框架解耦环境与社会知识，缓解遗忘，性能优于现有基线，相关代码已公开。

Comments Extended version of the paper accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

Reconstructing Historical Manuscripts through MSI: The Potential of Contrast in Assessing Image Quality and Legibility

通过多光谱成像（MSI）重建历史手稿：对比度在评估图像质量与可读性中的潜力

Anna Breger

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 该研究针对历史手稿修复质量评估难题，以公开多光谱成像数据集开展实验，发现基于对比度的图像质量指标优于通用指标，可作为手稿可读性与重建质量的客观评估工具。

Comments 8 pages main paper, 7 pages Supplementary Material

Journal ref 17th IAPR International Workshop on Document Analysis Systems at 20th International Conference on Document Analysis and Recognition (ICDAR), Vienna 2026

Embedding networks with the random walk first return time distribution

基于随机游走首次返回时间分布的嵌入网络

Vedanta Thapar, Renaud Lambiotte, George T. Cantwell

机构 * The Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

AI总结 本文提出基于随机游走首次返回时间分布的节点嵌入方法，通过数学原理和实验验证，展示了其在复杂网络分析中的有效性。

Earth observation embeddings are effective sub-grid descriptors for probabilistic weather downscaling

地球观测嵌入是概率性天气降尺度的有效亚网格描述符

Pedro Sousa, Will Tebbutt, Sadiq Jaffer, Robin Young, Anil Madhavapeddy, Richard E. Turner

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 该研究提出用TESSERA嵌入增强卷积条件神经过程，用于概率性天气降尺度，在五个气候区提升了2米温度和10米风速的降尺度技能，且对不同变量和新站点均有效。

Comments 39 pages, 12 figures, 6 tables

ComBodied Agents: a New Paradigm of Human-Centric Agentic AI

具身融合智能体：以人为中心的智能体人工智能新范式

Qianggang Ding, Xingyao Wang, Rui Feng, Zhibin Wang, Feixiang Yao, Kelong Mao, Hao Sun, Zhiyao Luo, Jiankai Tang, Lei Li, Jiadong Guo, Minheng Ni, Weicong Lin, Chenxi Yang, Hongxiang Gao, Zhenghua Chen, Yang Bai, Min Wu, Jun Cheng, Huazhu Fu, Dacheng Tao, Bang Liu

机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。

Comments 38 pages, 6 figures, 10 tables

A Variational Analysis of Kernel Learning with Learnable Linear Transformations

带有可学习线性变换的核学习的变分分析

Yang Li, Feng Ruan

机构 * Cambridge University, Department of Pure Mathematics and Mathematical Statistics（剑桥大学数学系） ； Northwestern University, Department of Statistics and Data Science（西北大学统计与数据科学系） 纠错

AI总结 本文对引入可学习线性变换 $U$ 的核岭回归推广问题进行变分分析，研究其数学性质，重点关注多尺度与多指标数据场景下变换 $U$ 的作用。

Comments 68 pages, revised version

Masked Neural Detection for Run-Length-Limited Channel Coding in Molecular Communication

分子通信中约束信道编码的掩码神经检测

Melih Şahin, Ozgur B. Akan

机构 * Centre for neXt Communications (CXC), Department of Engineering, University of Cambridge（下一代通讯中心（CXC）、工程系、剑桥大学） ； Centre for neXt Communications (CXC), Department of Electrical and Electronics Engineering, Koç University（下一代通讯中心（CXC）、电子与电气工程系、科克大学） 纠错

AI总结 针对分子通信中的扩散记忆问题，提出掩码神经检测器，结合RLIM约束码与SBRNN，在多数情况下优于未编码检测，平均增益达10.36倍，并设计RLIM定制训练掩码进一步提升性能。

Comments 5 pages, 2 figures, 3 tables

On Effectiveness and Efficiency of Agentic Tool-calling and RL Training

论智能体工具调用与强化学习训练的有效性与效率

Tong Liu, Cheng Qian, Matej Cief, Yuan He, Daniele Dan, Nikolaos Aletras, Gabriella Kazai

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文系统分析工具调用评估中的实现选择对结果敏感性的影响，并针对强化学习训练中的计算浪费提出两种加速技术。

Comments ICML 2026

Astrolabe: Balancing Load in LLM Serving with Randomized Prediction-Guided Scheduling

Astrolabe：基于随机预测引导调度的大语言模型服务负载均衡

Wei Da, Evangelia Kalyvianaki

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出Astrolabe，一种用于LLM服务的随机预测引导调度器，结合响应长度估计等策略实现负载均衡，在多组基准测试中提升SLO容量、降低延迟并减少资源开销。

