高校专区
稳定化无分布概率预测
机构 * Faculty of Economics and Business（经济与商业学院） ； Department of Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电气工程学院） ； Dyson School of Design Engineering, Imperial College London（帝国理工学院设计工程学院） ； Department of Technology, Management and Economics, Technical University of Denmark（丹麦技术大学技术、管理与经济学系） ； CoRE, Aarhus University（阿贾克斯大学CoRE）
AI总结 提出一种基于神经网络参数化回归样条的方法，联合优化无分布概率时间序列预测的质量与稳定性，以控制预测更新导致的波动，并在两个数据集上验证了其有效性。
Mag-VLA：用于双臂磁驱动微机器人操作的视觉-语言-动作模型
机构 * Department of Bioengineering, Imperial-X, Imperial College London（生物工程系，Imperial-X，帝国理工学院伦敦）
AI总结 提出Mag-VLA模型，利用双臂磁驱动微机器人实现灵巧操作，通过视觉-语言-动作框架和动作分块Transformer解码器，在真实机器人实验中达到90%接近成功率和最高80%运输成功率。
Comments Accepted by 2026 MARSS
复杂形状光学微机器人的虚拟视觉-触觉遥操作数字孪生框架
机构 * Department of Bioengineering, Imperial-X AI Initiative, Imperial College London（生物工程系、Imperial-X人工智能倡议、帝国理工学院伦敦分校）
AI总结 本文提出一个数字孪生框架，集成多陷阱光学操纵、图像位姿估计、微机器人运动仿真和基于模型的触觉渲染，用于复杂形状光学微机器人的虚拟视觉-触觉遥操作，实验表明触觉反馈显著降低接触力和位置误差标准差并提高任务成功率。
Comments Accepted by 2026 MARSS
风险控制的 Lean 作为自然语言数学推理的评判者
机构 * Imperial College London（伦敦帝国理工学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； UCL Centre for AI（大学学院伦敦人工智能中心）
AI总结 针对 Lean 评判自然语言数学答案时信号稀疏且不忠实的问题，提出 COVCAL 选择器，通过有限样本选择性风险控制，在自动形式化覆盖率足够高时保证接受答案的准确率。
具有可证明保证的多面体不确定性量化用于SLAM
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（数据科学学院，香港中文大学（深圳）） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（人工智能学院，香港中文大学（深圳）） ； 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） ； School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney（航空航天、机械与机电工程学院，悉尼大学）
AI总结 本文提出基于多面体表示的不确定性量化算法，通过前向映射、后向位姿跟踪和位姿复合三个模块，为3D-3D路标SLAM提供可证明的确定性保证，并结合共形预测提高实用性。
Comments 16 pages, 10 figures; accepted by Robotics: Science and Systems 2026
软专家：用于不确定性感知的LLM后训练的$\alpha$-Rényi集成
机构 * Department of Mathematics, Imperial College London（帝国理工学院伦敦校区数学系） ； Bessemer AI
AI总结 提出一种$\alpha$-Rényi变分框架，通过学习后训练参数的分布来替代深度集成，实现不确定性感知的LLM后训练，并支持软路由和模型专业化。
面向光流组件的智能语言到目标合成
机构 * Institute of Biological and Chemical Systems, Karlsruhe Institute of Technology, Germany（马克斯·普朗克研究所生物和化学系统研究所，卡尔斯鲁厄技术大学，德国） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（应用数学和理论物理系，剑桥大学，英国） ； Department of Mathematics, Imperial College London, UK（数学系，伦敦帝国理工学院，英国） ； Institute of Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology, Germany（人机学与机器人研究所（IAR），卡尔斯鲁厄技术大学，德国）
AI总结 提出Speak-to-Objective模块化智能流水线，利用条件大语言模型将口语或书面指令转换为可微目标函数，实现光流控微粒子组装，并支持用户反馈学习。
Comments 21 pages, 5 figures
为什么LLM在因果发现中失败以及干预代理如何逃脱
机构 * SIRE, IIT Delhi（IIT德里智能研究机构） ； Robert Bosch GmbH（罗伯特·博世有限公司） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文证明大型语言模型在因果发现中存在根本性失败，并提出一种基于干预代理的因果贝叶斯优化方法（A-CBO），通过外部贝叶斯循环在无需模型微调的情况下实现可证明的收敛。
Comments 9 pages, 3 figures
从情感到复杂行为：第十届ABAW研讨会与竞赛推进多模态以人为中心的人工智能
机构 * Queen Mary University of London（伦敦皇后玛丽大学） ； Hume AI ； Google Deepmind（谷歌DeepMind） ； Imperial College London（伦敦帝国理工学院） ； Cogitat ； LIVIA ； ILLS ； ETS Montreal（蒙特利尔ETS） ； Concordia University（Concordia大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文介绍了第十届ABAW研讨会与竞赛，通过多模态挑战和论文，推动真实环境下人类情感与行为的建模、分析和理解。
Comments accepted at CVPR 2026
通过一类新的测度变换不等式实现更紧的信息论泛化界
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系） ； Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系）
AI总结 本文提出基于数据处理不等式的一类新测度变换不等式，涵盖f-散度、Rényi散度和α-互信息，并应用于泛化误差、PAC-Bayes、差分隐私和数据记忆化，得到更紧的保证。
Comments Fixed a mistake in the proof of PAC-Bayesian bound
AFRILANGTUTOR：利用大语言模型推进低资源语言的语言辅导与文化教育
机构 * Instituto Politécnico Nacional（墨西哥政治技术学院） ； University of South Florida（佛罗里达州立大学） ； Saarland University（萨尔兰大学） ； Imperial College London（伦敦帝国理工学院） ； University of Hamburg（汉堡大学）
AI总结 针对低资源语言缺乏训练数据的问题，提出AFRILANGDICT词典资源并构建AFRILANGEDU数据集，通过监督微调和直接偏好优化训练AFRILANGTUTOR模型，在10种非洲语言上显著提升辅导性能。
能给我你的订单吗？扩散语言模型中插槽填充顺序的蒙特卡洛树搜索
机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Edinburgh（爱丁堡大学）
AI总结 针对掩码扩散模型（MDM）中计划-填充解码对插槽填充顺序敏感的问题，提出McDiffuSE框架，利用蒙特卡洛树搜索（MCTS）优化生成顺序，平均性能提升3.2%，在MBPP和MATH500上分别提升19.5%和4.9%。
Comments 8 pages, ICML2026
Chirpy3D: 面向创意细粒度物体生成的部件感知多视角扩散
机构 * University of Surrey（萨里大学） ； University of Cambridge（剑桥大学） ； Universiti Malaya（马来亚大学） ； Imperial College London（伦敦帝国学院）
AI总结 提出Chirpy3D，一种部件感知多视角扩散框架，从无姿态2D图像中学习层次化部件潜在空间，实现部件级交换、插值和零样本组合，无需3D数据或手动标注。
Comments 20 pages. Code at https://github.com/kamwoh/chirpy3d
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