Imperial College London（帝国理工学院）

A Finite Time Analysis of Thompson Sampling for Bayesian Optimization with Preferential Feedback

带有偏好反馈的贝叶斯优化的有限时间分析

Joseph Lazzaro, Davide Buffelli, Da-shan Shiu, Sattar Vakili

机构 * Imperial College London（帝国理工学院伦敦分校） ； MediaTek Research（联发科技研究） 纠错

AI总结 本文提出一种基于偏好反馈的贝叶斯优化的强化学习方法，通过单调链接建模比较并利用双核机制，证明其性能与传统贝叶斯优化方法一致。

Comments AISTATS 2026

Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases

动态决策学习：罕见疾病异常定位的测试时间演化

Jun Li, Mingxuan Liu, Jiazhen Pan, Che Liu, Wenjia Bai, Cosmin I. Bercea, Julia A. Schnabel

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Imperial College London（帝国理工学院伦敦分校） ； University of Trento（特伦托大学） ； King's College London（伦敦国王学院） 纠错

AI总结 本文提出动态决策学习框架，通过优化指令和视觉扰动下的预测整合，提升冻结大视觉语言模型在罕见疾病异常定位中的表现，实验显示其在罕见疾病案例中mAP@75提升达105%。

Uncovering Exotic Paired States in the 2D Spin-Imbalanced Fermi Gas with Neural Wave Functions

在二维自旋不平衡费米气体中利用神经网络波函数揭示异常配对态

Wan Tong Lou, Gino Cassella, Andres Perez Fadon, Halvard Sutterud, David Pfau, James S. Spencer, Johannes Knolle, W. M. C. Foulkes

机构 * Department of Physics, Imperial College London, South Kensington Campus, London SW7 2AZ, United Kingdom（伦敦帝国学院物理系，南肯辛顿校区，伦敦SW7 2AZ，英国） ； DeepMind, 6 Pancras Square, London N1C 4AG, United Kingdom（深度思维公司，6 Pancras Square，伦敦N1C 4AG，英国） ； Munich Center for Quantum Science and Technology (MCQST), 80799 Munich, Germany（慕尼黑量子科学与技术中心（MCQST），慕尼黑，德国） 纠错

AI总结 研究利用神经网络变分蒙特卡洛方法揭示二维自旋不平衡费米气体在零温度相图中异常配对态的形成机制及相变行为。

Comments 23 pages, 17 figures

HearthNet: Edge Multi-Agent Orchestration for Smart Homes

HearthNet：边缘多智能体协调用于智能家居

Zhonghao Zhan, Krinos Li, Yefan Zhang, Hamed Haddadi

机构 * Imperial College London（伦敦帝国学院） ； Independent Researcher（独立研究员） 纠错

AI总结 HearthNet通过边缘多智能体系统解决智能家居中自然语言控制、设备故障和持续协调的问题，采用MQTT、Git共享状态和授权租赁实现设备管理。

Comments (CAIS 2026) Proceedings of the ACM Conference on AI and Agentic Systems, Demo Track

Bayesian Inverse Transition Learning: Learning Dynamics From Near-Optimal Trajectories

贝叶斯逆向转移学习：从近优轨迹中学习动态

Leo Benac, Abhishek Sharma, Sonali Parbhoo, Finale Doshi-Velez

机构 * Harvard University（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出逆向转移学习方法，通过近优轨迹的有限覆盖作为特征，结合贝叶斯方法估计动态，提升决策质量并指导迁移成功判断。