高校专区
一种将多模态人类意图转化为无人机安全机动的中介模型
机构 * University of Notre Dame（诺丁汉大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究如何将多模态人类意图转化为无人机安全机动，提出需求导向的机动响应模型，通过结构化管道处理操作员输入，经多种约束验证后执行，还形式化为此类规范模型，经实验室验证可可靠解释并安全执行相关输入。
Comments 11 pages, 4 figures, preprint for MODRE 2026
通过学习神经集函数的松弛来推进最优子集预言机
机构 * Fuzhou University（福州大学） ； Imperial College London（伦敦帝国学院） ； National University of Singapore（新加坡国立大学）
AI总结 研究神经集函数学习，针对现有最优子集预言机框架依赖蒙特卡罗采样估计梯度导致计算开销大且轨迹不稳定的问题，提出将证据下界重新解释为连续松弛并学习替代目标，实验证明该方法能减少开销、加速推理并优于现有基线。
CHARM：基于大语言模型的多模态讽刺检测中的电荷校准与声学救援
机构 * GLAM – the Group on Language, Audio, & Music, Imperial College London（伦敦帝国理工学院语言、音频和音乐小组） ； College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学通信与信息工程学院） ； College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； Shenzhen Research Institute, Hunan University（湖南大学深圳研究院） ； CHI – Chair of Health Informatics, TUM University Hospital（慕尼黑工业大学医院健康信息学主席） ； relAI – the Konrad Zuse School of Excellence in Reliable AI（康拉德·楚泽可靠人工智能卓越学院） ； MDSI – Munich Data Science Institute（慕尼黑数据科学研究所） ； MCML – Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 研究针对大语言模型在讽刺检测中过度预测积极类别及韵律线索利用不足的问题，提出CHARM框架，含双向电荷校准和声学后期融合救援两个模块，无需微调主干，提升检测性能，揭示跨文化韵律解耦，产生可解释的跨语言多模态检测器。
Comments under review
SETA：终端智能体的扩展环境
机构 * Imperial College London（帝国理工学院） ； University College London（伦敦大学学院） ； SambaNova（桑巴诺瓦公司） ； KAUST（阿卜杜拉国王科技大学） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of Waterloo（滑铁卢大学） ； RadixArk（基数方舟公司）
AI总结 研究针对终端智能体训练扩展难的问题，提出SETA框架，含SETA - Synth和SETA - Evol两个管道及统一验证机制，构建了SETA - Env数据集。实验显示该数据集能为终端智能体提供优质训练环境，推动相关研究发展。
用于减轻机器人基础模型中捷径学习的人工中央凹感知
机构 * Yale University（耶鲁大学） ； University of Connecticut（康涅狄格大学） ； Peking University（北京大学） ； Imperial College London（帝国理工学院） ； Digients
AI总结 研究机器人基础模型因捷径学习难以稳健部署的问题，提出人工中央凹感知模块AFP，通过预测任务条件掩码辅助微调，使策略关注任务相关区域，实验证明其能减少微调时间、抑制过拟合并提升泛化能力。
在域转移下对用于乳腺钼靶成像的基础模型的稳健性进行基准测试
机构 * College of Engineering and Computer Science, VinUniversity（工程与计算机科学学院，文大大学） ； Imperial College London（伦敦帝国理工学院） ； Radiology Department, Vietnam National Cancer Hospital（越南国家癌症医院放射科） ； VinUni-Illinois Smart Health Center, VinUniversity（文大大学 - 伊利诺伊智能健康中心，文大大学） ； The Computer Vision and Medical AI Lab, VinUniversity（计算机视觉与医学人工智能实验室，文大大学）
AI总结 研究在域转移下乳腺钼靶成像基础模型的稳健性，用统一协议在多数据集上训练评估15种模型主干，发现特定视觉语言模型性能强，DINOv3是有竞争力基线，适应预训练未持续提升泛化，强调数据集级OOD评估是核心标准。
Comments Under Review. Giang Nguyen and Raghav Mehta contributed equally
GRC-ProbNet：用于心血管疾病分类的不确定性感知特征提取
机构 * Imperial College London（伦敦帝国学院） ； Medical University of Vienna（维也纳医科大学）
AI总结 研究旨在从CT图像自动检测和分类心血管疾病，提出GRC-ProbNet利用深度集成生成多个分割掩码以提取不确定性特征，实验表明该方法能提高CVD分类的AUROC，优于基线GRC-Net模型。
Comments Under Review
模型指导绘图：用于统一多模态推理的自适应视觉门控
机构 * Imperial College London（伦敦帝国理工学院） ； Tsinghua University（清华大学）
AI总结 针对统一多模态模型在视觉推理中存在的问题，提出基于生成意图和视觉保真度两个内部信号的AdaViG方法，可动态评估视觉步骤，避免误导性视觉证据进入推理过程，提升了准确率并降低计算量和延迟。
具有确定性策略的扩展平均场控制的演员-评论家学习
机构 * University of California, Berkeley（加州大学伯克利分校） ； Ecole Polytechnique, CMAP（巴黎政治经济学院（École Polytechnique）） ； Imperial College London（伦敦帝国学院）
AI总结 针对连续时间扩展平均场控制问题，提出无模型强化学习框架，采用确定性反馈策略，建立灵敏度公式并推导策略梯度公式，经细化后得到含相关导数项的策略梯度，结合多种方法形成算法，数值实验验证了该方法的有效性。
人工神经网络中通过表征学习实现的涌现式泛化
机构 * I-X Centre for AI in Science, Imperial College London（AI科学中心，帝国理工学院伦敦分校） ； Department of Electrical and Electronic Engineering, Imperial College London（电气与电子工程系，帝国理工学院伦敦分校）
AI总结 研究探讨人工神经网络中低维表征对泛化的作用，通过信息瓶颈使循环神经网络学习低维表征，借助信息论度量刻画其动态，发现非单调轨迹，小鼠实验也有类似结果，表明学习表征对泛化有功能优势及因果作用。
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