Imperial College London（帝国理工学院）

An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications

工程应用中的非线性动力学稀疏识别介绍

Yao Cheng Li, Ana Larrañaga, Steven L. Brunton, Urban Fasel

机构 * Department of Aeronautics, Imperial College London（伦敦帝国理工学院航空系） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； NSF AI Institute in Dynamic Systems, University of Washington（华盛顿大学动态系统领域美国国家科学基金会人工智能研究所） 纠错

AI总结 介绍工程应用中非线性动力学稀疏识别（SINDy）方法，通过对候选非线性项库稀疏回归解决代理建模局限性，教程介绍该方法及扩展，经案例研究表明其易实现且灵活，是工程应用有价值的识别工具。

Comments 15 pages, 4 figures

Beyond scalar losses: calibrating segmentation models via gradient vector field surgery

超越标量损失：通过梯度向量场手术校准分割模型

Laurin Lux, Alexander H. Berger, Moritz Knolle, Daniel Rückert, Johannes C. Paetzold

机构 * School of Computation, Information and Technology, TUM（慕尼黑工业大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Radiology, Weill Cornell Medicine（威尔康乃尔医学院放射科） ； School of Medicine and Health, TUM University Hospital（慕尼黑工业大学医院医学与健康学院） ； Cornell Tech（康奈尔科技学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 研究针对基于区域损失函数训练的分割模型校准不佳问题，提出对梯度向量场进行“手术”，即给损失偏导数添加因子，依预测误差线性缩放梯度大小，经2D和3D医学分割任务验证该方法有效且能保持高预测准确性。

Comments MIDL 2026. Published version: https://proceedings.mlr.press/v315/lux26a.html

Journal ref Proceedings of Machine Learning Research 315:3397-3423, 2026

Lyapunov Guidance: A Unified Framework for Stabilizing Generative Flows

李雅普诺夫引导：稳定生成流的统一框架

Jingdong Zhang, Xinze Li, Yize Jiang, Luan Yang, Minkai Xu, Junhong Liu

机构 * Imperial College London（伦敦帝国理工学院） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； MicroCyto（微赛生物） 纠错

AI总结 研究针对流匹配重新训练计算昂贵、现有训练后引导方法无稳定性保证的问题，提出LyaGuide框架，将流引导作为李雅普诺夫控制问题，统一多种引导策略，经实验验证其在多方面有改进且保持计算效率。

Comments 25 pages, 13 figures

Addressing Benchmarking Gaps in Large Language Models for Health and Medicine with Dynamic Red-Teaming

超越基准：动态、自动和系统化的红队代理用于可信的医疗语言模型

Jiazhen Pan, Bailiang Jian, Paul Hager, Yundi Zhang, Che Liu, Friederike Jungmann, Hongwei Bran Li, Julian Canisius, Chenyu You, Junde Wu, Jiayuan Zhu, Fenglin Liu, Yuyuan Liu, Niklas Bubeck, Moritz Knolle, Chen, Chen, Christian Wachinger, Zhenyu Gong, Cheng Ouyang, Georgios Kaissis, Benedikt Wiestler, Daniel Rueckert

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； University of Oxford（牛津大学） ； TUM University Hospital（慕尼黑技术大学医院） ； Imperial College London（伦敦帝国理工学院） ； Harvard Medical School（哈佛医学院） ； Stony Brook University（史泰兹布鲁克大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Sheffield（谢菲尔德大学） 纠错

AI总结 本文提出DAS红队框架，通过动态压力测试揭示医疗语言模型在鲁棒性、隐私、偏见和幻觉方面的潜在风险，发现高静态基准性能与低动态可靠性之间的'基准差距'。