A Unifying Perspective on Causal World Models: From Observations to Representations to Structure
因果世界模型的统一视角：从观测到表征再到结构
机构 * Imperial College London（帝国理工学院）
AI总结 本文从因果视角研究不同抽象层级的世界模型，提出因果世界模型的形式定义，关联相关领域工作并阐明其组件可从数据恢复的条件，为世界模型奠定支持因果推理与决策的基础。
高校专区
Imperial College London（帝国理工学院）
A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces
一种用于腔隙和扩大血管周围空间联合检测的统一框架
机构 * Hawkes Institute, University College London, UK Unit for Lifelong Health ； Aging, University College London, UK Bioengineering Department ； Imperial-X, Imperial College London, UK Department of Diagnostic Radiology, Copenhagen University Hospital, Denmark Department of Radiology \& Nuclear Medicine, Amsterdam UMC, Vrije Universiteit, The Netherlands Department of Radiology ； Nuclear Medicine, Erasmus MC, Rotterdam, The Netherlands Queen Square Institute of Neurology, University College London, UK Institute of Cardiovascular Sciences, University College London, UK Barts Heart Centre, St Bartholomew's Hospital, London, UK
AI总结 本文提出了一种统一框架，通过形态解耦和混合监督策略，提高EPVS和腔隙的联合检测性能，并在大规模数据集上验证了其鲁棒性。
Comments Accepted to the 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026)
Operationalising Relative Causal Knowledge: Backbone Identifiability from Private Reports on a Shared Outcome
相对因果知识的可操作化：基于共享结果的私人报告的主干可识别性
机构 * Imperial College London（帝国理工学院） ； Fifty One Degrees Ltd（51度公司）
AI总结 本文研究相对因果知识的主干可识别性，针对双智能体共同效应案例，明确局部因果边际无法唯一确定主干，提出需智能体传递因果识别的响应函数方可实现识别，以教育增值示例说明其兼具通信与政策组合属性。
Comments Accepted at Causal Decision Making Workshop, UAI2026. 4 pages + Appendix (13 total)
Dynamic Context Adapters: Efficiently Infusing History into Vision-and-Language Models
动态上下文适配器：将历史信息高效注入视觉-语言模型
机构 * University of Liverpool（利物浦大学） ； National Tsinghua University（国立清华大学） ； Imperial College London（伦敦帝国学院） ； National Taiwan University（国立台湾大学）
AI总结 针对视觉-语言模型整合历史上下文时的计算与信息损失问题，提出动态上下文适配器（DCA），实现高效历史注入，降低注意力FLOPs超25%、内存13%，提升长时序任务性能。
MRIComp4Flow: Compression of 3D Brain MRI for Training Multi-Modal Generative Models
MRIComp4Flow：用于训练多模态生成模型的三维脑部MRI压缩
机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（帝国理工学院） ； Florida State University（佛罗里达州立大学） ； Institute for Advanced Study, TUM (TUM-IAS)（慕尼黑工业大学高等研究院） ； TUM University Hospital（慕尼黑工业大学医院）
AI总结 该研究针对大规模多模态MRI的存储与I/O问题，采用JPEG2000或JPEG-LS压缩三维脑肿瘤MRI，在20:1压缩率下训练Wavelet Flow Matching模型，证实其合成质量与未压缩数据训练的模型相当，为可扩展三维MRI生成建模提供了实用方案。
Comments Accepted: MICCAI 2026 SASHIMI workshop
Patients With Personality: Realistic Patient Simulation through Controlled Diversity and Selective Disclosure
具有个性的患者：通过受控多样性与选择性披露实现逼真的患者模拟
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； TUM University Hospital（慕尼黑技术大学医院） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Imperial College London（伦敦帝国学院）
AI总结 提出PatientsWithPersonality框架，通过HEXACO人格参数化控制患者对话风格、合作性和信息披露，生成逼真且多样化的虚拟患者，在临床评估中接近真实演员表现。
Comments 22 pages, 11 figures
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
利用大语言模型进行因果发现：一种基于约束和论证的方法
机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出利用大语言模型作为不完美的专家，结合语义结构先验和条件独立性证据，实现因果发现的先进方法。
Comments Accepted at UAI 2026. 37 pages, including appendix
A variational Bayes approach to inference for low-dimensional parameters in high-dimensional linear regression
高维线性回归中低维参数推断的变分贝叶斯方法
机构 * Sorbonne Université（索邦大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 针对高维线性回归的低维参数推断问题，提出一种结合平均场近似的可扩展变分贝叶斯方法，兼具计算优势与准确推断能力，且理论与数值表现均具竞争力。
Comments We have strengthened the Bernstein-von Mises results to hold in total variation and for growing parameter subsets, and generally improved the presentation
