Imperial College London（帝国理工学院）

SIGMA: Saliency-Guided Sparse Mask Attacks for Speech Emotion Recognition

SIGMA: 基于显著性引导的稀疏掩码攻击用于语音情感识别

Qiyang Sun, Yi Chang, Zixing Zhang, Björn W. Schuller

机构 * GLAM, Department of Computing, Imperial College London（GLAM部门，计算学院，伦敦帝国理工学院） ； College of Computer Science and Electronic Engineering, Hunan University（计算机科学与电子工程学院，湖南大学） ； Shenzhen Research Institute, Hunan University（深圳研究院，湖南大学） ； CHI – Chair of Health Informatics, Technical University of Munich（健康信息学主席，慕尼黑技术大学） ； relAI – the Konrad Zuse School of Excellence in Reliable AI, Germany（可靠人工智能卓越学校，德国） ； MDSI – Munich Data Science Institute, Germany（慕尼黑数据科学研究所，德国） ； MCML – Munich Center for Machine Learning, Germany（慕尼黑机器学习中心，德国） 纠错

AI总结 提出SIGMA方法，利用自监督语音特征上的可解释AI生成显著性图，引导稀疏掩码攻击，在IEMOCAP和TESS数据集上实现攻击效果与解释一致性的平衡。

Comments Under review

The FIL Hypothesis: Inductive Biases Help with Kernel Engineering

FIL假说：归纳偏置有助于核工程

Nikolai Rozanov, Subhabrata Dutta, Preslav Nakov, Iryna Gurevych

机构 * NLP Department, MBZUAI（自然语言处理部门，MBZUAI） ； Ubiquitous Knowledge Processing, TU Darmstadt（普遍知识处理，图腾斯达特大学） ； Department of Computing, Imperial College London（计算部门，伦敦帝国理工学院） 纠错

AI总结 提出反馈信息循环（FIL）假说，认为未来AI应用将面临长反馈循环的缩放极限，并引入基于归纳偏置的方法，在GPU编程任务中验证其优于纯数据驱动方法。

Comments 10 pages main, 17 pages abstract, pre-print

B3O: Scalable Boltzmann Batch Bayesian Optimization

B3O：可扩展的玻尔兹曼批量贝叶斯优化

Maximilian Bloor, Liyuan Xu, Hrvoje Stojic, Victor Picheny

机构 * Imperial College London（帝国理工学院伦敦分校） ； Secondmind 纠错

AI总结 提出B3O框架，将批量生成重构为从采集函数定义的玻尔兹曼分布中直接采样，理论证明其额外遗憾可忽略，实验表明在合成基准和复杂应用任务中优于现有方法。

Open Problems in Constitutional Preference Reconstruction

宪法偏好重建中的开放问题

Eleanor Clifford, Michael Amir, Arduin Findeis, Aaron Zhao, Robert Mullins

机构 * 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 针对成对偏好数据压缩为自然语言原则时存在的未定义问题，通过实证分析揭示了原则质量难测、组合歧义及模型间差异三大挑战，并提出原则细化（ICAI+）作为改进方向。

Comments 24 pages, 9 figures, 9 tables

TacEvo: Self-Evolving Architecture Discovery for Robotic Tactile Perception via LLM-Driven Quality-Diversity Search

TacEvo：通过LLM驱动的质量多样性搜索实现机器人触觉感知的自演化架构发现

Mohammed AbuSadeh, Lan Wei, Dandan Zhang

机构 * Department of Bioengineering, Imperial-X Initiative, Imperial College London（生物工程系、Imperial-X计划、伦敦帝国学院） 纠错

AI总结 提出TacEvo框架，利用LLM生成代码级变异和交叉，结合MAP-Elites质量多样性循环，自动发现高效触觉感知网络架构，在力回归和光栅分类任务上显著提升性能。

