高校专区
基于VLM的医学图像分布外检测的Wasserstein对齐定位
机构 * Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系） ； Technical University Munich, DE（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), DE（慕尼黑机器学习中心（MCML））
AI总结 提出WALDO框架，利用最优传输理论通过熵加权切片Wasserstein距离、Goldilocks区域采样和自一致性聚合实现零样本异常定位，在NOVA脑MRI基准上mAP@30达43.5%，相对提升19%。
Comments submitted to MICCAI 2026
可扩展贝叶斯加性模型：通过摊销高斯过程推理和隐马尔可夫模型进行恒星耀斑检测
机构 * Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Data Sciences Institute, University of Toronto（多伦多大学数据科学研究院） ； School of the Environment, University of Toronto（多伦多大学环境学院） ； David A. Dunlap Department of Astronomy and Astrophysics, University of Toronto（多伦多大学大卫·A·邓拉普天文与天体物理系） ； School of Public Health, Imperial College London（伦敦帝国学院公共卫生学院） ； Department of Astronomy, University of Washington（华盛顿大学天文学系）
AI总结 提出生成式代理框架，利用变分自编码器压缩Celerite先验，避免精确协方差运算，结合隐马尔可夫模型实现恒星耀斑的高效检测。
Comments Main paper: 19 pages, full paper: 34 pages. 4 appendices. 9 main figures, 21 figures in total. 4 tables. Poster Presenter, SSC 2026 (Statistical Society of Canada Annual Meeting) and ISBA 2026 (International Society for Bayesian Analysis World Meeting)
高阶结构的塌缩有效算子
机构 * Department of Computing, Imperial College London（帝国理工学院计算系） ； Aalto University（阿尔托大学） ； Chair of Health Informatics, Technical University of Munich（慕尼黑工业大学健康信息学教席） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； YaiYai Ltd（YaiYai有限公司）
AI总结 提出通过Schur补将高阶拉普拉斯算子塌缩为顶点级算子，保留正半定性并降低系统能量，在谱聚类、信号平滑和神经网络位置编码中提升性能。
Comments Accepted at ICML 2026
Brain-Adapter: 一种用于急性颅内病理综合3D CT诊断的双流视觉-语言MIL框架
机构 * School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 提出Brain-Adapter双流多实例学习框架，利用预训练2D生物医学视觉-语言模型和原始诊断报告，通过文本条件注意力和不确定性感知融合实现3D CT扫描的多标签分类，无需密集标注。
Comments Accepted to MICCAI 2026
C^2GR: 用于持续学习通用分割模型的耦合综合生成回放
机构 * Shanghai Jiao Tong University（上海交通大学） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Imperial College London（伦敦帝国学院）
AI总结 针对通用分割模型在任务增量学习中因图像外观和分割目标同时变化导致的遗忘问题，提出C^2GR框架，通过贝叶斯联合扩散和关系感知统一提示同步，合成历史任务图像-掩码对，缓解遗忘，性能仅下降2.44%。
Comments This paper has been submitted to a relevant journal
分布感知的扩散-大语言模型用于鲁棒的超长期时间序列预测
机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） ； Imperial College London（伦敦帝国学院） ； AUDI AG（奥迪股份公司）
AI总结 提出Diffusion-LLM框架，将条件扩散模型集成到基于LLM的预测流程中，学习未来数据条件分布并改善语义对齐，在超长期和少样本预测中显著优于现有LLM基线。
Comments 18 pages, 6 figures, 8 tables. Accepted at 35th International Conference on Artificial Neural Networks (ICANN 2026)
各有所尺：发现用于物理视频评估的每VLM分类体系
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Huawei Darwin Research Center（华为达尔文研究中心） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出JudgeFit方法，通过迭代优化为每个视觉语言模型发现其专属的物理视频评估分类体系，在16个VLM上平均相对提升约32%，并揭示模型特定盲点。
HiMatch-AD: 基于DINOv3驱动的分层匹配的无训练医学异常检测
机构 * Imperial College London（帝国理工学院） ； SonoScape Medical Corp.（深圳开立生物医疗科技股份有限公司） ； University of Birmingham（伯明翰大学）
AI总结 提出HiMatch-AD框架，利用DINOv3预训练模型进行分层匹配，通过双分支检索、多阶段分层异常图生成和不确定性融合实现无训练医学异常检测，在BMAD基准上优于现有方法。
Comments 10 pages, 2 figures, 2 tables
基于OFDM的ISAC中通过视觉辅助多模态学习解决多目标关联
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电气与电子工程系） ； Department of Electrical and Computer Engineering, Hong Kong University of Science and Technology（香港科技大学电气与计算机工程系）
