Length Generalization with Log-Depth Recurrent Units
对数深度循环单元的长度泛化
机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 提出MLP-LDRU（对数深度循环单元），通过并行约简近似循环，在21个正则语言任务中实现长度泛化，18个任务达到100%分布外准确率。
Comments 39 pages, 11 figures
高校专区
Imperial College London（帝国理工学院）
Causal methods for LLM development and evaluation
因果方法在LLM开发与评估中的应用
机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Toronto（多伦多大学）
AI总结 本文提出因果方法可解决LLM开发与评估中的关键因果问题，并系统梳理其在预训练、对齐、路由等环节的应用机会。
Comments Published in KDD 2026
A Signal-Language Foundation Model for Broad-Spectrum Cardiovascular Assessment from Routine Electrocardiography
面向常规心电图广谱心血管评估的信号-语言基础模型
机构 * Department of Cardiology, Zhongshan Hospital of Fudan University（复旦大学中山医院心内科） ； Shanghai Institute of Cardiovascular Diseases, National Clinical Research Centre for Interventional Medicine（上海心血管病研究所，国家介入医学临床研究中心） ； Digital Medical Research Center, School of Basic Medical Sciences, Fudan University（复旦大学基础医学研究院数字医疗研究中心） ； Shanghai Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention（上海医学影像计算与计算机辅助手术重点实验室） ； National Heart and Lung Institute, Imperial College London, Hammersmith Hospital, Du Cane Road（伦敦帝国学院国家心肺研究所，哈马舍姆医院，杜肯路） ； Department of Cardiology, Shanghai Geriatric Medical Center（上海老年医学中心心内科） ； Cardiac Rhythm Management, Medtronic Technology Center, Medtronic (Shanghai) Ltd.（美敦力技术中心，美敦力（上海）有限公司，心律管理部） ； Richard A. and Susan F. Smith Center for Outcomes Research in Cardiology, Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛医学院比尔·德·阿克谢心脏结局研究中心，贝斯以色列·德aconess医疗中心） ； Harvard-Thorndike Electrophysiology Institute, Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛-托尔恩迪克电生理研究所，贝斯以色列·德aconess医疗中心，哈佛医学院） ； Department of Cardiology, Imperial College Healthcare NHS Trust（伦敦帝国学院医疗信托心内科部） ； Department of Cardiology, Chelsea and Westminster NHS Foundation Trust（切尔西和温斯洛医院 NHS 基础信托心内科部） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
AI总结 提出ECGCLIP信号-语言对比学习框架，通过大规模心电图-报告预训练，在89项下游任务中超越基线，实现对常见心律失常、超声心动图靶标及罕见心脏病的广谱评估。
PathMem: Toward Cognition-Aligned Memory Transformation for Pathology MLLMs
PathMem: 面向病理学多模态大模型的认知对齐记忆转换
机构 * University of Science and Technology of China（中国科学技术大学） ； Shenzhen University（深圳大学） ； Nanyang Technological University（南洋理工大学） ； Imperial College London（伦敦帝国学院） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 提出PathMem框架，通过长期记忆与工作记忆的动态转换机制，实现结构化病理知识整合与可解释记忆控制，在WSI报告生成和开放诊断任务上达到SOTA。
Learning, Solving and Optimizing PDEs with TensorGalerkin: an efficient high-performance Galerkin assembly algorithm
使用TensorGalerkin学习、求解和优化PDE：一种高效的高性能Galerkin组装算法
机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院，瑞士） ； Imperial College London, UK（伦敦帝国学院，英国） ； Northeastern University, USA（东北大学，美国） ； Renmin University of China, China（中国人民大学，中国）
AI总结 提出基于Galerkin离散化的统一算法框架，通过张量化元素操作和稀疏矩阵乘法实现O(1)图规模的系统组装，高效求解、约束优化和物理信息学习变分PDE。
FairJudge: Abstention-Aware Multimodal Judges for Fairness and Alignment Evaluation in Text-to-Image Models
FairJudge: 文本到图像模型中公平性与对齐评估的弃权感知多模态裁判
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Institut Jožef Stefan（乔泽夫·斯蒂芬研究所） ； Imperial College London（伦敦帝国学院）
AI总结 提出FairJudge协议，利用多模态大语言模型作为结构化裁判，通过封闭标签、弃权机制和证据报告，在文本到图像模型中实现社会属性预测、职业定位和提示-图像对齐的公平性评估。
