Imperial College London（帝国理工学院）

Zero and Few Shot Load Forecasting with Large Language Models

基于大语言模型的零样本和少样本负荷预测

Wenlong Liao, Chengrui Zhang, Zhe Yang, Mengshuo Jia, Christian Rehtanz, Jiannong Fang, Fernando Porté-Agel

机构 * School of Electrical Engineering, Southeast University（东南大学电气工程学院） ； Wind Engineering and Renewable Energy Laboratory, Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校风能与可再生能源实验室） ； College of Electrical Engineering and New Energy, China Three Gorges University（中国三峡大学电气工程与新能源学院） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； The Department of Automation, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； The Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai（中国教育部系统控制与信息处理重点实验室，上海） ； State Key Laboratory of Submarine Geoscience, Shanghai（上海 submarine 地球科学国家重点实验室） ； Institute of Energy Systems, Energy Efficiency and Energy Economic, TU Dortmund University（德意志图林根大学能源系统、能效与能源经济研究所） 纠错

AI总结 提出利用预训练语言模型Chronos进行零样本和少样本负荷预测，在数据稀缺场景下显著优于多种基线模型。

Comments 24 pages,5 figures

Journal ref International Journal of Electrical Power & Energy Systems, Volume 177,April 2026

ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction?

ClinicalBench: 大型语言模型能在临床预测中击败传统机器学习模型吗？

Canyu Chen, Jian Yu, Shan Chen, Che Liu, Zhongwei Wan, Shuang Zhou, Yuan Luo, Rui Zhang, Danielle Bitterman, Fei Wang, Kai Shu

机构 * Department of Computer Science Northwestern University Evanston USA（计算机科学系西北大学艾文斯顿美国） ； Department of Computer Science University of Texas at Austin Austin USA（计算机科学系德克萨斯大学奥斯汀美国） ； Boston Children's Hospital, Harvard Medical School Boston USA（波士顿儿童医院哈佛医学院波士顿美国） ； Department of Computer Science Imperial College London London UK（计算机科学系伦敦帝国学院伦敦英国） ； Department of Computer Science Ohio State University Columbus USA（计算机科学系俄亥俄州立大学哥伦布美国） ； Massachusetts General Hospital, Harvard Medical School Boston USA（麻省总医院哈佛医学院波士顿美国） ； Department of Preventive Medicine, Feinberg School of Medicine Northwestern University Chicago USA（预防医学系费因伯格医学院西北大学芝加哥美国） ； Division of Computational Health Sciences, Department of Surgery University of Minnesota Minneapolis USA（计算健康科学部外科部明尼苏达大学明尼阿波利斯美国） ； Department of Population Health Sciences, Weill Cornell Medicine Cornell University New York USA（流行病学与公共卫生系韦尔·科恩医学中心康奈尔大学纽约美国） ； Department of Computer Science Emory University Atlanta USA（计算机科学系埃默里大学亚特兰大美国） ； Northwestern University（西北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀） ； Boston Children's Hospital, Harvard Medical School（波士顿儿童医院哈佛医学院） ； Imperial College London（伦敦帝国学院） ； Ohio State University（俄亥俄州立大学） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院哈佛医学院） ； University of Minnesota（明尼苏达大学） ； Cornell University（康奈尔大学） ； Emory University（埃默里大学） 纠错

AI总结 构建ClinicalBench基准，通过三个临床预测任务比较14个通用和8个医学LLM与11个传统ML模型，发现LLM在临床预测上仍无法超越传统ML模型。

Comments Accepted to Proceedings of KDD 2026. The first two authors contributed equally. 12 pages for main paper, 62 pages including appendix. Project website: https://clinicalbench.github.io

Assessing True Generalisability of Audio-Visual Speech Recognisers

评估音视频语音识别器的真正泛化能力

Zhaofeng Lin, Stavros Petridis, Maja Pantic, Naomi Harte

机构 * Trinity College Dublin（都柏林三一学院） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 通过构建与LRS3测试集严格匹配的评估集，发现当前最先进的音视频语音识别模型在未见数据上性能全面崩溃，揭示了其泛化能力不足，并分析了退化原因、词汇偏差和错误模式。

Comments Accepted to Interspeech 2026 Long paper track. 9 pages, 4 figures

Compute-Optimal Network Design for Echocardiography Myocardial Segmentation and Perfusion Quantification using Neural Scaling Laws

