Topological Neural Operators
拓扑神经算子
机构 * Imperial College London（伦敦帝国学院） ； University of San Francisco（旧金山大学）
AI总结 提出拓扑神经算子(TNOs)，利用离散外微积分在细胞复形上实现跨维度耦合，并通过分层结构提升长程信息传播，在PDE基准上优于现有算子。
高校专区
Imperial College London（帝国理工学院）
Hybrid Robustness Verification for Spatio-Temporal Neural Networks
时空神经网络的混合鲁棒性验证
机构 * Imperial College London（伦敦帝国学院）
AI总结 针对3D CNN在视频和体素输入中的鲁棒性验证，提出时空约束建模和STBP框架，实现精确闭式传播与可扩展近似，在UCF-101等基准上提升1.7倍认证鲁棒准确率。
Comments Accepted at the 9th International Symposium on AI Verification (SAIV 2026)
Powering the Future of AI: Navigating the Trade-offs for Europe's Energy Transition and Net-Zero Goals
赋能AI未来：应对欧洲能源转型与净零目标的权衡
机构 * Department of Chemical Engineering, Sargent Centre for Process Systems Engineering, University College London (UCL)（化学工程系、过程系统工程中心、伦敦大学学院（UCL）） ； Centre for Environmental Policy, Imperial College London（环境政策中心、伦敦帝国理工学院）
AI总结 通过21种AI增长情景下的空间优化模型，量化AI对欧洲电力需求、容量、排放和运行的影响，发现AI到2050年可能增加73-723 TWh需求，导致2030-2050年累计排放超调67-181 MtCO2，且AI基础设施选址将更依赖稳定电源和系统灵活性。
Bayesian Selective Latent Inference for Wastewater-First Influenza Monitoring
贝叶斯选择性潜在推断用于污水优先的流感监测
机构 * University of Copenhagen（哥本哈根大学） ； Rutgers University（罗格斯大学） ； Imperial College London（帝国理工学院）
AI总结 提出贝叶斯选择性潜在推断（BSLI），通过后验分布、可回答性认证和成本校准的Bellman策略，在污水优先流感监测中优化查询与弃权决策。
Comments Corresponding authors: Hengguan Huang and Samir Bhatt. Hengguan Huang is the lead corresponding author
Now You (Still) See Me: Detecting Evasive Steganographic Payloads in LLMs
现在你（仍然）能看到我：检测大语言模型中的隐蔽隐写载荷
机构 * UCL Centre for AI（UCL人工智能中心） ； University College London（伦敦大学学院） ； ML Alignment Theory Scholars（机器学习对齐理论学者） ； Department of Computer Science（计算机科学系） ； School of Computing and Communications（计算与通讯学院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Sussex（Sussex大学） ； Imperial College London & University of Oxford（伦敦帝国学院与牛津大学）
AI总结 针对大语言模型隐写外泄风险，提出一种基于非线性MLP探针的对抗性微调方法可系统规避现有线性探针检测，但通过信息论指导的数据级干预可恢复检测能力。
Are Reasoning Vision-Language Models Robust to Semantic Visual Distractions?
推理视觉语言模型对语义视觉干扰具有鲁棒性吗？
机构 * University of Manchester（曼彻斯特大学） ； Marex ； Imperial College London（帝国理工学院）
AI总结 针对推理VLM在真实场景中易受语义视觉干扰的问题，提出Distract-Bench基准，发现推理VLM对语义干扰的鲁棒性低于感知退化，且干扰常被纳入推理过程导致错误答案。
Bayesian Optimization of a Multi-Product Chemical Reactor Using Composite Models and Partial Physics Knowledge
使用复合模型和部分物理知识的多产品化学反应器贝叶斯优化
机构 * Department of Chemical Engineering, Imperial College London（化学工程系，帝国理工学院伦敦分校） ； DCSC, Delft University of Technology（Delft理工大学DCSC）
AI总结 提出一种复合贝叶斯优化方法，利用高斯过程预测物理量并计算利润，结合能量平衡残差惩罚和约束处理，实现多产品反应器的数据驱动实时经济优化。
Comments Accepted to IFAC 2026. 11 pages, 4 figures
SynthICL: Scalable In-context Imitation Learning with Synthetic Data
SynthICL: 基于合成数据的可扩展上下文模仿学习
机构 * The Robot Learning Lab（机器人学习实验室） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出SynthICL框架，利用纯RGB合成数据训练上下文模仿学习策略，避免深度传感和真实数据，通过子目标预测提升控制精度，在16个真实操作任务中平均成功率79%。
VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning?