Comments 16 pages. Accepted at SYSTOR 2026. Camera-ready version with expanded evaluation and revisions. Previously circulated as "Block"; renamed "Astrolabe" to match the SYSTOR publication title

A continually expandable foundation model for brain MRI

可持续扩展的脑MRI基础模型

Michail Mamalakis, Carmen Jimenez-Mesa, Yonghao Li, Hao Chen, Chao Li, Antonios Mamalakis, John Suckling, Richard Bethlehem, Stephen J. Price, Richard J. Gilbertson, Pietro Lio

机构 * University of Cambridge（剑桥大学） ； University of Málaga（马拉加大学） 纠错

AI总结 本文提出可扩展的Alcmaeon脑MRI基础模型，结合体积编码、潜在扩散生成与Graph-Blueprint Pruning，在跨临床领域扩展时遗忘程度更低，可支持多种任务，为持续发展的脑MRI基础模型提供了可行方向。

Human agency in initial human-AI proof formalization workflows

表征初始人机交互的证明形式化工作流

Katherine M. Collins, Simon Frieder, Jonas Bayer, Jacob Loader, Jeck Lim, Peiyang Song, Fabian Zaiser, Lexin Zhou, Shanda Li, Sam Looi, Joshua B. Tenenbaum, Umang Bhatt, Adrian Weller, Jose Hernandez-Orallo, Cameron E. Freer, Valerie Chen, Ilia Sucholutsky

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Cambridge（剑桥大学） ； Princeton University（普林斯顿大学） ； University of Oxford（牛津大学） ； Caltech（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； New York University（纽约大学） 纠错

AI总结 通过混合方法分析，研究人们在形式化证明过程中对AI工具的需求、障碍及实际使用模式，发现AI辅助能提高形式化准确率且用户偏好多样但普遍希望保持人类对证明发现过程的高层控制。

Comments Updated working paper

Retrieval-Augmented Defense: Adaptive and Controllable Jailbreak Prevention for Large Language Models

检索增强防御：针对大语言模型的自适应且可控制的越狱防范

Guangyu Yang, Jinghong Chen, Jingbiao Mei, Weizhe Lin, Bill Byrne

机构 * Department of Engineering University of Cambridge（工程系剑桥大学） 纠错

AI总结 针对大语言模型越狱攻击的挑战，提出检索增强防御（RAD）框架，在StrongREJECT数据集上验证其可降低强力越狱攻击有效性，同时平衡安全性与实用性。

LF${}^{2}$AR: Accounting for Layerwise Dynamics to Improve Multimodal Adaptation of Language Models

LF²AR：考虑分层动态以改进语言模型的多模态适配

Santiago Cuervo, Adel Moumen, Yanis Labrak, Sameer Khurana, Antoine Laurent, Mickael Rouvier, Phil Woodland, Ricard Marxer

机构 * Université de Toulon, Aix-Marseille Université, CNRS, LIS, France（法国图卢兹大学、马赛大学、CNRS、LIS） ； Department of Engineering, University of Cambridge, UK（剑桥大学工程系） ； Mitsubishi Electric Research Laboratories (MERL), Cambridge, MA, USA（三菱电机研究实验室（MERL）） ； LIA, Avignon Université, France（法国阿维尼翁大学LIA） ； LIUM, Le Mans Université, France（法国勒芒大学LIUM） ； Zenidoc, Marseille, France（法国马赛Zenidoc） 纠错

AI总结 本研究提出LF²AR架构，通过分层抽象-细化动态设计适配机制，在文本转图像、语音模态上提升语言模型性能，支持1.9倍生成加速。

Comments Published as a conference paper at COLM 2026

How Should I Pick a Foundation Model for My Robot? In Favor of a Community Evaluation Framework for Social Robots

我该如何为我的机器人选择基础模型？支持社会机器人的社区评估框架

Eric Nichols, Alva Markelius, Hatice Gunes

机构 * Honda Research Institute Japan（本田研究所日本分部） ； University of Cambridge（剑桥大学） 纠错

AI总结 针对社会机器人选择基础模型的难题，本文提出三层评估漏斗范式，梳理五个评估维度的适用评估方法，呼吁社区共建评估框架。

Comments 5 pages, 1 figure, 1 table. Accepted at the FoRMA workshop (Foundation Models in the RO-MAN Age: Responsible Development for Social Robotics) at IEEE RO-MAN 2026, Kitakyushu, Japan. Workshop homepage: https://sites.google.com/cam.ac.uk/forma/