Information Dynamics of Language Communication

语言交际的信息动力学

Leonardo S. Goodall, Andrea I. Luppi, Pedro A. M. Mediano

机构 * Calleva Research Centre, University of Oxford, UK（牛津大学卡勒瓦研究中心） ； St John’s College, University of Cambridge, UK（剑桥大学圣约翰学院） ； Montréal Neurological Institute, McGill University, Canada（蒙特利尔神经科学研究所，麦吉尔大学，加拿大） ； Centre for Eudaimonia and Human Flourishing, University of Oxford, UK（幸福与人类繁荣中心，牛津大学，英国） ； Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系） 纠错

AI总结 提出信息论框架量化语义信息在对话中的定向流动，通过语义转移熵和语义部分信息分解测量信息传递，在四个实验中验证其能检测认知僵化对话、说服者主导作用、心理治疗质量及议论文协同贡献。

NeuReasoner: Theory-grounded Mapping of Reasoning Elicitation Boundaries

NeuReasoner: 理论驱动的推理激发边界映射

Aydin Javadov, Shyngys Aitkazinov, Tobias Hoesli, Florian von Wangenheim, Bjoern Schuller, Joseph Ollier

机构 * ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 提出理论驱动的NeuReasoner框架，通过神经透镜与认知透镜结合，在无需外部工具下激发大模型推理能力，在数学、编码及认知任务上匹配或超越后训练思维模式，并发现风险决策等边界。

VIB-AVSR: Variational Information Bottleneck for Noise-Robust LLM-Based Audio-Visual Speech Recognition

VIB-AVSR：基于变分信息瓶颈的噪声鲁棒LLM视听语音识别

Piyush Arora, Navlika Singh, Umberto Cappellazzo, Stavros Petridis, Maja Pantic

机构 * Imperial College London（帝国理工学院伦敦分校） ； NatWest AI Research（NatWest人工智能研究） 纠错

AI总结 提出VIB-AVSR，通过在LLM骨干中插入变分信息瓶颈层来正则化表示，无需架构修改或额外数据，即可在多种噪声条件下提升AVSR鲁棒性。

Comments Accepted to INTERSPEECH 2026. Our code is available at https://github.com/PiyushArora1010/VIB-AVSR

RAGA: Real Time Ray Traced Gaussian Shadow Casting for 3DGS Avatar-Scene Interaction

RAGA：面向3DGS化身-场景交互的实时光线追踪高斯阴影投射

Aymen Mir, Riza Alp Guler, Jian Wang, Peter Wonka, Bing Zhou, Gerard Pons-Moll

机构 * Tübingen AI Center, University of Tübingen, Germany（图宾根人工智能中心，图宾根大学，德国） ； Max Planck Institute for Informatics, Saarland Informatics Campus, Germany（马克斯·普朗克研究所信息学院，萨尔兰信息学院，德国） ； Imperial College London, UK（伦敦帝国理工学院，英国） ； King Abdullah University of Science and Technology (KAUST), Saudi Arabia（国王阿卜杜勒阿齐兹科技大学（KAUST），沙特阿拉伯） ； Snap Inc., USA（Snap公司，美国） 纠错

AI总结 提出RAGA方法，通过精确的射线-高斯线积分在纯高斯空间中实现阴影计算，无需网格重建，支持单/多化身及物体交互场景，达到约50 FPS的实时性能。

Comments ECCV 2026. Project Page at https://miraymen.github.io/raga/

A Neuroimaging Simulation Framework for Developing and Evaluating Causal AI

用于开发和评估因果AI的神经影像模拟框架

Eryn Libert-Scott, Emma A. M. Stanley, Vibujithan Vigneshwaran, Matthias Wilms, Erik Y. Ohara, Nils D. Forkert

机构 * Biomedical Engineering Graduate Program, University of Calgary（卡莱尔大学生物医学工程研究生项目） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Radiology, University of Michigan（密歇根大学放射科） 纠错

AI总结 提出一种生成具有已知因果结构的合成神经影像框架，通过模拟T1加权MRI中的体积变化实现因果控制，为因果AI方法提供基准测试数据。

Comments 10 pages, 5 figures, submitted to the Journal of Biomedical and Health Informatics, Code available at https://github.com/erynl-s/SCAR

