Imperial College London（帝国理工学院）

Preliminary Insights in Chronos Frequency Data Understanding and Reconstruction

对Chronos频率数据理解与重建的初步见解

Alessandro Pagani, Marco Cominelli, Liying Han, Gaofeng Dong, Sergio Benini, Francesco Gringoli, Mattia Savardi, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Daniel O. Brigham, Kara Combs, Lance M. Kaplan, Federico Cerutti

机构 * Ohio University（俄亥俄大学） ； DEVCOM Army Research Lab（陆军研究实验室） ； Cardiff University（卡迪夫大学） ； University of Southampton（南安普顿大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文探讨Chronos基础模型处理频率域信息的能力，通过分析离散正弦波等简单信号，揭示模型内部表示中频率信息的捕获机制及质量退化现象，为信号处理和信息融合提供实践指导。

Topological Signatures of Grokking

Grokking 的拓扑特征

Yifan Tang, Qiquan Wang, Inés García-Redondo, Anthea Monod

机构 * Imperial College London（帝国学院伦敦） ； Queen Mary University of London（女王玛丽大学伦敦） ； University of Fribourg（弗里堡大学） 纠错

AI总结 通过拓扑学视角研究Grokking现象，利用持久同调分析嵌入矩阵的点云，发现H1同调的持久性显著增加，揭示了任务的循环结构。持久同调为表示学习提供了统一的几何和拓扑描述，且与泛化而非记忆相关。

Comments 19 pages, 14 figures, 2 tables

End-to-End Identifiable and Consistent Recurrent Switching Dynamical Systems

端到端可识别且一致的递归切换动力学系统

Carles Balsells-Rodas, Zhengrui Xiang, Xavier Sumba, Yingzhen Li

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出ΩSDS方法，通过流估计器实现精确似然优化，解决深度生成模型中序列数据可识别性问题，提升潜在结构恢复和动态预测准确性。

When Agents Handle Secrets: A Survey of Confidential Computing for Agentic AI

当代理处理秘密：关于代理AI的保密计算调查

Javad Forough, Marios Kogias, Hamed Haddadi

机构 * Department of Computing Imperial College London London, United Kingdom（计算系帝国理工学院伦敦英国） 纠错

AI总结 本文探讨了代理AI中保密计算的应用，分析了六个TEE平台的设计，提出了基于代理的威胁模型，并指出了六个开放挑战，旨在为生产级代理AI提供安全基础。

A Basin-Selection Perspective on Grokking via Singular Learning Theory

从奇异学习理论的角度看通过奇异学习理论实现的grokking现象

Ben Cullen, Sergio Estan-Ruiz, Riya Danait, Jiayi Li

机构 * Department of Computer Science（计算机科学系） ； Department of Mathematics（数学系） ； Mathematical Institute（数学研究所） ； University of Pisa（比萨大学） ； Imperial College London（伦敦帝国学院） ； University of Oxford（牛津大学） ； Section of Mathematics and Artificial Intelligence（数学与人工智能系） ； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学和遗传学研究所） ； Center for Systems Biology（系统生物学中心） ； Faculty of Mathematics（数学系） ； TU Dresden（德累斯顿技术大学） 纠错

AI总结 本文从奇异学习理论的角度研究grokking现象，通过分析损失景观的几何特性，探讨了记忆到泛化过渡的机制，并推导了浅层二次网络中局部学习系数的解析公式。

EvalSense: A Framework for Domain-Specific LLM (Meta-)Evaluation

EvalSense：一种用于领域特定LLM（元）评估的框架

Adam Dejl, Jonathan Pearson

机构 * Imperial College London（伦敦帝国学院） ； NHS England Transformation Directorate（英格兰国家健康服务转型 Directorate） 纠错

AI总结 本文提出EvalSense框架，用于构建领域特定的LLM评估套件，通过交互式指南和元评估工具提高评估方法的可靠性与灵活性。

Comments Accepted to EACL 2026 System Demonstrations

Journal ref Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 3: System Demonstrations), 480-491. 2026

Evaluating Uncertainty Quantification Methods in Argumentative Large Language Models

评估论证大语言模型中的不确定性量化方法

Kevin Zhou, Adam Dejl, Gabriel Freedman, Lihu Chen, Antonio Rago, Francesca Toni

机构 * Imperial College London（帝国理工学院伦敦分校） ； King’s College London（伦敦国王学院） 纠错

AI总结 本文评估了在论证大语言模型中不同不确定性量化方法在声明验证任务中的性能，发现直接提示法效果优于复杂方法。

Comments Accepted at EMNLP Findings 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, 21700-21711. 2025