基于神经缩放定律的超声心动图心肌分割与灌注量化的计算最优网络设计

Clara Rodrigo González, Matthieu Toulemonde, Lasha Gvinianidze, Cameron A. B. Smith, Oscar Bates, Roxy Senior, Fu Siong Ng, Meng-Xing Tang

机构 * Department of Bioengineering, Imperial College London（生物工程系，帝国理工学院伦敦分校） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺 institute，帝国理工学院伦敦分校） ； Guy’s and St. Thomas’ NHS Foundation Trust（圣泰莫斯国家健康服务信托基金） 纠错

AI总结 应用神经缩放定律预测心肌分割性能，在CAMUS和CEUS数据集上确定最优网络大小，实现参数减少240倍且性能达最优，自动分割在心肌灌注量化中与资深心脏病专家等效。

Comments 15 pages, 4 figures, 5 tables, journal

Task Editing for Generalizable 3D Visuomotor Policy Learning

面向可泛化3D视觉运动策略学习的任务编辑

Jian-Jian Jiang, YiHan Yang, Lan Wei, Yuming Luo, Xiao-Ming Wu, Xuhang Chen, Bin Fan, Dandan Zhang, Wei-Shi Zheng

机构 * Sun Yat-sen University（中山大学） ； Imperial College London（帝国理工学院） ； Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） 纠错

AI总结 提出Task-Edit框架，通过将任务分解为场景、技能和对象组件并灵活重组，生成多样化轨迹，提升3D视觉运动策略在长程操作任务中的泛化能力。

Comments 8 pages, 4 figures

SCOUT: Semantic scene COverage via Uncertainty-guided Traversal

SCOUT: 基于不确定性引导遍历的语义场景覆盖

Junyu Mao, Sara Ayoubi, Vishnu D. Sharma, Ilija Hadžić, Matthew Andrews

机构 * Nokia Bell Labs, France（诺基亚贝尔实验室，法国） ； Nokia Bell Labs, Murray Hill, NJ, USA（诺基亚贝尔实验室，美国，新泽西州 Murray Hill） ； Imperial College London（帝国理工学院伦敦分校） ； Locus Robotics（Locus机器人技术公司） 纠错

AI总结 提出SCOUT框架，通过不确定性引导的遍历规划与概率场景图构建的闭环，使机器人主动探索并逐步理解环境，实现语义场景完整性作为操作目标。

Comments 2026 ICRA Workshop on Uncertainty in Open World Robotics

Evaluating AI-based Scientific Knowledge Synthesis with Epidemiological Systematic Reviews

基于流行病学系统评价评估AI科学知识综合

Shreyansh Padarha, Ryan Othniel Kearns, Tristan Naidoo, Lingyi Yang, Łukasz Borchmann, Piotr BŁaszczyk, Christian Morgenstern, Ruth McCabe, Sangeeta Bhatia, Philip H. Torr, Jakob Foerster, Scott A. Hale, Thomas Rawson, Anne Cori, Elizaveta Semenova, Adam Mahdi

机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nottingham（诺丁汉大学） ； Snowflake AI Research（Snowflake人工智能研究） ； Independent（独立） 纠错

AI总结 提出AgentSLR评估框架，包含自动化工作流和专家标注数据集，测试LLM在流行病学系统评价各阶段能力，发现无模型全面领先，结构化提取是主要瓶颈。

COMPOSE: Hypergraph Cover Optimization for Multi-view 3D Human Pose Estimation

COMPOSE：用于多视角三维人体姿态估计的超图覆盖优化

Tony Danjun Wang, Tolga Birdal, Nassir Navab, Lennart Bastian

机构 * School of Computation, Information, and Technology, Technical University of Munich（技术大学慕尼黑计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） 纠错

AI总结 提出COMPOSE方法，将多视角三维人体姿态估计重构为超图上的加权精确覆盖优化，通过全局组合目标替代局部配对关联，结合几何剪枝与整数线性规划或信念传播求解器，无监督下精度提升显著。

SINDy-RL: Interpretable and Efficient Model-Based Reinforcement Learning

SINDy-RL：可解释且高效的基于模型的强化学习

Nicholas Zolman, Christian Lagemann, Urban Fasel, J. Nathan Kutz, Steven L. Brunton

