高校专区
在智能体丛林中通过历史感知的对手意识进化
机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。
面向带能量收集设备的集群感知空中联邦学习：从全局训练到模型个性化
机构 * Bilkent University（比尔肯特大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； CentraleSupélec（中央理工学院） ； Imperial College London（帝国理工学院）
AI总结 本研究针对带能量收集设备的异质性数据分布场景，提出统一集群感知空中联邦学习框架，可分别实现全局训练的公平性优化与模型个性化，同时降低通信开销。
Comments 17 pages
大语言模型自适应元推理的认知需求引导
机构 * Thomson Reuters Foundational Research（汤森路透基础研究部） ； Imperial College London（帝国理工学院）
AI总结 该研究提出无需训练的元推理框架CDS，通过认知量表刻画需求，在三类大模型和六个基准上较直接调用、标准CoT分别提升21.9%、9%准确率，难数学编码任务增益显著。
Comments 21 pages, 3 figures
NISF++：基于几何基础的、从2D短轴和长轴MR视图重建心脏3D+时间功能的隐式表示
机构 * Technical University Munich（慕尼黑工业大学） ； TUM University Hospital（慕尼黑工业大学附属医院） ； Aix-Marseille Université（艾克斯-马赛大学） ； Imperial College London（伦敦帝国学院）
AI总结 该研究提出NISF++架构，从2D短轴和长轴MR视图构建心脏3D+时间隐式表示，实现时空一致性与运动校正，在UK-Biobank120人队列中获良好分割与运动校正效果。
RadPRISM：用于概念解耦图像表示与视觉定位的模式分层放射学报告监督方法
机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Technical University of Munich, School of Medicine and Health（慕尼黑工业大学医学与健康学院） ； Klinikum rechts der Isar（右伊萨尔医院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt Universität zu Berlin（柏林洪堡大学） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； University Hospital Essen (AöR)（埃森大学医院（AöR）） ； Institute for Artificial Intelligence in Medicine (IKIM)（医学人工智能研究所（IKIM）） ； Institute of Interventional and Diagnostic Radiology and Neuroradiology（介入与诊断放射学及神经放射学研究所） ； National Center for Tumor Diseases West（西部肿瘤疾病国家中心）
AI总结 RadPRISM将放射学模式作为分层轴，通过专用视觉子空间对齐临床概念，提升零样本分类与视觉定位性能，实现可透明检查的概念解耦医学图像表示。
NORi：一种融合机器学习的海洋边界层参数化方法
机构 * Department of Earth, Atmospheric and Planetary Sciences, Massachusetts Institute of Technology（麻省理工学院地球、大气与行星科学系） ； Center for Computational Science and Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心） ； Department of Physics, Imperial College London（伦敦帝国学院物理系） ； atdepth ； Aeolus Labs（Aeolus实验室） ； Department of Environment, Land and Infrastructure Engineering, Politecnico di Torino（托里诺理工学院环境、土地与基础设施工程系）
AI总结 NORi是一种基于物理并结合神经网络的机器学习海洋边界层湍流参数化方法，通过训练大规模涡旋模拟来捕捉边界层底部的混合过程，展示了在不同对流强度、背景层结、旋转和风力作用下的预测和泛化能力。
Comments 59 pages, 20 figures, submitted to Journal of Advances in Modeling Earth Systems (JAMES). This is version 3, updated based on reviews from 3 anonymous reviewers after initial submission to JAMES
潜在注意力在遮蔽块上的应用用于流体重构
机构 * Aeronautics Dept., Imperial College London（伦敦帝国理工学院航空系） ； DIMEAS, Politecnico di Torino（都灵理工大学机械与航空航天工程系） ； I-X, Imperial College London（伦敦帝国理工学院I-X）
AI总结 本文提出LAMP模型，通过分块、降维和单层Transformer回归实现遮蔽流体重构，展示了在层流和湍流中的应用效果。
Comments 8 pages, 5 figures, accepted for publication in Springer's LNCS Series and for poster presentation at ICCS (International Conference on Computational Science) 2026
Journal ref Lecture Notes in Computer Science, vol 16788, pp. 181-188. Springer, Cham (2026)
在大语言模型时代，小型模型的作用是什么：一项调查
机构 * Imperial College London, UK（伦敦帝国学院） ； Inria Saclay, France（法国萨克利研究所）
AI总结 本文通过系统分析LLMs与SMs的协作与竞争关系，探讨小型模型在大语言模型时代的作用，旨在为实践者提供深入理解与高效资源利用的参考。
Comments a survey paper of small models
利用深度学习评估视网膜退化：对MARIO挑战的全面分析
机构 * University of Western Brittany, Brest, France ； University of Tlemcen, Algeria ； Ophthalmology Department, CHRU Brest, Brest, France ； Imperial College London, United Kingdom ； Biomedical Engineering, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan ； Evolucare Technologies, France ； College of Computer Science, Sichuan University, China ； Medical University of Vienna, Austria ； TNO, The Hague, The Netherlands ； Image Sciences Institute, UMC Utrecht, Utrecht, The Netherlands ； Johannes Kepler University Linz, Austria ； University of Zagreb, Faculty of Electrical Engineering ； Department of Radiology, University of Calgary, Calgary, AB, Canada ； Biomedical Engineering Graduate Program, University of Calgary, Calgary, AB, Canada ； Hotchkiss Brain Institute, University of Calgary, Calgary, AB, Canada ； Alberta Children’s Hospital Research Institute, University of Calgary, Calgary, AB, Canada ； Department of Pediatrics, University of Calgary, Calgary, AB, Canada ； Department of Community Health Sciences, University of Calgary, Calgary, AB, Canada ； Department of Clinical Neuroscience, University of Calgary, Calgary, AB, Canada ； University of Calgary, Calgary, AB, Canada ； German Cancer Research Center (DKFZ) Heidelberg, Division of Medical Image Computing, Germany ； Medical Faculty Heidelberg, Heidelberg University, Germany ； Biomedical Image Technologies (BIT), ETSI Telecomunicación, Universidad Politécnica de Madrid, Spain ； Ophthalmology Service of the Provincial Ophthalmic Institute, Hospital Universitario Gregorio Marañón, Madrid, Spain ； University of Edinburgh, Scotland ； Lung Institute, Faculty of Medicine, Imperial College London, United Kingdom ； Hawkes Institute, Department of Computer Science, University College London, London, United Kingdom
AI总结 本文通过MARIO挑战展示了深度学习在AMD监测中的应用，验证了AI在检测AMD进展方面的有效性，但尚未实现对未来演变的预测。
Comments MARIO-MICCAI-CHALLENGE 2024
用于联邦边缘学习的学习型数字无线聚合计算
机构 * Department of Electrical \& Electronic Engineering, Imperial College London, London, UK
AI总结 该研究针对联邦边缘学习中低信噪比下数字OTA设计性能差的问题，提出联合优化URA码本与AMP解码器的学习型框架，可扩展SNR范围约7dB且泛化性良好。
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