ADIAS: Automated Design of Interactive Agentic Systems

ADIAS：交互式智能体系统的自动化设计

Lekang Jiang, Bohan Tang, Stephan Goetz, Yiwen Guo

机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯） 纠错

AI总结 本研究针对现有智能体设计方法的缺陷，提出以问题为中心的优化方案，构建ADIAS框架，在五个交互式基准中较最强基线平均提升25.2%，消融实验验证了关键机制的有效性。

Comments 23 pages, 7 tables, 5 figures

Beyond Structural Symmetries: Linear Mode Connectivity via Neuron Identifiability

超越结构对称性：通过神经元可辨识性实现线性模式连通性

Vincent Bürgin, Daniel Herbst, Ya-Wei Eileen Lin, Stefanie Jegelka

机构 * DeepMind, London, UK（伦敦英国深Mind公司） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文通过提出有效函数类理论框架并形式化神经元可辨识性，揭示了神经网络中即使结构不对称也存在大量近似等价解，并展示了神经元可辨识性如何无需先验对齐即可实现表示合并及线性低损失路径。

Comments Accepted at ICML 2026

Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning

尺度思考：通过自适应连续推理加速千兆像素病理图像分析

Jiusong Ge, Yingkang Zhan, Wenjie Zhao, Di Zhang, Ke Wang, Jiashuai Liu, Chunze Yang, Chengzu Li, Jian Zhang, Yuxin Dong, Ni Zhang, Qidong Liu, Mireia Crispin-Ortuzar, Huazhu Fu, Chen Li, Zeyu Gao

机构 * School of Computer Science（计算机科学学院） ； Technology, Xi’an Jiaotong University, Xi’an, China（技术学院，西安交通大学，西安，中国） ； Department of Transmedia Art, Xi’an Academy of Fine Arts, Xi’an, China（多媒体艺术系，西安美术学院，西安，中国） ； Department of Oncology, University of Cambridge, Cambridge, U.K.（肿瘤学系，剑桥大学，剑桥，英国） ； Language Technology Lab, University of Cambridge, Cambridge, U.K.（语言技术实验室，剑桥大学，剑桥，英国） ； Institute of High Performance Computing, Agency for Science, Technology（高性能计算研究所，科技研究局） 纠错

AI总结 提出PathCTM模型，通过动态尺度切换和注意力引导的区域剪枝实现高效连续推理，大幅减少计算开销并保持诊断性能。

Comments Accepted to ICML 2026

BendTwin: Robust Dense-to-Sparse Physical Reconstruction with Bending-Aware Differentiable Spring-Mass Models

BendTwin：基于弯曲感知可微分弹簧-质量模型的鲁棒密到稀物理重建

Yixiong Jing, Qi Wang, Lin Chen, Junwei Jiang, Guangming Wang, Haibing Wu, Olaf Wysocki, Wanli Ma, Brian Sheil

机构 * University of Cambridge（剑桥大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Northwestern Polytechnical University（西北工业大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 BendTwin是一种弯曲感知可微分弹簧-质量框架，通过引入弯曲约束提升力学稳定性，在可变形物体重建与预测任务中优于仅用轴向弹簧的PhysTwin，可用于从稀疏视角RGB-D视频构建力学保真数字孪生。

MameLoshnLM: Yiddish Language Model and Evaluation Benchmark

MameLoshnLM：意第绪语语言模型与评估基准

Uri Katz, Omer Goldman, Tomasz Limisiewicz, Reut Tsarfaty, Noah A. Smith

机构 * Bar-Ilan University（巴伊兰大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（艾伦人工智能研究所） 纠错

AI总结 该研究推出首个专为意第绪语构建的开源8B参数语言模型MameLoshnLM，通过自研语料库与基准优化Llama 3.1 8B，其表现优于同规模开源基线，为意第绪语NLP及低资源语言模型开发提供了基础与模板。

Comments Accepted at the Conference on Language Modeling (COLM) 2026

TESSERA v2: Scaling Pixel-wise Earth Foundation Models

TESSERA v2：扩展逐像素地球基础模型

Zhengpeng Feng, Sadiq Jaffer, Ira Shokar, Jovana Knezevic, James Ball, Pedro Sousa, Mark Elvers, Madeline Lisaius, Clement Atzberger, Robin Young, Aneesh Naik, Niall Robinson, David Coomes, Anil Madhavapeddy, Srinivasan Keshav

机构 * University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； dClimate Labs（dClimate实验室） 纠错

AI总结 研究逐像素地球观测基础模型的扩展及预训练预算分配，通过大规模实验发现预训练损失难预测下游性能，给出计算分配规则，训练并蒸馏模型，其成果优于其他模型。

Skill Neologisms: Towards Skill-based Continual Learning

技能新词：迈向基于技能的持续学习

Antonin Berthon, Nicolas Astorga, Mihaela van der Schaar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种基于技能的新词（skill neologisms）方法，通过在模型词汇中集成软token，以提高模型在特定技能上的能力，同时支持零样本组合其他技能，从而实现可扩展的基于技能的持续学习。

