高校专区
MoCoTalk: 多条件扩散与自适应路由的可控说话头生成
机构 * Imperial College London（帝国理工学院伦敦分校）
AI总结 MoCoTalk通过统一身份、头部姿态、面部表情和嘴部动态四个控制信号，提出自适应多条件路由框架，解决异构条件干扰问题，提升可控说话头生成的性能与可控性。
一致性正则化梯度流用于逆问题
机构 * Laboratoire MAP5, UMR 8145, Université Paris Cité, CNRS（巴黎城市大学MAP5实验室，UMR 8145，CNRS） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Heriot-Watt University, MACS & Maxwell Institute（赫瑞瓦德大学，MACS与麦克斯韦研究所）
AI总结 本文提出一种统一的欧几里得-瓦瑟斯坦2梯度流框架，通过单一流程在潜在空间中联合执行后验采样和提示优化，减少计算成本并提升逆问题求解性能。
PPI-Net将分子蛋白相互作用连接到疾病中的功能过程
机构 * Division of Cancer, Department of Surgery and Cancer, Faculty of Medicine, Imperial College London（帝国理工学院伦敦校区癌症部、外科与癌症部门、医学学院） ； Prescient Design, Genentech（基因泰克预示设计） ； Department of Computing, Imperial College London（帝国理工学院伦敦校区计算部门）
AI总结 PPI-Net通过整合蛋白相互作用网络与通路表示，从分子互作到功能过程建模疾病，实现高预测性能和机制洞察。
Comments 17 pages, 3 figures, 2 tables
训练诱导的标记聚类逃逸：Transformer的均场建模
机构 * RIKEN Center for Advanced Intelligence Project（RIKEN先进人工智能研究中心） ； Imperial College London（帝国理工学院伦敦分校） ； The University of Tokyo（东京大学） ； Kyoto University（京都大学）
AI总结 研究揭示训练过程如何使标记聚类动态在最终层发生逃逸，通过均场理论分析注意力驱动的聚类偏移机制。
Comments 48 pages, 6 figures, comments are wellcome!
结构耦合用于流匹配
机构 * Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出结构耦合用于流匹配（SCFM），通过引入结构化潜在变量和外源噪声，联合学习结构化先验和连续传输映射，实现无条件流模型，提升潜在表示学习能力。
FactoryBench：评估工业机器理解的基准测试
机构 * ETH Zurich（苏黎世联邦理工学院） ； Forgis ； UC3M ； Imperial College London（帝国理工学院伦敦分校） ； University of Berkeley（伯克利大学） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Vienna（维也纳大学）
AI总结 本文提出FactoryBench基准测试，用于评估时间序列模型和LLM在工业机器人 telemetry 中的机器理解能力，通过四个因果层次和五种答案格式评估，包含70k问题-答案对，揭示当前模型与实际操作理解之间的差距。
Comments 9 pages, 4 figures, 14 tables; appendix with 24 pages
通过顺序蒙特卡洛方法实现扩散路径采样
机构 * Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系，英国）
AI总结 本文提出了一种基于扩散路径的采样方法，通过顺序蒙特卡洛方法估计时间变化分布的得分和密度，适用于已知归一化常数的目标分布，并在不同路径上进行实验验证。
异构图神经网络与事后解释方法用于多模态和可解释的土地利用推断
机构 * Imperial College London, Department of Civil and Environmental Engineering（帝国理工学院伦敦校区土木与环境工程系） ； Imperial College London, Department of Computing（帝国理工学院伦敦校区计算机系）
AI总结 本文提出一种结合异构图神经网络与可解释AI的方法，用于多模态土地利用推断，提升了准确性和可解释性，尤其在办公和生活用地方面表现突出。
Journal ref Information Fusion, Volume 120, 103057. 2025
预见未来，立即行动：基于预见的自动驾驶
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学）
AI总结 本文提出ForeSight框架，通过生成未来场景并据此规划动作，实现前瞻性决策，实验表明其在动态场景中优于现有方法。
Comments CVPR Findings 2026
一步离散生成的耦合模型
机构 * Duke University（杜克大学） ； Imperial College London（伦敦帝国学院） ； AITHYRA
AI总结 本文提出了一种一步离散生成模型，通过直接耦合离散序列与高斯潜在变量，提升生成效果，在文本生成、增强器设计和图像生成任务中均取得显著改进。
Comments Code is available at https://github.com/pengzhangzhi/Coupling-Models
通过智能分区实现深度EEG去噪器的无监督训练
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦校区电子与电气工程系） ； Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦校区戴森设计工程学院）
AI总结 本文提出iPSD方法，通过学习将输入EEG段分割为独立的噪声实现，实现无监督去噪，尤其在低信噪比和复杂噪声下表现优异。
具有显著性感知的正则化量化校准用于大语言模型
机构 * University of Science and Technology of China（中国科学技术大学） ； University College London（伦敦大学学院） ； Shanghai University of Finance and Economics（上海财经大学） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； University of Copenhagen（哥本哈根大学） ； Imperial College London（伦敦帝国学院） ； Technical University of Denmark（丹麦技术大学） ； Peking University（北京大学）
AI总结 本文提出SARQC，通过引入显著性感知正则化改进量化校准，提升大语言模型的泛化能力，实验表明在密集和专家混合模型中提升了困惑度和零样本准确率。
全面性指标用于文本生成中事实回忆的自动评估
机构 * Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； IBM Research（IBM研究院）
AI总结 本文提出三种自动评估指标以评估大语言模型生成文本的全面性，发现端到端方法在效果上优于复杂指标，但牺牲了鲁棒性和可解释性。
Comments ACL 2026 Findings
因子分类器无关引导
机构 * Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算系）
AI总结 本文提出因子分类器无关引导方法，通过因果图实现属性级控制，提升反事实推理的严谨性和可逆性。
Comments Accepted at ICML 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