Imperial College London（帝国理工学院）

Calibrating conditional risk

校准条件风险

Andrey Vasilyev, Yikai Wang, Xiaocheng Li, Guanting Chen

机构 * Imperial College Business School（帝国理工学院商学院） ； Department of Statistics and Operations Research（统计与运筹学系） ； Imperial College London（伦敦帝国理工学院） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文研究了校准条件风险问题，揭示其与标准回归任务的等价性，并在分类和回归中提出理论分析与实验验证，为不确定性量化提供新视角。

Formalising the Logit Shift Induced by LoRA: A Technical Note

对LoRA引起的对数几率偏移进行形式化：技术说明

Xiang Shi, Shuaizhi Cheng, Mingwei Li

机构 * Imperial College London（帝国学院伦敦） ； Harbin Institute of Technology（哈尔滨工业大学） ； KigLand Machine Learning Lab（KigLand机器学习实验室） 纠错

AI总结 本文首次形式化LoRA引起的对数几率偏移及事实边际变化，通过一阶Fréchet近似证明多层LoRA效应可分解为层间贡献的线性求和及高阶余项。

Comments 7 pages, technical note

Algorithm and Hardware Co-Design for Efficient Complex-Valued Uncertainty Estimation

用于高效复值不确定性估计的算法与硬件协同设计

Zehuan Zhang, Mark Chen, He Li, Wayne Luk

机构 * Department of Computing, Imperial College London（帝国理工学院计算机系） ； Southeast University（东南大学） 纠错

AI总结 本文提出基于dropout的贝叶斯复值神经网络，实现复值应用的不确定性量化，并通过自动化搜索方法优化配置，生成定制FPGA加速器，实现更高的性能与更低的硬件成本。

Comments Accepted to 63rd ACM/IEEE Design Automation Conference (DAC '26). 7 pages, 6 figures

Journal ref 63rd ACM/IEEE Design Automation Conference (DAC '26), July 2026

Explainable Speech Emotion Recognition: Weighted Attribute Fairness to Model Demographic Contributions to Social Bias

可解释的语音情绪识别：基于加权属性公平性的模型对社会偏见的贡献

Tomisin Ogunnubi, Yupei Li, Björn Schuller

机构 * Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出一种新的公平性模型，用于评估语音情绪识别中 demographic 属性与模型偏见之间的相互信息，并验证了其在 HuBERT 和 WavLM 模型上的有效性，揭示了性别偏见的存在。

Comments 5 pages, 4 figures

Accumulated Aggregated D-Optimal Designs for Estimating Main Effects in Black-Box Models

累积聚合D-最优设计用于黑盒模型中主效应的估计

Chih-Yu Chang, Ming-Chung Chang

机构 * Department of Mathematics（数学系） ； Institute of Statistical Science（统计科学研究所） ； Imperial College London（伦敦帝国学院） ； Academia Sinica（台湾“中央研究院”） 纠错

AI总结 本文提出A2D2E方法，通过累积聚合D-最优设计减少主效应估计方差，解决黑盒模型中主效应估计的OOD敏感性和特征相关性不稳定性问题。

Tokenised Flow Matching for Hierarchical Simulation Based Inference

基于分层模拟的推理中令牌化流匹配

Giovanni Charles, Cosmo Santoni, Seth Flaxman, Elizaveta Semenova

机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出基于似然因子分解的令牌化流匹配方法，通过单站点模拟训练以提升分层模拟推理效率，并在真实传染病和计算流体动力学模型中验证其效果。

Comments 31 pages, 11 figures