SR-OPSD: Self-Referenced On-Policy Self-Distillation
SR-OPSD：自引用同策略自蒸馏
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Imperial College London（伦敦帝国学院） ； University of Science and Technology of China（中国科学技术大学） ； University College London（伦敦大学学院） ； Nanyang Technological University（南洋理工大学） ； Technical University of Denmark（丹麦技术大学） ； University of Copenhagen（哥本哈根大学） ； Peking University（北京大学）
AI总结 该研究针对同策略自蒸馏的优化不稳定问题，提出SR-OPSD方法，通过几何插值结合Rényi散度优化蒸馏目标，在多任务大语言模型实验中取得最优或竞争性能。
Robotic Fabric Alignment System for Sewing Using Global Local Weighted ICP
采用全局局部加权迭代最近点（GLW-ICP）的缝纫用机器人布料对位系统
机构 * The University of Hong Kong（香港大学） ； Imperial College London（帝国理工学院） ； Tohoku University（东北大学） ； Fukushima University（福岛大学） ； City University of Hong Kong（香港城市大学）
AI总结 该研究提出采用GLW-ICP方法的机器人布料对位系统，可实现布料全局边缘与局部缝纫线的精准对齐，在有无遮挡下均达毫米级精度，适用于自动缝纫场景。
Comments 16 pages, 10 figures, https://bhattner143.github.io/rfas-glwicp.github.io/
Journal ref IEEE Transactions on Automation Science and Engineering, vol. 23, pp. 13391-13406, July 2026
Depth-adaptive Inference of Looped Language Models via Continuous Depth Batching
基于连续深度批处理的循环语言模型深度自适应推理
机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； Imperial College London（帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Potsdam（波茨坦大学） ； Hasso Plattner Institute for Digital Engineering（哈索·普拉特纳数字工程研究所）
AI总结 本文针对循环语言模型深度自适应推理中标准批处理失效的问题，提出连续深度批处理（CDB）方案，在两个模型上实现了接近理论上限的加速比，显著提升了吞吐量并降低了延迟。
Control-Oriented Scenario Tree Construction through Reinforcement Learning
面向控制的场景树构建：强化学习方法
机构 * IDLab Ghent university – imec（IDLab 根特大学 – imec） ； Imperial College London（帝国理工学院）
AI总结 该研究针对多阶段随机MPC的场景树构建，提出基于强化学习的面向控制的方法，在电池套利问题上验证其收益、鲁棒性及尾部风险特性均优于传统方法。
Three Necessary Principles for Self-Supervised Visual Representation Learning
自监督视觉表征学习的三条必要原则
机构 * Imperial College London（帝国理工学院） ； CERTH, ITI（CERTH ITI）
AI总结 该研究提出自监督视觉表征学习的三条必要原则，通过理论证明与受控实验分析各原则的作用，表明主流自监督方法可纳入统一框架，且任意两个原则无法替代第三个。
Comments Accepted at the 19th European Conference on Computer Vision (ECCV 2026) Workshops
Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
Towards an Argumentative Foundation for Evaluative AI
面向评估型人工智能的论辩基础
机构 * Imperial College London（伦敦帝国学院） ； The University of Queensland（昆士兰大学） ； Cardiff University（卡迪夫大学） ； King’s College London（伦敦国王学院）
AI总结 该研究提出以计算论辩为基础，为具备可解释性和可争议性的评估型人工智能（EAI）提供正式可计算基础，推动构建分布式、以人类为中心的EAI系统。
Two-Layer Linear Auto-Regressive Models Estimate Latent States
两层线性自回归模型估计潜在状态
机构 * Cornell（康奈尔大学） ； Washington（华盛顿大学） ； Imperial College London（伦敦帝国理工学院） ； Amazon（亚马逊）
AI总结 本文证明两层线性自回归模型通过经验风险最小化训练时，能近似卡尔曼滤波，恢复潜在状态估计，并提供有限样本保证。
Comments ICML 2026
Wasserstein Distributionally Robust Regret Optimization for Reinforcement Learning from Human Feedback
Wasserstein分布鲁棒遗憾优化用于人类反馈的强化学习
机构 * Department of Statistics and Operations Research, University of North Carolina（统计与运筹学系，北卡罗来纳大学） ； Imperial Business School, Imperial College London（帝国理工学院伦敦商学院） ； Department of Management Science and Engineering, Stanford University（管理科学与工程系，斯坦福大学）
AI总结 本文提出Wasserstein分布鲁棒遗憾优化（DRRO）用于强化学习从人类反馈，通过简单分配模型研究提示问题，展示在ℓ1-地面成本Wasserstein模糊集下，内最坏遗憾有精确解，最优策略具有水填充结构，从而实现高效政策梯度算法。
Discovering and Causally Validating Emotion-Sensitive Neurons in Large Audio-Language Models
在大型音频-语言模型中发现并因果验证情绪敏感神经元
机构 * Center for Language and Speech Processing (CLSP)（语言与语音处理中心） ； Johns Hopkins University（约翰霍普金斯大学） ； Group on Language, Audio & Music (GLAM)（语言、音频与音乐小组） ； Imperial College London（伦敦帝国学院）
AI总结 本研究通过神经元层面的干预验证了大型音频-语言模型中情绪敏感神经元的存在，并揭示了情绪识别的因果机制。
Comments Accepted to ACL 2026