AI总结 提出视觉辅助OFDM-ISAC框架，融合无线与视觉模态，通过深度联合源信道编码传输图像、YOLOv5检测目标特征，并利用多模态网络与延迟-多普勒图关联，解决多目标模糊和分辨率限制，实现16cm定位RMSE。
一种用于仿生空中机器人的多模态倾转机翼框架
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 提出一种可切换悬停、高速前飞和高效滑翔的多模态倾转机翼框架，通过双独立扑翼推力矢量控制增强机动性，并采用混合苏格兰轭扑动机构实现宽扑动角度以利用拍合效应。
Comments 18 pages, 23 figures
在概率神经网络中嵌入线性等式约束用于动态建模
机构 * The Sargent Centre for Process Systems Engineering, Department of Chemical Engineering, Imperial College London, UK（伦敦帝国理工学院化学工程系过程系统工程萨金特中心）
AI总结 提出一种概率神经网络框架，在给定容差内保证线性等式约束满足并捕捉偶然不确定性，在减少数据时提升预测精度和约束遵守，在大数据时训练更快。
通过仿真到现实的视觉运动学习克服手术机器人中的不完美运动学
机构 * Hamlyn Centre for Robotic Surgery, Institute of Global Health Innovation, Imperial College London（伦敦帝国理工学院全球健康创新研究所哈姆林机器人手术中心） ； Department of Surgery and Cancer, Imperial College London（伦敦帝国理工学院外科与癌症系） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系）
AI总结 提出基于教师-学生框架的视觉运动学习策略，融合不可靠内部读数与精确外部视觉数据，实时补偿运动学误差，在达芬奇研究套件上验证可行性。
Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026
迈向 Dys-XAI：基于影响的构音障碍严重程度评估解释
机构 * University of Southampton（南安普顿大学） ； Imperial College London（帝国理工学院） ； University of Edinburgh（爱丁堡大学） ； King's College London（伦敦国王学院）
AI总结 提出基于影响的实例级可解释性框架，通过支持性和竞争性训练样本解释构音障碍严重程度评估的深度学习模型决策，并通过删除实验验证解释有效性。
Comments Accepted to Interspeech 2026
TriMotion: 模态无关的摄像机控制用于视频生成
机构 * GIST（光州科学技术院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） ； Yonsei University（延世大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出TriMotion框架，通过将视频、姿态和文本输入映射到共享运动嵌入空间，实现模态无关的摄像机控制视频生成，并引入潜在运动一致性目标，无需像素级解码即可准确跟随目标轨迹。
Comments ECCV Accepted
缺失模态下的多模态生存预测证据融合网络
机构 * National University of Singapore（新加坡国立大学） ； Imperial College London（帝国理工学院）
AI总结 提出EMMS模型，利用Dempster-Shafer理论和高斯随机模糊数融合多模态决策，处理缺失模态下的生存预测，无需生成缺失数据，在四个癌症数据集上达到最优性能并提供校准的不确定性估计。
基于替换分析的材料生成模型结构新颖性评估
机构 * Imperial College London（伦敦帝国学院）
AI总结 针对无机晶体生成AI模型，提出工作流区分生成晶体是否为训练重复、元素替换产物或全新结构，发现81-92%的生成晶体为重复或替换结构，高对称性系统尤其明显，低对称性新结构可解释为数据丰富区域的插值。
Comments 27 pages (20 pages of main text). See https://github.com/WMD-group/xtaledit for the code
基于两阶段深度神经网络的新型铬基合金中析出相面积的精确识别与测量
机构 * Queensland University of Technology（昆士兰科技大学） ； Data Science Institute, Department of Computing, Imperial College London（帝国理工学院数据科学研究所，计算系） ； School of Metallurgy and Materials, University of Birmingham（伯明翰大学冶金与材料学院） ； Institute of Advanced Science Facilities, Shenzhen（深圳先进科学设施研究院） ； Department of Computer Science, University of York（约克大学计算机科学系） ； School of Mathematical Sciences, Tongji University（同济大学数学科学学院） ； Department of Earth Science and Engineering, Imperial College London（帝国理工学院地球科学与工程系）
AI总结 提出DT-SegNet两阶段深度学习方案，结合YOLOv5和SegFormer，实现电子显微镜图像中析出相的目标检测与分割，显著优于现有工具。
Comments 18 pages, 11 figures. Published in Phys. Chem. Chem. Phys
Journal ref Phys. Chem. Chem. Phys. 25, 15970-15987 (2023)
少步全原子流图共折叠
机构 * Genesis Molecular AI ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Imperial College London（伦敦帝国学院） ； Mila
AI总结 提出DeCAF框架，将全原子共折叠扩散模型蒸馏为流图，仅需几步推理即可生成高质量样本，并通过奖励引导搜索提升采样质量。
通过策略拍卖扩展小型智能体
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Imperial College London（帝国理工学院伦敦分校） ； University of Cambridge（剑桥大学）