机构 * Department of Mechanical Engineering, University of Washington, Seattle, WA 98195, USA（华盛顿大学机械工程系） ； Data Science and Artificial Intelligence Department, The Aerospace Corporation, El Segundo, CA 90245（航空航天公司数据科学与人工智能部） ； Department of Aeronautics, Imperial College, London SW7 2AZ, United Kingdom（帝国理工学院航空系） ； Department of Applied Mathematics, University of Washington, Seattle, WA 98195（华盛顿大学应用数学系） ； Department of Electrical and Computer Engineering, University of Washington, Seattle, WA 98195（华盛顿大学电气与计算机工程系） 纠错

AI总结 本文提出SINDy-RL框架，结合SINDy和DRL，实现低数据下高效、可解释的动力学模型和控制策略，通过基准环境和流体控制实验验证其有效性。

Comments For code, see https://github.com/nzolman/sindy-rl. v2 Update: Included Pinball and 3D Airfoil examples. Christian Lagemann added as an author for contributions with the 3D Airfoil code. To appear in Nature Communications

Journal ref Nat. Commun. 16, 10714 (2025)

Certified Robustness to Data Poisoning in Gradient-Based Training

基于梯度的训练中对数据投毒的认证鲁棒性

Philip Sosnin, Mark N. Müller, Maximilian Baader, Calvin Tsay, Matthew Wicker

机构 * Department of Computing, Imperial College London, United Kingdom（帝国理工学院伦敦分校计算机系） ； Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； LogicStar.ai, Switzerland（LogicStar.ai公司） ； The Alan Turing Institute, United Kingdom（艾伦·图灵研究所） 纠错

AI总结 提出首个框架，通过凸松弛过度近似参数更新集，为梯度下降训练的模型提供针对无目标、有目标投毒和后门攻击的可证明鲁棒性保证。

Comments 21 pages, 8 figures

Adaptive state-action abstractions via rate-distortion

基于率失真的自适应状态-动作抽象

Fernando E. Rosas

机构 * Department of Informatics, University of Sussex（苏塞克斯大学信息学院） ； Department of Brain Science, Imperial College London（伦敦帝国学院脑科学系） ； Centre for Eudaimonia and Human Flourishing, University of Oxford（牛津大学幸福与人类繁荣中心） 纠错

AI总结 提出通过率失真原理构建软状态-动作抽象，并利用性能证书动态调整抽象粒度，以在压缩状态和动作信息时实现近似最优性能。

Comments 28 pages, 2 figures

Multilingual Detection of Alzheimer's Disease from Speech: A Cross-Linguistic Transfer Learning Approach

基于语音的多语言阿尔茨海默病检测：跨语言迁移学习方法

Nadine Yasser Abdelhalim, Emmanuel Akinrintoyo, Nicole Salomons

机构 * Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 提出跨语言训练方法，利用英语、中文、阿拉伯语和印地语数据集开发基于Transformer的模型，实现多语言阿尔茨海默病检测，F1分数达82%，推理时间0.5秒，支持实时筛查。

Comments 5 pages

GridPE: A Grid Cell-Inspired Unified Position Embedding for Arbitrary-Dimensional Spaces

GridPE: 一种基于网格细胞的统一位置嵌入方法用于任意维度空间

Boyang Li, Yulin Wu, Nuoxian Huang, Wenjia Zhang

机构 * New York University（纽约大学） ； Peking University（北京大学） ； Imperial College London（伦敦帝国学院） ； Tongji University（同济大学） 纠错

AI总结 本文提出GridPE，一种受哺乳动物空间认知中六边形周期编码启发的新型位置嵌入框架，旨在解决高维时空任务中位置嵌入的理论保障问题，通过结合计算神经科学原理和调和分析，为任意维度空间提供统一的位置嵌入解决方案。

Generating Financial Time Series by Matching Random Convolutional Features

通过匹配随机卷积特征生成金融时间序列

Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

机构 * Imperial College London（帝国理工学院伦敦分校） ； JPMorgan Chase & Co.（摩根大通公司） ； University of St. Gallen（圣加尔登大学） 纠错

AI总结 提出SOCK（软竞争核）可微随机卷积特征图，通过匹配真实与生成时间序列的随机卷积特征来训练生成器，在小样本金融数据集上优于签名和扩散基线方法。

Deep Embedded Multiplicative DMD for Algebra-Preserving Koopman Learning

深度嵌入乘法DMD用于保代数Koopman学习

Kelan Gray, Finlay Brown, Nicolas Boullé, Matthew J. Colbrook

机构 * Department of Mathematics, Imperial College London（帝国理工学院数学系） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） 纠错