Distilling a Modular Reservoir Through a Genomic Bottleneck

通过基因组瓶颈蒸馏模块化储层

Mani Hamidi, Sina Khajehabdollahi, Charley M. Wu, Emmanouil Giannakakis

机构 * Department of Computer Science, University of Tübingen（图宾根大学计算机科学系） ； Max Planck Institute for Biological Cybernetics（生物感知研究所） ； Flowers Team Inria（Inria花朵团队） ； Human and Machine Cognition Lab, Center for Cognitive Science, TU Darmstadt（人类与机器认知实验室，认知科学中心，图恩大学） ； Department of Bioengineering, Imperial College London（帝国理工学院生物工程系） 纠错

AI总结 受生物神经网络发育启发，使用超网络学习压缩生成过程以产生模块化储层连接，结合课程元学习与模块化储层计算，生成稀疏递归网络，以最少训练解决困难时序任务并保持鲁棒性。

AHOY! Animatable Humans under Occlusion from YouTube Videos with Gaussian Splatting and Video Diffusion Priors

AHOY! 从YouTube视频中通过高斯点云和视频扩散先验构建可动画的遮挡人类

Aymen Mir, Riza Alp Guler, Xiangjun Tang, Peter Wonka, Gerard Pons-Moll

机构 * University of Tübingen（图宾根大学） ； Imperial College London（帝国理工学院） ； KAUST（阿卜杜拉国王科技大学） 纠错

AI总结 本文提出AHOY方法，通过高斯点云和视频扩散先验从真实视频中重建完整可动画3D人体，解决遮挡挑战，提出四点贡献：生成监督、两阶段架构、解耦策略、头身监督。

Comments ECCV 2026. Project page is available at https://miraymen.github.io/ahoy/

Aligning Language Model Benchmarks with Pairwise Preferences

将语言模型基准与成对偏好对齐

Marco Gutierrez, Xinyi Leng, Hannah Cyberey, Jonathan Richard Schwarz, Ahmed Alaa, Thomas Hartvigsen

机构 * School of Data Science, University of Virginia（弗吉尼亚大学数据科学学院） ； Imperial College London（伦敦帝国理工学院） ； Thomson Reuters Foundational Research（汤姆森路透基础研究） ； Department of Electrical Engineering and Computer Science, UC Berkeley and UCSF（伯克利大学电气工程与计算机科学系及旧金山大学） 纠错

AI总结 提出BenchAlign方法，通过利用语言模型在问题级别的性能与模型成对排名，自动调整离线基准权重，使新基准能根据偏好准确排序未见模型。

The Alignment Auditor: A Bayesian Framework for Verifying and Refining LLM Objectives

对齐审计员：一种用于验证和细化大语言模型目标的贝叶斯框架

Matthieu Bou, Nyal Patel, Arjun Jagota, Satyapriya Krishna, Sonali Parbhoo

机构 * Imperial College London（伦敦帝国学院） ； Amazon AGI（亚马逊通用人工智能） 纠错

AI总结 本文提出一种贝叶斯框架，通过验证和细化LLM目标，解决逆强化学习中奖励函数推断的非识别性问题，提供可操作的诊断和验证政策效用的方法。

Comments Preprint

Efficient 3D Gaussian Splatting with Axis-Shared Rasterization and Order-independent Transmittance

高效3D高斯散射与轴共享光栅化及顺序无关透射率

Zhican Wang, Guanghui He, Lingjun Gao, Dantong Liu, Shell Xu Hu, Chen Zhang, Zhuoran Song, Nicholas Lane, Hongxiang Fan

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国学院） ； Samsung AI（三星人工智能） 纠错

AI总结 本文提出轴共享光栅化和顺序无关透射率方法，提升3D高斯散射在资源受限平台的实时性能，实现1.33至1.88倍的加速。

Comments ISCA 2026