VisualFLIP: 在多模态推理中，预测是否依赖于任务关键的视觉证据？
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 提出VisualFLIP基准，通过成对图像扰动测试多模态大模型是否真正依赖关键视觉证据，发现正确预测与证据依赖存在分离。
Non-Archimedean Polydisc Spaces and Applications to Optimisation
非阿基米德多圆盘空间及其在优化中的应用
机构 * London School of Geometry and Number Theory（伦敦几何与数论学院） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系） ； Department of Mathematics, Durham University（杜伦大学数学系）
AI总结 受Berkovich几何启发，提出非阿基米德多圆盘空间，保留刚性层次结构并具备良好几何性质，证明其可嵌入度量树，提出多项式绝对值线性组合的函数类，建立优化理论并给出算法与开源实现。
Comments 54 pages, 23 figures. Comments welcome
Repetition Mismatch: Why Data Mixture Experiments Don't Scale and How to Fix Them
重复不匹配：为什么数据混合实验无法扩展以及如何修复
机构 * Imperial College London（帝国理工学院） ； Cohere
AI总结 针对预训练数据混合中因高质量数据重复率变化导致的小规模实验外推失败问题，提出重复控制子采样方法，在1/16目标token预算下实现接近最优混合，揭示了重复动态而非规模决定实验泛化性。
ThinkBooster: A Unified Framework for Seamless Test-Time Scaling of LLM Reasoning
ThinkBooster: 一种用于LLM推理无缝测试时扩展的统一框架
机构 * MBZUAI ； ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； NUS（国立大学新加坡） ； Accenture（埃森哲） ； Innopolis University（因诺普里斯大学） ； Independent Researcher（独立研究者）
AI总结 提出ThinkBooster框架，通过模块化库、联合评估基准和可部署代理服务，实现LLM推理的测试时计算扩展，在数学和编码任务上验证了性能-计算权衡。
AnyHand: A Large-Scale Synthetic Dataset for RGB(-D) Hand Pose Estimation
AnyHand：一个大规模合成数据集用于RGB（-D）手姿态估计
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Lambda, Inc（Lambda公司） ； Imperial College London（伦敦帝国理工学院） ； Nanyang Technological University（南洋理工大学）
AI总结 AnyHand通过提供大规模RGB-D图像和丰富的几何标注，提升了3D手姿态估计的性能，证明了数据多样性和质量对模型效果的重要性。
Dr. SHAP-AV: Decoding Relative Modality Contributions via Shapley Attribution in Audio-Visual Speech Recognition
Dr. SHAP-AV：通过Shapley归因解码音频-视觉语音识别中的相对模态贡献
机构 * Imperial College London, UK（伦敦帝国学院，英国） ； NatWest AI Research, UK（英国NatWest人工智能研究）
AI总结 本文提出Dr.SHAP-AV框架，通过Shapley值分析音频-视觉语音识别中模态贡献，揭示噪声环境下模型对视觉的依赖及音频贡献的稳定性，推动模态加权机制和Shapley归因作为标准诊断工具。
Comments Accepted to INTERSPEECH 2026 [Long Paper track]. Project website: https://umbertocappellazzo.github.io/Dr-SHAP-AV
Enhanced Detection of Tiny Objects in Aerial Images
航拍图像中微小目标的增强检测
机构 * 1 Dept. of Electrical \& Electronic Engineering, Imperial College London 2 Center for Vision, Speech ； Signal Processing, University of Surrey
AI总结 针对YOLOv8在航拍图像中检测微小目标性能不足的问题，提出四种增强策略，并设计MoonNet管道，通过集成多种注意力模块提升检测精度，在微小目标基准上达到最优性能。
Comments Accepted at IEEE ICIP 2026
Zero and Few Shot Load Forecasting with Large Language Models
基于大语言模型的零样本和少样本负荷预测
机构 * School of Electrical Engineering, Southeast University（东南大学电气工程学院） ； Wind Engineering and Renewable Energy Laboratory, Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校风能与可再生能源实验室） ； College of Electrical Engineering and New Energy, China Three Gorges University（中国三峡大学电气工程与新能源学院） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； The Department of Automation, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； The Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai（中国教育部系统控制与信息处理重点实验室，上海） ； State Key Laboratory of Submarine Geoscience, Shanghai（上海 submarine 地球科学国家重点实验室） ； Institute of Energy Systems, Energy Efficiency and Energy Economic, TU Dortmund University（德意志图林根大学能源系统、能效与能源经济研究所）
AI总结 提出利用预训练语言模型Chronos进行零样本和少样本负荷预测，在数据稀缺场景下显著优于多种基线模型。
Comments 24 pages,5 figures
Journal ref International Journal of Electrical Power & Energy Systems, Volume 177,April 2026
ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction?
ClinicalBench: 大型语言模型能在临床预测中击败传统机器学习模型吗？
机构 * Department of Computer Science Northwestern University Evanston USA（计算机科学系西北大学艾文斯顿美国） ； Department of Computer Science University of Texas at Austin Austin USA（计算机科学系德克萨斯大学奥斯汀美国） ； Boston Children's Hospital, Harvard Medical School Boston USA（波士顿儿童医院哈佛医学院波士顿美国） ； Department of Computer Science Imperial College London London UK（计算机科学系伦敦帝国学院伦敦英国） ； Department of Computer Science Ohio State University Columbus USA（计算机科学系俄亥俄州立大学哥伦布美国） ； Massachusetts General Hospital, Harvard Medical School Boston USA（麻省总医院哈佛医学院波士顿美国） ； Department of Preventive Medicine, Feinberg School of Medicine Northwestern University Chicago USA（预防医学系费因伯格医学院西北大学芝加哥美国） ； Division of Computational Health Sciences, Department of Surgery University of Minnesota Minneapolis USA（计算健康科学部外科部明尼苏达大学明尼阿波利斯美国） ； Department of Population Health Sciences, Weill Cornell Medicine Cornell University New York USA（流行病学与公共卫生系韦尔·科恩医学中心康奈尔大学纽约美国） ； Department of Computer Science Emory University Atlanta USA（计算机科学系埃默里大学亚特兰大美国） ； Northwestern University（西北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀） ； Boston Children's Hospital, Harvard Medical School（波士顿儿童医院哈佛医学院） ； Imperial College London（伦敦帝国学院） ； Ohio State University（俄亥俄州立大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； University of Minnesota（明尼苏达大学） ； Cornell University（康奈尔大学） ； Emory University（埃默里大学）
AI总结 构建ClinicalBench基准，通过三个临床预测任务比较14个通用和8个医学LLM与11个传统ML模型，发现LLM在临床预测上仍无法超越传统ML模型。
Comments Accepted to Proceedings of KDD 2026. The first two authors contributed equally. 12 pages for main paper, 62 pages including appendix. Project website: https://clinicalbench.github.io
