Imperial College London（帝国理工学院）

Ensuring Logic in the Fog: Sound POMDP Synthesis with LTL Objectives

确保雾中的逻辑：带有LTL目标的可靠POMDP综合

Can Zhou, Yulong Gao, Pian Yu

机构 * Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出一种新的可靠奖励塑造机制，用于在部分可观测马尔可夫决策过程中实现LTL目标的合成，通过增强的蒙特卡洛规划框架提升在部分可观测环境中的导航能力。

Comments Accepted by IJCAI-ECAI 2026, the 35th International Joint Conference on Artificial Intelligence

Overlap-aware segmentation for topological reconstruction of obscured objects

关注重叠的分割以重建被遮挡物体的拓扑结构

J. Schueler, H. M. Araújo, S. N. Balashov, J. E. Borg, C. Brew, F. M. Brunbauer, C. Cazzaniga, A. Cottle, D. Edgeman, C. D. Frost, F. Garcia, D. Hunt, M. Kastriotou, P. Knights, H. Kraus, A. Lindote, M. Lisowska, D. Loomba, E. Lopez Asamar, P. A. Majewski, T. Marley, C. McCabe, L. Millins, R. Nandakumar, T. Neep, F. Neves, K. Nikolopoulos, E. Oliveri, A. Roy, T. J. Sumner, E. Tilly, W. Thompson, M. A. Vogiatzi

机构 * Department of Physics and Astronomy, University of New Mexico（新墨西哥大学物理与天文学系） ； Department of Physics, Blackett Laboratory, Imperial College London（伦敦帝国理工学院物理系） ； Particle Physics Department, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室粒子物理部） ； Luleå University of Technology（卢勒阿高校） ； CERN（欧洲核子研究中心） ； ISIS Neutron and Muon Source, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室ISIS中子与穆子源） ； University College London (UCL), Department of Physics and Astronomy（伦敦大学学院（UCL）物理与天文学系） ； Department of Physics, Keble Road, University of Oxford（牛津大学物理系） ； Helsinki Institute of Physics, University of Helsinki（赫尔辛基大学物理研究所） ； School of Physics and Astronomy, University of Birmingham（伯明翰大学物理与天文学学院） ； LIP – Laboratório de Instrumentação e Física Experimental de Partículas, University of Coimbra（科英布拉大学粒子物理实验仪器实验室） ； Departamento de Fisica Teorica, Universidad Autonoma de Madrid（马德里自治大学理论物理系） ； Department of Physics, King’s College London（伦敦国王学院物理系） ； University of Hamburg（汉堡大学） 纠错

AI总结 本文提出OASIS框架，通过加权损失函数优先处理重叠区域，提升被遮挡物体的像素强度和拓扑特征重建。在MIGDAL实验中，OASIS显著改善了低能电子轨迹的重建效果。

Detecting Localized Density Anomalies in Multivariate Data via Coin-Flip Statistics

通过硬币翻转统计检测多变量数据中的局部密度异常

Sebastian Springer, Andre Scaffidi, Maximilian Autenrieth, Gabriella Contardo, Alessandro Laio, Roberto Trotta, Heikki Haario

机构 * Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究高等学院） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nova Gorica（诺瓦戈里察大学） ； LUT University（卢托拉大学） 纠错

AI总结 本文提出EagleEye方法，通过编码k近邻列表为二进制序列，检测多变量数据中的局部过密度和欠密度异常，并在三种场景中验证其有效性。

Comments Code Availability: The code used to generate the results of this study is available at GitHub via the link: https://github.com/sspring137/EagleEye

MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence

MyoChallenge 2025: 人类运动智能的新基准

Cheryl Wang, Chun Kwang Tan, Balint K. Hodossy, Eric Lyu, Jun Guo, Wentao Zhao, Huaping Liu, Chengkun Li, Merkourios Simos, Bianca Ziliotto, Alexander Mathis, Siyuan Liu, Jiahao Chen, Shanlin Zhong, Bo Jiang, Ci Song, Yaoye Zhu, Chenhui Zuo, Yanan Sui, Mohamed Irfan Refai, Massimo Sartori, Guillaume Durandau, Vikash Kumar, Vittorio Caggiano

机构 * McGill University（麦吉尔大学） ； National University of Singapore（国立新加坡大学） ； Imperial College London（伦敦帝国理工学院） ； King’s College London（伦敦国王学院） ； Tsinghua University（清华大学） ； EPFL（苏黎世联邦理工学院） ； CASIA（中国科学院自动化所） ； University of Twente（代尔夫特理工大学） ； MyoLab 纠错

AI总结 本文提出MyoChallenge 2025基准，通过高保真骨骼肌模型与机器学习算法结合，推动运动控制智能研究，包含乒乓球和足球点球两个任务，促进多学科交叉研究。

AgentStop: Terminating Local AI Agents Early to Save Energy in Consumer Devices

AgentStop: 早期终止本地AI代理以在消费设备中节省能源

Dzung Pham, Kleomenis Katevas, Ali Shahin Shamsabadi, Hamed Haddadi

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Brave Software, Imperial College London（Brave软件公司，伦敦帝国学院） 纠错

AI总结 研究提出AgentStop方法，通过预测并提前终止可能失败的代理任务，减少能源消耗，提升本地AI代理的能效与隐私保护。

Comments ACM CAIS '26

SPDEBench: An Extensive Benchmark for Learning Stochastic PDEs

SPDEBench：学习随机偏微分方程的广泛基准

Yuantu Zhu, Zheyan Li, Dai Shi, Luke Thompson, Oliver Nash, Jose Miguel Lara Rangel, Siran Li, Bingguang Chen, Rongchan Zhu, Qi Meng, Hao Ni

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fujian Normal University（福建师范大学） ； Beijing Institute of Technology（北京理工大学） ； Chinese Academy of Sciences（中国科学院） 纠错

AI总结 本文提出SPDEBench，首个统一的ML学习随机偏微分方程基准，提供物理和数学重要的1-3维领域数据集，涵盖正则和奇异SPDE，并包含7种评估指标，验证模型精度、鲁棒性和分布外泛化能力。