Discriminative and Consistent Representation Distillation
机构 * Imperial College London（伦敦帝国学院）
Comments Accepted at the 19th European Conference on Computer Vision (ECCV 2026) Workshops
LoCA: Forward-Only LLM Tuning after One-Shot Calibration with Local Credit Assignment
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * 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） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； 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 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation
DisPOSE: 投影多随机扩散用于自监督多视图3D人体姿态估计
机构 * Imperial College London（伦敦帝国学院） ； Technical University of Munich（慕尼黑技术大学）
AI总结 提出DisPOSE框架，将多视图人员分配问题建模为多随机张量空间上的生成扩散过程，通过可微Sinkhorn投影和超图卷积解码器实现自监督3D人体姿态估计，在标准数据集和手术室遮挡场景中表现优异。
Comments Accepted at ICML 2026
Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models
大的、明亮的还是不可见的：3D CT基础模型的冻结特征基准测试
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） ； 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） ； UKE Hamburg（汉堡大学医院）
AI总结 本研究对10个冻结CT编码器开展基准测试，发现性能主要取决于异常的对比度与空间范围，小型低对比度病变仍是挑战，需区域或病变级预训练。
On the Anisotropy of Score-Based Generative Models
基于得分的生成模型的各向异性研究
机构 * Imperial College London（伦敦帝国学院） ； Apple（苹果公司）
AI总结 该研究针对基于得分的生成模型，引入依赖架构的得分各向异性方向（SADs），通过合成数据和图像基准验证其可捕获模型行为并关联下游性能，为预测生成模型泛化能力提供新方法。
Robust Control under Stationary Ambiguity
平稳歧义下的鲁棒控制
机构 * Imperial College London（伦敦帝国学院） ； JPMorgan Chase & Co.（摩根大通公司） ； University of St. Gallen（圣加仑大学）
AI总结 本文针对模拟控制策略在真实系统中易因潜在因素变化丧失鲁棒性的问题，提出平稳歧义的建模原则，构建对应模拟器训练策略，在对冲任务中验证其能持续保持鲁棒性。
SurgNarrator: A Generative Retrieval Framework for Surgical Video Understanding
SurgNarrator：面向手术视频理解的生成式检索框架
机构 * University of Liverpool（利物浦大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） ； University of Strasbourg（斯特拉斯堡大学） ； IHU Strasbourg（斯特拉斯堡大学医院研究所） ； Imperial College London（帝国理工学院）
AI总结 SurgNarrator是专为手术视频理解设计的生成式检索框架，通过构建手术词汇表、适配Qwen3-VL-Embedding-8B并采用分层检索策略，在零样本设置下于12个基准上实现性能提升且延迟大幅降低。
Comments This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
Eliciting Intrinsic Hallucinations in LLMs via Semantically Equivalent Adversarial Attacks
通过语义等价对抗攻击引出大语言模型的内在幻觉
机构 * Imperial College London（帝国理工学院） ； Safe Intelligence（安全智能研究院）
AI总结 本文提出新框架，通过语义等价对抗攻击测试LLMs鲁棒性，发现先进模型易受语义保留扰动影响致忠实度大幅下降，凸显需开发鲁棒接地的LLM架构与训练目标。
Comments To be presented at COLM 2026
A Graph Signal Processing Perspective on Numerical Sequence Representations in LLM In-Context Learning
大语言模型上下文学习中数值序列表示的图信号处理视角
机构 * Cornell University（康奈尔大学） ； Goodfire AI（古德火人工智能公司） ； Imperial College London（伦敦帝国学院）
AI总结 本文从图信号处理视角研究LLM上下文学习中数值序列的表示，发现数值推理的内部特征随上下文长度和输入动态复杂性变化，且在不同模型家族间一致。
Forbidden Region Dynamic Active Constraints in Robot-Assisted Minimally Invasive Surgery
机器人辅助微创手术中的禁区动态主动约束
机构 * Imperial College London（帝国理工学院）
AI总结 本研究针对机器人辅助微创手术中禁区主动约束（FRAC）的动态组织变形等挑战，提出能量耗散型FRAC策略，经体外实验验证其鲁棒性、有效性及时间效率优于对比方法。
Comments 8 pages, 12 figures
Journal ref Volume: 10, Issue: 3, March 2025, Page(s): 2950 - 2957
Verifier-Guided Model Discovery for Physical Dynamical Systems with Pretrained Symbolic Transformers
基于预训练符号 Transformer 的物理动力系统验证器引导式模型发现
机构 * Imperial College London（伦敦帝国学院）
AI总结 该研究提出了一种验证器引导式（VG）工作流程，基于预训练符号 Transformer ODEFormer 实现物理动力系统的可解释预测，在范德波尔振荡器和涡旋脱落场景中展现出优于原方法的性能与泛化能力。
Comments 33 pages, 13 figures, 10 tables
Self-Organising Digital Circuits
自组织数字电路
机构 * IT University of Copenhagen（哥本哈根信息技术大学） ； Imperial College London（帝国理工学院） ； Google（谷歌公司）
AI总结 该研究受生物自组织特性启发，提出自组织数字电路，采用拓扑掩码Transformer结合神经细胞自动机范式，实现电路的自组装与故障容错，还具备跨电路规模的泛化能力。
Comments 9 pages, 10 figures