AI总结 针对小型语言模型在复杂任务中性能不足的问题，提出受自由职业市场启发的SALE框架，通过策略拍卖实现任务分配与测试时自我改进，在降低对大型模型依赖和成本的同时提升性能。
Comments ICML 2026
修复结构瓶颈：通过显式信息传输进行上下文压缩
机构 * King’s College London（伦敦国王学院） ； Tsinghua University（清华大学） ； Imperial College London（伦敦帝国学院） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文通过从结构角度重新审视上下文压缩，识别出标准LLM压缩方法中的两个关键瓶颈，并提出ComprExIT框架，通过显式信息传输提升压缩效率，实验表明其在多个数据集上表现优异，提升了F1分数并降低了计算成本。
积极对齐：人工智能促进人类繁荣
机构 * Department of Psychiatry, University of Oxford（牛津大学精神病学系） ； Flourishing Intelligence Program, Centre for Eudaimonia and Human Flourishing, Linacre College, University of Oxford（牛津大学幸福智能计划、幸福与人类繁荣中心、林acre学院） ； Google DeepMind（谷歌DeepMind） ； LIFE ； OpenAI ； Anthropic ； University of California, Los Angeles（加州大学洛杉矶分校） ； Aily Labs（Aily实验室） ； Stanford University（斯坦福大学） ； Tufts University（塔夫茨大学） ； Positive AI Labs（积极AI实验室） ； Department of Informatics, University of Sussex（Sussex大学信息学系） ； Department of Brain Sciences, Imperial College London（伦敦帝国理工学院脑科学系）
AI总结 本文提出积极对齐，旨在通过支持人类和生态繁荣，同时确保安全与合作，推动AI发展。研究指出传统对齐关注安全，而积极对齐强调促进人类福祉，提出多项技术挑战与设计原则。
MedBayes-Lite: 用于风险感知医疗决策支持的临床不确定性治理层
机构 * College of Engineering and Computer Science, University of Central Florida（中央佛罗里达大学工程与计算机科学学院） ； Department of Computer Science and Engineering, North South University（北方南大学计算机科学与工程系） ； Department of Electrical and Computer Engineering, Purdue University Fort Wayne（普渡大学福克斯堡分校电气与计算机工程系） ； School of Mathematics, Physics and Computing, University of Southern Queensland（南方昆士兰大学数学、物理与计算学院） ； Meharry Medical College（梅哈里医学学院） ； CHI – Chair of Health Informatics, Technical University of Munich (TUM)（慕尼黑技术大学健康信息学系） ； GLAM – Group on Language, Audio, & Music, Imperial College London（伦敦帝国理工学院语言、音频与音乐组）
AI总结 提出无需重训练的MedBayes-Lite层，结合MC Dropout、校准和置信度引导的弃权，减少临床问答中高置信度错误，将校准误差降低0.23-0.33，高严重性错误降至近零。
量子神经物理：使用量子卷积神经网络在量子模拟器上求解偏微分方程
机构 * Resource Geophysics Academy（资源地球物理学院） ； Imperial College London（帝国理工学院） ； Applied Modelling and Computation Group, Department of Earth Science and Engineering（应用建模与计算组，地球科学与工程系） ； Quantum AI Leadership (QUAIL) Ltd（量子人工智能领导（QUAIL）有限公司） ； Centre for AI-Physics Modelling, Imperial-X, White City Campus（人工智能-物理建模中心，帝国-X，怀特城校区） ； Data Assimilation Lab., Data Science Institute（数据同化实验室，数据科学研究院）
AI总结 提出量子神经物理框架和混合量子-经典CNN多重网格求解器，将偏微分方程的局部离散映射为量子卷积原语，在无噪声模拟器上验证了泊松、对流扩散等问题的数值一致性和稳定性。
Comments 25 pages and 8 figures
迈向自适应分类：面向智能体AI的维度治理
机构 * The Digital Statecraft Academy（数字国家学府） ； Department of Computer Science, University College London (UCL)（伦敦大学学院计算机系） ； Department of Mathematics, Imperial College London（伦敦帝国学院数学系）
AI总结 提出维度治理框架，通过追踪决策权、过程自主性和问责制（3A）的动态分布，实现自适应分类，以应对传统分类框架在动态AI系统中的不足。
Comments 12 pages core text, 15 pages including references, 2 figures
面向海港电力物流调度的决策聚焦持续学习：跨不同任务的泛化
机构 * College of Smart Energy, Shanghai Jiao Tong University（上海交通大学智能能源学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School 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（伦敦帝国理工学院戴森设计工程学院）
AI总结 针对预测-优化框架在任务变化时泛化差的问题，提出基于Fisher信息正则化的决策聚焦持续学习框架，通过可微凸代理稳定梯度，实现跨任务决策对齐的在线学习，在裕廊港实验中提升决策性能并降低计算成本。
Comments Preprint to IEEE Transactions on Smart Grid
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