AgentCoMa: A Compositional Benchmark Mixing Commonsense and Mathematical Reasoning in Real-World Scenarios
AgentCoMa：一个混合常识与数学推理的现实场景组合基准
机构 * Imperial College London（帝国理工学院伦敦分校） ； RIKEN（日本研究机构） ； University of Sheffield（谢菲尔德大学） ； University College London（伦敦大学学院）
AI总结 提出AgentCoMa基准，测试大语言模型在组合常识与数学推理任务上的性能，发现模型在单独步骤上准确率高但组合后平均下降近30%。
Comments ACL 2026
Random Neural Network Expressivity for Non-Linear Partial Differential Equations
随机神经网络对非线性偏微分方程的表达能力
机构 * Department of Mathematics（数学系） ； Imperial College London（帝国理工学院伦敦分校） ； School of Computer Science（计算机科学学院） ； University of St. Gallen（圣加尔登大学）
AI总结 研究随机生成隐藏权重的神经网络（RaNNs）对非线性偏微分方程解的逼近能力，推导了误差界并得到维数无关的逼近率1/2，应用于多孔介质方程和可压缩Navier-Stokes方程。
Privacy-Preserving Local Language Models for Longitudinal Data Retrieval in Chronic Dermatologic Disease: Implementation in Pemphigus Patients
慢性皮肤病纵向数据检索中的隐私保护本地语言模型：在天疱疮患者中的实施
机构 * Division of Systems Medicine, Department of Metabolism, Digestion and Reproduction, Imperial College London（系统医学系，代谢、消化与生殖部，帝国理工学院伦敦分校） ； Department of Dermatology and Venereology, Istanbul Research and Training Hospital（皮肤科与性病科，伊斯坦布尔研究与培训医院） ； Department of Dermatology and Venereology, Istanbul Medeniyet University（皮肤科与性病科，伊斯坦布尔梅德尼yet大学） ； Department of Dermatology and Venereology, Istanbul Medicana Atakoy Hospital（皮肤科与性病科，伊斯坦布尔Medicana阿塔科伊医院）
AI总结 本研究评估了本地部署的隐私保护小型语言模型（SLM）在天疱疮患者长期随访记录中检索结构化临床特征并生成纵向摘要的能力，结果显示SLM在特征检索任务中平均准确率达82.25%，且医生对AI生成摘要的质量、临床准确性和实用性评分较高。
Enhancing the Parameterization of Reservoir Properties for Data Assimilation Using Deep VAE-GAN
利用深度VAE-GAN增强数据同化中储层属性的参数化
机构 * Departamento de Engenharia de Minas e de Petróleo, Escola Politécnica, Universidade de São Paulo（圣保罗大学采矿与石油工程系，理工学院） ； Department of Earth Science and Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系）
AI总结 提出将VAE-GAN与ESMDA结合，以同时实现高质量储层描述和良好历史拟合，克服传统方法在非高斯分布和有限集合大小上的局限。
Interdomain Attention: Beyond Token-Level Key-Value Memory
域间注意力：超越令牌级键值记忆
机构 * Imperial College London, UK（伦敦帝国学院） ； University of Copenhagen, Denmark（哥本哈根大学） ； Shanghai University of Finance（上海金融学院） ； Canon Inc., Japan（日本佳能公司） ； Technical University of Denmark, Denmark（丹麦技术大学）
AI总结 提出域间注意力机制，通过核方法将状态空间模型集成到注意力模块中，实现固定大小状态上的查询条件注意力，在语言建模中优于SSM和标准注意力基线。
Investigating the Effect of a Series Elastic Actuation Retrofit to Black-Box Actuators
研究串联弹性驱动改造对黑箱执行器的影响
机构 * Imperial College London, Mechanical Engineering Department（帝国理工学院伦敦校区机械工程系）
AI总结 通过为黑箱执行器加装串联弹性元件，利用有限元分析设计扭转弹性元件，实现了高保真力测量，将开环力控制带宽从10.32 Hz提升至30.32 Hz，提升2.93倍，且性能优于成本更高的商用传感器。
Comments Related GitHub repo available here: https://github.com/ITregear/SeriesElasticActuation-FYP
Uncovering Autoregressive LLM Knowledge of Thematic Fit in Event Representation
揭示自回归LLM在事件表示中主题适配性的知识
机构 * Imperial College London（伦敦帝国学院） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学）
AI总结 通过多种提示设计、输入上下文操作、推理和输出形式，研究自回归大语言模型是否具有一致且可表达的事件参数主题适配性知识，并在基准测试上取得新最优结果。
Comments Significant update with massive changes: all experiments rerun with current LLMs; includes new probability estimate analysis and expanded results in Sections 4 and 5. The paper has been accepted to CoNLL-2026