AI总结 提出DeepMDMD方法，通过结合深度学习和乘法DMD，在潜空间中施加Koopman乘积规则作为代数约束，学习紧凑且动态一致的字典，实现稳定预测和谱污染减少。

Comments 26 pages, 11 figures

Instant-Fold: In-Context Imitation Learning for Deformable Object Manipulation

Instant-Fold: 可变形物体操作的情境模仿学习

Yilong Wang, Cheng Qian, Edward Johns

机构 * The Robot Learning Lab（机器人学习实验室） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 提出Instant-Fold框架，通过单次人类演示的情境模仿学习，无需梯度更新即可推断并执行多种可变形物体操作模式，在仿真训练后零样本迁移到真实世界。

Tiny Collaborative Inference for Occlusion-Robust Object Detection

用于遮挡鲁棒目标检测的微型协同推理

Chieh-Tung Cheng, Mustafa Aslanov, Eiman Kanjo

机构 * Imperial College London（帝国理工学院伦敦分校） ； Nottingham Trent University（诺丁汉特伦特大学） 纠错

AI总结 针对超低端边缘设备，结合MCUNet骨干网络、YOLOv2检测头和TensorFlow Lite量化，评估决策级融合（WBF）相比特征级融合在遮挡场景下提升mAP达+0.2736，并验证了多视角融合与Wi-Fi对等部署的可行性。

When and why randomised exploration works (in linear bandits)

随机探索何时以及为何有效（在线性赌博机中）

Marc Abeille, David Janz, Ciara Pike-Burke

机构 * Criteo AI Lab（Criteo AI实验室） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出一种不依赖强制乐观或后验膨胀的分析方法，证明在动作空间光滑且强凸的d维线性赌博机中，随机探索算法（如汤普森采样）可实现O(d√n log(n))的n步遗憾界，首次表明在非平凡线性赌博机设置中汤普森采样能达到最优维度依赖。

Comments Minor corrections to formulas and text; results unchanged

Optimizing Communication and Computation for Multi-UAV Information Gathering Applications

为多UAV信息采集应用优化通信与计算

Mason Thammawichai, Sujit P. Baliyarasimhuni, Eric C. Kerrigan, João B. Sousa

机构 * Department of Aeronautics, Imperial College London（帝国理工学院伦敦校区航空系） ； Department of Electronics and Communications Engineering, Indraprastha Institute of Information Technology（印度拉普拉兹信息技术学院电子与通信工程系） ； Department of Electrical & Electronic Engineering and the Department of Aeronautics, Imperial College London（帝国理工学院伦敦校区电子与电气工程系及航空系） ； Department of Electrical and Computer Engineering, University of Porto（葡萄牙波尔图大学电气与计算机工程系） 纠错

AI总结 本文针对多UAV系统中通信与计算能耗的优化问题，提出了一种混合整数优化方法，通过数据聚合和多跳分层聚类实现高效的路由方案，以延长系统寿命。

Journal ref IEEE Transactions on Aerospace and Electronic Systems ( Volume: 54, Issue: 2, April 2018)

Adaptive MCMC via Combining Local Samplers

通过结合局部采样器实现自适应MCMC

Kiarash Shaloudegi, András György

机构 * Imperial College London, London, UK（伦敦帝国学院，伦敦，英国） 纠错

AI总结 本文提出了一种自适应MCMC方法，通过结合多个并行运行的局部采样器，利用核Stein分歧度优先选择链，以提高整体采样效率，实验表明该方法在多模态问题和传感器定位任务中优于现有方法。

Predict Globally, Correct Locally: Parallel-in-Time Optimal Control of Neural Networks

全局预测，局部校正：神经网络优化的并行时间最优控制

Panos Parpas, Corey Muir

机构 * Department of Computing, Imperial College London, London, United Kingdom（帝国理工学院计算系，伦敦，英国） 纠错

AI总结 本文提出了一种新的分布式优化算法，通过将神经网络的层视为动力系统离散动力学，利用最优控制的共态（adjoints）与反向传播的关系，实现参数更新无需等待前向或反向传播完成，从而提高效率。

Rejoinder for "Probabilistic Integration: A Role in Statistical Computation?"

对“概率积分：在统计计算中的作用？”的回应

Francois-Xavier Briol, