Imperial College London（帝国理工学院）

Provably Safe Model Updates

可证明安全的模型更新

Leo Elmecker-Plakolm, Pierre Fasterling, Philip Sosnin, Calvin Tsay, Matthew Wicker

机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校） ； School of Computer and Comm. Sciences (IC)（计算机与通信科学系） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 本文提出可证明安全的模型更新框架，通过计算最大局部不变域来确保模型更新的安全性，有效避免遗忘并提供形式化安全保证。

Comments 12 pages, 9 figures. This work has been accepted for publication at SaTML 2026. The final version will be available on IEEE Xplore

Learning Coordinate-based Convolutional Kernels for Continuous SE(3) Equivariant and Efficient Point Cloud Analysis

学习基于坐标的卷积核以实现连续SE(3)等价性和高效的点云分析

Jaein Kim, Hee Bin Yoo, Dong-Sig Han, Byoung-Tak Zhang

机构 * Interdisciplinary Program in Neuroscience, Seoul National University（首尔国立大学神经科学跨学科项目） ； Département d’Informatique, École Normale Supérieure (ENS)（规范高等学校计算机系） ； Department of Computing, Imperial College London（伦敦帝国学院计算系） ； Department of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系） 纠错

AI总结 本文提出ECKConv，通过坐标基网络设计实现SE(3)等价性和高效点云处理，在分类、姿态注册等任务中验证了其性能优势。

Comments Accepted at CVPR 2026

Neuron-Level Emotion Control in Speech-Generative Large Audio-Language Models

语音生成大音频-语言模型中的神经层面情感控制

Xiutian Zhao, Ismail Rasim Ulgen, Philipp Koehn, Björn Schuller, Berrak Sisman

机构 * 1 Center for Language ； Speech Processing (CLSP), Johns Hopkins University, USA 2 Group on Language, Audio \& Music (GLAM), Imperial College London, UK 纠错

AI总结 本文首次在语音生成大音频-语言模型中研究神经层面的情感控制，通过识别紧凑的情感敏感神经元（ESNs）实现无需训练的情感引导，实验表明其在不同模型上均能提升情感表现并支持自动与人工评估。

Comments 11 pages, 10 figures

Pixel-level Counterfactual Contrastive Learning for Medical Image Segmentation

像素级反事实对比学习用于医学图像分割

Marceau Lafargue-Hauret, Raghav Mehta, Fabio De Sousa Ribeiro, Mélanie Roschewitz, Ben Glocker

机构 * Department of Computing, Imperial College London, UK（帝国理工学院伦敦分校计算机系） 纠错

AI总结 本文提出结合反事实生成与密集对比学习的DVD-CL和MVD-CL方法，利用银标准标注提升医学图像分割的鲁棒性，实验表明无标注DVD-CL在挑战性数据上达到94%的DSC。

Comments Accepted at ISBI-2026 (oral presentation)

LMOD+: A Comprehensive Multimodal Dataset and Benchmark for Developing and Evaluating Multimodal Large Language Models in Ophthalmology

LMOD+: 一个全面的多模态数据集和基准，用于开发和评估眼科中的多模态大语言模型

Zhenyue Qin, Yang Liu, Yu Yin, Jinyu Ding, Haoran Zhang, Anran Li, Dylan Campbell, Xuansheng Wu, Ke Zou, Tiarnan D. L. Keenan, Emily Y. Chew, Zhiyong Lu, Yih Chung Tham, Ninghao Liu, Xiuzhen Zhang, Qingyu Chen

机构 * School of Medicine, Yale University（耶鲁大学医学院） ； School of Computing, Australian National University（澳大利亚国立大学计算机学院） ； School of Engineering, Imperial College London（伦敦帝国理工学院工程学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学杨秀隆医学学院） ； National Eye Institute, National Institutes of Health（美国国立卫生研究院眼科研究所） ； National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算机技术学院） 纠错

AI总结 本文提出一个包含32633个实例的多模态眼科基准数据集，涵盖12种常见眼科疾病和5种成像模态，通过扩展数据集、扩展任务覆盖和系统评估24种最先进的MLLMs，推动眼科AI应用发展。

Comments ACM Transactions on Computing for Healthcare