Imperial College London（帝国理工学院）

Variational Inference for Lévy Process-Driven SDEs via Neural Tilting

通过神经倾斜进行莱维过程驱动的随机微分方程的变分推断

Yaman Kindap, Manfred Opper, Benjamin Dupuis, Umut Simsekli, Tolga Birdal

机构 * Imperial College London, UK（伦敦帝国学院） ； Technical University of Berlin, Germany（柏林技术大学） ； INRIA, CNRS, Département d’Informatique de l’Ecole Normale Supérieure / PSL, France（法国国家信息与自动化研究所（INRIA）、国家科学研究中心（CNRS）、巴黎社会科学高等师范学院信息学系/巴黎社会科学高等师范学院） 纠错

AI总结 本文提出神经指数倾斜框架，用于莱维驱动SDEs的变分推断，通过神经网络重新加权莱维测度，保留跳跃结构并实现计算可行性，结合二次神经参数化、条件高斯表示和对称感知蒙特卡洛估计器，提升推断效率与可靠性。

Comments The associated project page which contains the official implementation can be found in https://circle-group.github.io/research/NeuralTilting/

Counterfactual Stress Testing for Image Classification Models

反事实压力测试用于图像分类模型

Moritz Stammel, Fabio De Sousa Ribeiro, Raghav Mehta, Mélanie Roschewitz, Ben Glocker

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

AI总结 本文提出基于因果生成模型的反事实压力测试框架，通过干预扫描仪类型和患者性别等属性生成真实'如果'图像，以评估模型在目标分布偏移下的性能，比传统扰动更准确地捕捉性能变化方向和幅度。

MATRA: Modeling the Attack Surface of Agentic AI Systems -- OpenClaw Case Study

MATRA：代理AI系统的攻击面建模——OpenClaw案例研究

Tim Van hamme, Thomas Vissers, Javier Carnerero-Cano, Mario Fritz, Emil C. Lupu, Lieven Desmet, Dinil Mon Divakaran

机构 * DistriNet, KU Leuven（DistriNet，根特大学） ； IBM Research（IBM研究院） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） ； Imperial College London（伦敦帝国理工学院） ； A*STAR Institute for Infocomm Research（A*STAR信息与通信研究机构） 纠错

AI总结 本文提出MATRA框架，用于评估代理AI系统中已知威胁转化为具体风险的机制，通过OpenClaw案例展示如何利用攻击树和安全控制降低风险。

Comments Accepted for presentation at the 5th International Workshop on Designing and Measuring Security in Systems with AI (DeMeSSAI 2026), co-located with the 11th IEEE European Symposium on Security and Privacy (EuroS&P 2026), Lisbon, Portugal, July 10, 2026

Deep Arguing

深度辩论

Adam Gould, Francesca Toni

机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦校区） 纠错

AI总结 本文提出深度辩论方法，结合深度学习与辩论构建与推理，实现多模态数据的可解释分类。通过端到端训练学习特征表示和辩论交互，提升可解释性和预测性能。

The Override Gap: A Magnitude Account of Knowledge Conflict Failure in Hypernetwork-Based Instant LLM Adaptation

覆盖差距：基于超网络的即时LLM适应中知识冲突失败的幅度解释

Shuaizhi Cheng, Xiang Shi, Zhiwei Zhang, Mingwei Li

机构 * Harbin Institute of Technology（哈尔滨工程大学） ； Imperial College London（伦敦帝国理工学院） ； KigLand Machine Learning Lab（KigLand机器学习实验室） 纠错

AI总结 研究揭示超网络方法在知识冲突中的失败源于幅度问题，通过选择性层提升和意识冲突内部化技术，显著提升深度冲突准确性，同时保持新知识召回。

Comments 35 pages, 15 figures v2: minor layout fixes and author list update

Relational reasoning and inductive bias in transformers and large language models

变换器中的关系推理与归纳偏置

Jesse Geerts, Andrew Liu, Stephanie Chan, Claudia Clopath, Kimberly Stachenfeld

机构 * Imperial College London（帝国理工学院伦敦分校） ； Google（谷歌） ； DeepMind（深度Mind） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文研究了变换器和大语言模型在关系推理中的表现，比较了基于权重学习和上下文学习的机制，发现基于权重学习的模型能进行传递推理，而基于上下文学习的模型则依赖训练数据进行传递推理，预训练可使上下文学习模型更接近权重学习模型。

Comments 15 pages, 10 figures

Quantitative Error Feedback for Quantization Noise Reduction of Filtering over Graphs

量化误差反馈用于图过滤中的量化噪声减少

Xue Xian Zheng, Weihang Liu, Xin Lou, Stefan Vlaski, Tareq Al-Naffouri

机构 * Division of Computer, Electrical and Mathematical Sciences and Engineering (CEMSE), King Abdullah University Of Science And Technology (KAUST)（计算机、电子和数学科学与工程系，国王阿卜杜勒-阿齐兹大学科学与技术（KAUST）） ； School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学） ； Department of Electrical and Electronic Engineering, Imperial College London（电子与电气工程系，帝国理工学院伦敦分校） 纠错

