Imperial College London（帝国理工学院）

Wasserstein-Aligned Localisation for VLM-Based Distributional OOD Detection in Medical Imaging

基于VLM的医学图像分布外检测的Wasserstein对齐定位

Bernhard Kainz, Johanna P Mueller, Matthew Baugh, Cosmin Bercea

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）） 纠错

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

Scaling Small Agents Through Strategy Auctions

通过策略拍卖扩展小型智能体

Lisa Alazraki, William F. Shen, Yoram Bachrach, Akhil Mathur

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） 纠错

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

Fix the Structural Bottleneck: Context Compression via Explicit Information Transmission

修复结构瓶颈：通过显式信息传输进行上下文压缩

Jiangnan Ye, Hanqi Yan, Zhenyi Shen, Heng Chang, Ye Mao, Yulan He

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） 纠错

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。

Positive Alignment: Artificial Intelligence for Human Flourishing

积极对齐：人工智能促进人类繁荣

Ruben Laukkonen, Seb Krier, Chloé Bakalar, Shamil Chandaria, Morten Kringelbach, Adam Elwood, Daniel Ford, Fernando Rosas, Maty Bohacek, Matija Franklin, Nenad Tomašev, Stephanie Chan, Verena Rieser, Roma Patel, Michael Levin, Arun Rao

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） 纠错

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: A Clinical Uncertainty Governance Layer for Risk-Aware Medical Decision Support

MedBayes-Lite: 用于风险感知医疗决策支持的临床不确定性治理层

Elias Hossain, Md Mehedi Hasan Nipu, Maleeha Sheikh, Tasfia Nuzhat, Rajib Rana, Subash Neupane, Björn W. Schuller, Niloofar Yousefi

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） 纠错

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。

Quantum Neural Physics: Solving Partial Differential Equations on Quantum Simulators using Quantum Convolutional Neural Networks

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

Jucai Zhai, Muhammad Abdullah, Boyang Chen, Fazal Chaudry, Paul N. Smith, Claire E. Heaney, Yanghua Wang, Jiansheng Xiang, Christopher C. Pain

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） 纠错

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

Towards Adaptive Categories: Dimensional Governance for Agentic AI

迈向自适应分类：面向智能体AI的维度治理

Zeynep Engin, David Hand

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） 纠错

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

Decision-Focused Continual Learning for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks

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

Chuanqing Pu, Feilong Fan, Nengling Tai, Yan Xu, Wentao Huang, Honglin Wen

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） 纠错

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