Imperial College London（帝国理工学院）

Faithful Embeddings of Irregular and Asynchronous Data for Online Log-NCDEs

不规则和异步数据的忠实嵌入用于在线Log-NCDEs

Benjamin Walker, Alexandre Bloch, Lingyi Yang, Sam Morley, Terry Lyons

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系） 纠错

AI总结 针对不规则和异步数据，提出一种连续且单射的嵌入方法，基于Log-NCDEs实现无需插值的在线计算，并证明其通用性。

Comments 34 pages, 16 figures

iLoRA: Bayesian Low-Rank Adaptation with Latent Interaction Graphs for Microbiome Diagnosis

iLoRA: 用于微生物组诊断的具有潜在交互图的贝叶斯低秩适应

Yang Song, Yixuan Zhang, Lingfa Meng, Tongyuan Hu, Haizhou Shi, Hao Wang, Samir Bhatt, Hengguan Huang

机构 * University of Copenhagen, Copenhagen, Denmark ； Rutgers University, New Brunswick, NJ, USA ； Section of Health Data Science \& AI, Department of Public Health, University of Copenhagen, Copenhagen, Denmark ； MRC Centre for Global Infectious Disease Analysis, Department of Infectious Disease Epidemiology, School of Public Health, Faculty of Medicine, Imperial College London, London, United Kingdom 纠错

AI总结 提出iLoRA，一种贝叶斯图条件LoRA框架，通过推断输入中的潜在交互图生成输入条件LoRA更新，联合学习预测和潜在交互结构，在微生物组诊断中优于现有方法。

Comments Accepted at ICML 2026

Chess-World-Model: A 10M-Game Benchmark for Exact State Tracking from Chess Move Sequences

Chess-World-Model: 一个用于从国际象棋走棋序列精确状态跟踪的1000万对局基准

Benjamin Walker, Terry Lyons

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） 纠错

AI总结 提出一个基于1000万真实国际象棋对局的大规模状态跟踪基准，通过预测合法走棋序列后的棋盘状态，测试模型学习转换规则的能力，并发现循环模型优于Transformer，且随机均匀分布子集能揭示规模掩盖的失败。

Comments 20 pages, 4 figures

HEART-Bench: Do LLM Agents Exhibit Human-like Psychology?

HEART-Bench: 大语言模型智能体是否表现出类似人类的心理学？

Weihan Peng, Chenxu Zhang, Qianao Wang, Yuling Shi, Heng Lian, Qihong Mao, Jiahao Pang, Chunliang Feng, Bowen Li, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院） ； Quwan Group（启元集团） ； University of Washington（华盛顿大学） ； South China Normal University（华南师范大学） 纠错

AI总结 提出HEART-Bench基准，通过构建基于大五人格和自传体记忆的虚拟角色，在DIAMONDS情境框架下评估LLM智能体能否展现一致的人类心理特征。

Comments GitHub: https://github.com/peng-weihan/HEART-BENCH

AfriScience-MT: Towards Decolonizing Science in Africa through Text Translation

AfriScience-MT：通过文本翻译实现非洲科学去殖民化

Idris Abdulmumin, Tajuddeen Gwadabe, Shamsuddeen Hassan Muhammad, David Ifeoluwa Adelani, Nomonde Khalo, Ibrahim Said Ahmad, Abiodun Modupe, Anina Mumm, Sibusiso Biyela, Michelle Rabie, Johanna Havemann, Marek Rei, Jade Abbott, Vukosi Marivate

机构 * Data Science for Social Impact, University of Pretoria（数据科学与社会影响，南非比勒陀利亚大学） ； Masakhane Research Foundation（马萨克纳研究基金会） ； Imperial College London（伦敦帝国理工学院） ； Mila, McGill University（麦吉尔大学Mila实验室） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； University of Cape Town（开普敦大学） ； University of Wisconsin - Stevens Point（威斯康星大学斯蒂文斯点分校） ； Independent Consultant（独立顾问） ； University of South Africa（南非大学） ； Independent Researcher（独立研究员） ； Access 2 Perspectives ； Lelapa AI（Lelapa人工智能） 纠错

AI总结 针对非洲语言缺乏科学术语的问题，构建包含6种非洲语言、11个科学领域的平行语料库AfriScience-MT，并评估机器翻译和大型语言模型在零样本、少样本和微调设置下的性能。

GDSD: Reinforcement Learning as Guided Denoiser Self-Distillation for Diffusion Language Models

GDSD：强化学习作为扩散语言模型的引导去噪器自蒸馏

Xiaohang Tang, Keyue Jiang, Che Liu, Qifang Zhao, Xiaoxiao Xu, Sangwoong Yoon, Ilija Bogunovic

机构 * UCL Dept. of Statistical Science（伦敦大学学院统计科学系） ； UCL Centre for AI（伦敦大学学院人工智能中心） ； Alibaba Group（阿里巴巴集团） ； Dept. of EEE（电子工程系） ； Imperial College London（伦敦帝国理工学院） ； UNIST（全南大学） ； University of Basel（巴塞尔大学） 纠错

AI总结 提出引导去噪器自蒸馏（GDSD）方法，通过从逆KL正则化强化学习的闭式最优解中导出的优势引导自教师直接蒸馏扩散语言模型的去噪器，避免了ELBO似然代理带来的训练-推理不匹配偏差，在规划、数学和代码基准上显著优于现有方法。

Comments Preprint

Towards Continuous-time Causal Foundation Models

迈向连续时间因果基础模型

Dennis Thumm, Ruben Wiedemann, Ying Chen

机构 * National University of Singapore（新加坡国立大学） ； Imperial College London（帝国理工学院伦敦分校） ； Department of Mathematics, Centre for Quantitative Finance, Risk Management Institute, National University of Singapore（新加坡国立大学数学系、量化金融中心、风险管理研究所） 纠错

AI总结 提出轨迹律对观测时间表不变的连续性准则，通过细网格积分与解耦观测实现连续时间因果先验模型，并在线性与非线性先验上验证其优于离散方法。

Comments ICML 2026 2nd Workshop on Foundation Models for Structured Data (FMSD)