Imperial College London（帝国理工学院）

Evolving in the Agent Jungle via History-Informed Opponent Awareness

在智能体丛林中通过历史感知的对手意识进化

Zhaofeng Zhang, Linhan Xia, Rui Liu, Yihao Wang, Binrui Shen, Shengxin Zhu

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） 纠错

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。

Cluster-Aware Over-the-Air Federated Learning with Energy-Harvesting Devices: From Global Training to Model Personalization

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

Furkan Bagci, Busra Tegin, Mohammad Kazemi, Tolga M. Duman

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） 纠错

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

Cognitive Demand Steering for Adaptive Meta-Reasoning in Large Language Models

大语言模型自适应元推理的认知需求引导

John Scoville, Shengzhuang Chen, Yejin Bang, Stefan Winzeck, Jonathan Richard Schwarz

机构 * Thomson Reuters Foundational Research（汤森路透基础研究部） ； Imperial College London（帝国理工学院） 纠错

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++: Geometrically-grounded implicit representations of 3D+time cardiac function from 2D short- and long-axis MR views

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

Nil Stolt-Ansó, Maik Dannecker, Steven Jia, Julian McGinnis, Daniel Rueckert

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） 纠错

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: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding

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

Fabian Drexel, Marlene Fritzsche, Era Stambollxhiu, Miriam Kumpf, Lena Schmitzer, Lea Schumann, Jannik Kahmann, Friedrich Puttkammer, Johannes Moll, Jannik Lübberstedt, Zeineb Ben Chaaben, Anirudh Narayanan, Cosmin I. Bercea, Sebastian Ziegelmayer, Marcus R. Makowski, Daniel Rueckert, Lisa C. Adams, Keno K. Bressem

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） 纠错

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。