AI总结 本文提出一种创新的误差反馈框架，用于减轻分布式图过滤中的量化噪声，通过状态空间数字滤波器的误差谱塑形技术，建立了不同领域量化过滤过程的联系。框架通过精确补偿量化噪声，提高了通信效率和算法鲁棒性。

Comments Accepted by IEEE TSP

Beyond Majority Voting: Agreement-Based Clustering to Model Annotator Perspectives in Subjective NLP Tasks

超越多数投票：基于一致性的聚类用于建模标注者的视角在主观NLP任务中

Tadesse Destaw Belay, Ibrahim Said Ahmad, Idris Abdulmumin, Abinew Ali Ayele, Alexander Gelbukh, Eusebio Ricárdez-Vázquez, Olga Kolesnikova, Shamsuddeen Hassan Muhammad, Seid Muhie Yimam

机构 * Instituto Politécnico Nacional（智利国家理工学院） ； University of Wisconsin–Stevens Point（威斯康星州立大学斯蒂文斯点分校） ； University of Pretoria（培特里亚大学） ； Bahir Dar University（巴希尔达大学） ； Imperial College London（伦敦帝国理工学院） ； University of Hamburg（汉堡大学） 纠错

AI总结 本文提出基于一致性的聚类技术，用于建模标注者之间的分歧，通过在18种语言的40个数据集上实验，发现该方法在主观NLP任务中显著提升了分类性能。

Comments Pre-MIT Press publication version

Spectral Transformer Neural Processes

频域变换神经过程

Xianhe Chen, Hao Chen, Yingzhen Li

机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出Spectral Transformer Neural Processes，通过引入频域聚合器增强神经过程对周期性和拟周期性数据的建模能力，实验表明其在回归任务和现实数据集上提升了预测性能。

Comments 37 pages, 10 figures, 18 tables

Sliced Inner Product Gromov-Wasserstein Distances

切片内积Gromov-Wasserstein距离

Xiaoyun Gong, Gabriel Rioux, Ziv Goldfeld

机构 * Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） 纠错

AI总结 本文提出切片内积Gromov-Wasserstein距离，解决高维问题的统计和计算扩展性问题，通过旋转不变性性质进行结构和计算性质研究，并在文本聚类和语言模型比较中验证。

Comments 49 pages, 8 figures

Outlier-robust Diffusion Posterior Sampling for Bayesian Inverse Problems

鲁棒扩散后验采样用于贝叶斯逆问题

Yiming Yang, Xiaoyuan Cheng, Yi He, Kaiyu Li, Wenxuan Yuan, Zhuo Sun

机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； Shanghai University of Finance and Economics（上海金融学院） 纠错

AI总结 本文提出鲁棒扩散后验采样方法，通过分析后验偏差和稳定性，解决逆问题中异常值对扩散求解器的影响，提升线性和非线性任务的鲁棒性。

Quasi-Linear ICA for Motor Unit Decomposition during Dynamic Contractions

用于动态收缩期间电机单位分解的准线性ICA

Alexander Kenneth Clarke, Dimitrios Halatsis, Agnese Grison, Irene Mendez Guerra, Noura Ezaz-Nikpay, Pranav Mamidanna, Shihan Ma, Silvia Muceli, Dario Farina

机构 * Imperial College London（帝国理工学院伦敦分校） ； Chalmers University of Technology（查尔姆斯理工大学） 纠错

AI总结 本文提出一种准线性ICA方法，通过引入时间变化的可逆变换和静态线性分离器，有效处理动态EMG信号中的非平稳混叠问题，提升电机单位分解的准确性。

What Cohort INRs Encode and Where to Freeze Them

队列训练的INR编码了什么以及在哪里冻结它们

Vasiliki Sideri-Lampretsa, Sophie Starck, Robbie Holland, Julian McGinnis, Daniel Rueckert

机构 * Chair of AI in Healthcare and Medicine（人工智能在医疗与医学中的主任） ； Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； Imperial College London（伦敦帝国学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学人工智能在医学与成像中的中心） ； Stanford University（斯坦福大学） ； Department of Radiology（放射科部门） 纠错

AI总结 研究通过冻结队列训练INR的不同层，发现最优冻结点与权重稳定秩最高层一致，并展示了稀疏自编码器对INR激活的分解，揭示了不同架构的编码差异。

Comments 9 content pages plus appendix

A Robust Out-of-Distribution Detection Framework via Synergistic Smoothing

通过协同平滑实现稳健的分布外检测框架

Maria Stoica, Abdelrahman Hekal, Alessio Lomuscio

机构 * Imperial College London（伦敦帝国学院） ； Zeroth Research（Zeroth研究） 纠错

AI总结 本文提出ROSS框架，通过基线分数的不稳定性区分分布内和分布外样本，实现对对抗攻击的强鲁棒性，实验表明其在多个数据集上表现优异。

Comments Accepted to CVPR Findings 2026