CIGaRS I: Combined simulation-based inference from type Ia supernovae and host photometry

CIGaRS I: 从Ia型超新星和宿主光度观测联合模拟推断

Konstantin Karchev, Roberto Trotta, Raul Jimenez

机构 * Theoretical and Scientific Data Science, International School for Advanced Studies (SISSA), Trieste, Italy（1 理论与科学数据科学，国际先进研究学院（SISSA），意大利特里este） ； Institute of Cosmos Sciences (ICC), University of Barcelona, Barcelona, Spain（2 大学巴塞罗那宇宙科学研究所（ICC），西班牙巴塞罗那） ； Department of Physics, Imperial College London, London, UK（3 物理系，伦敦帝国理工学院，英国伦敦） ； Institute for Fundamental Physics of the Universe (IFPU), Trieste, Italy（4 宇宙基本物理研究所（IFPU），意大利特里este） ； Italian Research Center on High-Performance Computing, Big Data and Quantum Computing (ICSC), Casalecchio di Reno, Italy（5 意大利高性能计算、大数据和量子计算研究中心（ICSC），意大利Casalecchio di Reno） ； Catalan Institution for Research and Advanced Studies (ICREA), Barcelona, Spain（6 哥伦布研究与高级研究机构（ICREA），西班牙巴塞罗那） 纠错

AI总结 本文提出一个统一的贝叶斯分层模型，利用光度观测推断Ia型超新星的固有亮度与前身属性的关系、延迟时间分布及宇宙学参数，并通过模拟展示该方法在光度数据中的应用和优势。

Comments published in Nature Astronomy

On the notion of missingness for path attribution explainability methods in medical settings: Guiding the selection of medically meaningful baselines

关于医疗场景中路径归因解释方法中缺失性概念的探讨：指导选择具有医学意义的基线

Alexander Geiger, Lars Wagner, Daniel Rueckert, Dirk Wilhelm, Alissa Jell

机构 * Research Group MITI, Technical University of Munich（慕尼黑技术大学MITI研究组） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（慕尼黑技术大学人工智能在医疗健康中的chair及慕尼黑技术大学医院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Surgery, Technical University of Munich（慕尼黑技术大学外科系） 纠错

AI总结 本文探讨医疗场景中路径归因解释方法中缺失性的概念，提出更严格的语义缺失性定义，通过合成反事实生成模型验证了反事实基线在提高归因准确性方面的有效性。

Contestable AI needs Computational Argumentation

可争议的AI需要计算论辩

Francesco Leofante, Hamed Ayoobi, Adam Dejl, Gabriel Freedman, Deniz Gorur, Junqi Jiang, Guilherme Paulino-Passos, Antonio Rago, Anna Rapberger, Fabrizio Russo, Xiang Yin, Dekai Zhang, Francesca Toni

机构 * Computational Logic and Argumentation Group, Department of Computing, Imperial College London, UK（计算逻辑与论证组，计算系，伦敦帝国学院，英国） 纠错

AI总结 本文探讨如何通过计算论辩实现可争议的AI，强调动态可解释性和决策过程的重要性，以支持机器与人类或机器间的互动和争议解决。

Comments Accepted at KR 2024

Journal ref Proceedings of the International Conference on Principles of Knowledge Representation and Reasoning, 21, 888-896. 2024

Argumentative Large Language Models for Explainable and Contestable Claim Verification

用于可解释和可争议主张验证的论证大型语言模型

Gabriel Freedman, Adam Dejl, Deniz Gorur, Xiang Yin, Antonio Rago, Francesca Toni

机构 * Department of Computing, Imperial College London, UK（伦敦帝国学院计算机系） 纠错

AI总结 本文提出论证大型语言模型（ArgLLMs），通过引入论证推理增强LLMs，使其决策可解释且可争议，通过实验验证其在主张验证任务中的性能。

Comments 18 pages, 18 figures. Accepted as an oral presentation at AAAI 2025

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(14), 14930-14939. 2025

Meta-learning for sample-efficient Bayesian optimisation of fed-batch processes

为Fed-batch过程的样本高效贝叶斯优化设计元学习

Becky Langdon, Gabriel D. Patrón, Chrysoula D. Kappatou, Robert M. Lee, Behrang Shafei, Jixiang Qing, Ruth Misener, Mark van der Wilk, Calvin Tsay