Physics-informed reduced-order modelling with equivariant spectral submanifolds

基于等变谱子流形的物理信息降阶建模

Georg Maierhofer

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本研究提出等变谱子流形（eSSM）降阶算法，利用全阶模型对称性提升计算速度与模型鲁棒性，在基准问题上验证了其相比传统SSM降阶的优势。

HiResNets: Native Full-HD Video Recognition with Foveal Residual Streams

HiResNets：使用中央凹残差流的原生全高清视频识别

Shivani Mall, Swarnim Jain, Joao F. Henriques

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； VGG（视觉几何组） 纠错

AI总结 该研究提出HiResNets，利用中央凹残差流消除残差流分辨率的二次依赖，实现快速处理高分辨率视频，在以自我为中心的视频识别任务中性能更优。

Signal-Driven Observation for Long-Horizon Web Agents

信号驱动观测：面向长程任务的Web智能体

Shubham Gaur, Ian Lane

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出信号驱动观测（SDO）方法，通过专用子调用读取完整DOM但仅返回任务相关元素，并由轻量信号检测器触发重新调用，解决长程Web智能体中上下文退化问题。

Comments 10 pages, 1 figure. Accepted to the Failure Modes in Agentic AI (FAGEN) Workshop at ICML 2026

1-Lipschitz Neural Networks on Hadamard Manifolds

哈达玛流形上的1-利普希茨神经网络

Davide Murari, Marta Ghirardelli, Ben Adcock, Elena Celledoni, Brynjulf Owren, Carola-Bibiane Schönlieb

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mathematical Sciences, Norwegian University of Science and Technology (NTNU)（数学科学系，挪威科学技术大学（NTNU）） ； Department of Mathematics, Simon Fraser University（数学系，西蒙·弗雷泽大学） 纠错

AI总结 研究在哈达玛流形上构建1-利普希茨神经网络，利用布泽曼函数设计保形层，通过双曲流形和对称正定矩阵流形的显式构造与示例，经两个数值实验测试，提升了网络在双曲扰动下的鲁棒性及去噪器效果与收敛性。

Think Fast: Estimating No-CoT Task-Completion Time Horizons of Frontier AI Models

快速思考：估计前沿AI模型的无思维链任务完成时间范围

Dewi Gould, Francis Rhys Ward, Anders Cairns Woodruff, Rauno Arike, Josh Hills, Alex Serrano, Ida Caspary, Jason Ross Brown, Jo J. Jiao, Patrick Leask, Twm Stone, Ram Potham, Ionut Gabriel Stan, Harry Mayne, Simeon Hellsten, Shubhorup Biswas, Ariana Azarbal, William L. Anderson, Elle Najt, Ryan Greenblatt, Julian Stastny

机构 * Redwood Research（红木研究） ； Astra Fellows Program（Astra 后援计划） ； Aether Research（Aether 研究） ； MATS Research（MATS 研究） ； Polytechnic University of Catalonia（加泰罗尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） ； University of Cambridge（剑桥大学） ； University of Chicago（芝加哥大学） ； Durham University（杜伦大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； University of Glasgow（格拉斯哥大学） ； Constellation（星座） 纠错

AI总结 本研究通过超过3万个问题测试前沿AI模型在无思维链推理下的表现，估计其50%任务完成时间范围，发现该时间每约两年翻一番，GPT-5.5已达3分钟以上。

Deep Learning-Based Estimation of Ground Reaction Forces in Parkinsonian Gait Using an Optimized Set of IMU Data

基于深度学习的帕金森步态地面反作用力估计：使用优化的IMU数据集

Run Lin, Yingtian Tang, Jiawen Xu, Dongfei Huo, Lefan Wang, Helen Dawes, Dominic J. Farris, Dong Wang, Xijin Hua

机构 * University of Exeter（埃克塞特大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； University of Cambridge（剑桥大学） ； University of Exeter Medical School（埃克塞特大学医学院） ； NIHR Exeter BRC（英国国立卫生研究院埃克塞特生物医学研究中心） 纠错

AI总结 本研究首次提出混合CNN-BiLSTM深度学习框架，用优化的IMU数据集估计帕金森患者垂直地面反作用力，仅需2个IMU即可实现稳健估计，为相关可穿戴系统提供实用方案。

Comments 13 pages, 5 figures, 6 tables. Published in IEEE Transactions on Neural Systems and Rehabilitation Engineering

Journal ref IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 34, pp. 2729-2740, 2026