机构 * Department of Computing, Imperial College London, United Kingdom（帝国理工学院伦敦分校计算机系） ； BASF SE, Ludwigshafen, Germany（巴斯夫股份有限公司，德国路德维希沙芬） ； School of Mathematical Sciences, Lancaster University, United Kingdom（兰卡斯特大学数学科学学院） ； Department of Computer Science, University of Oxford, United Kingdom（牛津大学计算机科学系） 纠错

AI总结 本文提出System-Aware Neural ODE Processes作为元学习模型，提升贝叶斯优化在低数据场景下的优化性能，通过青霉素批生产案例验证其在不同分布批次中的泛化能力。

Comments 24 pages, 12 figures

Feature Starvation as Geometric Instability in Sparse Autoencoders

稀疏自编码器中的特征枯竭作为几何不稳定性

Faris Chaudhry, Keisuke Yano, Anthea Monod

机构 * Imperial College London South Kensington Campus（伦敦帝国理工学院南肯辛顿校区） ； Institute for Statistical Mathematics（统计数学研究所） 纠错

AI总结 本文提出了一种自适应弹性净稀疏自编码器（AEN-SAEs），通过引入ℓ2结构项和自适应ℓ1重新加权，解决稀疏自编码器中的特征枯竭问题，同时保持重建能力。

Comments 26 pages, 3 figures, 5 tables

Position: agentic AI orchestration should be Bayes-consistent

位置：代理AI协调应具有贝叶斯一致性

Theodore Papamarkou, Pierre Alquier, Matthias Bauer, Wray Buntine, Andrew Davison, Gintare Karolina Dziugaite, Maurizio Filippone, Andrew Y. K. Foong, Vincent Fortuin, Dimitris Fouskakis, Jes Frellsen, Eyke Hüllermeier, Theofanis Karaletsos, Mohammad Emtiyaz Khan, Nikita Kotelevskii, Salem Lahlou, Yingzhen Li, Fang Liu, Clare Lyle, Thomas Möllenhoff, Konstantina Palla, Maxim Panov, Yusuf Sale, Kajetan Schweighofer, Artem Shelmanov, Siddharth Swaroop, Martin Trapp, Willem Waegeman, Andrew Gordon Wilson, Alexey Zaytsev

机构 * ESSEC Business School（ESSEC商学院） ； VinUniversity（文大学） ； Imperial College London（伦敦帝国理工学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Technical University of Denmark（丹麦技术大学） ； Pyramidal Inc.（Pyramidal公司） ； University of Notre Dame（诺特大学） ； Cognizant AI Lab（Cognizant人工智能实验室） ； University College London（伦敦大学学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Ghent University（根特大学） ； New York University（纽约大学） 纠错

AI总结 本文探讨了在代理AI系统中，贝叶斯原则在协调层的应用，而非LLM参数，以提升决策一致性和协作效率。

Comments Accepted for publication at ICML 2026

How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models

循环一次值有多大？循环语言模型的等深度缩放定律

Kristian Schwethelm, Daniel Rueckert, Georgios Kaissis

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich（慕尼黑技术大学人工智能在医疗和医学中的主任） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML）） ； Hasso Plattner Institute for Digital Engineering, University of Potsdam, Germany（波茨坦大学数字工程霍普夫研究所） 纠错

AI总结 研究通过等深度预训练测量循环变换器中一次循环的价值，推导出缩放定律并发现循环等价指数φ=0.46，表明共享循环比独特块更差，展示了φ作为诊断工具的实用性。

Comments v3: substantially refined framing + minor corrections v2: added case studies on truncated-BPTT and hyperconnections

SynBench: A Benchmark for Differentially Private Text Generation

SynBench：差分隐私文本生成的基准测试

Yidan Sun, Viktor Schlegel, Srinivasan Nandakumar, Iqra Zahid, Yuping Wu, Yulong Wu, Hao Li, Jie Zhang, Warren Del-Pinto, Goran Nenadic, Siew Kei Lam, Anil Anthony Bharath

机构 * Imperial College London, Imperial Global Singapore（帝国学院伦敦，帝国全球新加坡） ； University of Manchester, United Kingdom（曼彻斯特大学，英国） ； CFAR and IHPC, Agency for Science, Technology and Research (A*STAR), Singapore（CFAR和IHPC，科技研究局（A*STAR），新加坡） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Imperial College London, United Kingdom（帝国学院伦敦，英国） 纠错

AI总结 本文提出SynBench基准测试，通过标准化评估框架和隐私审计，评估不同规模的LLM生成模型在差分隐私下的性能，揭示隐私数据生成与预训练数据的关联性对生成质量的影响。

Comments 16 pages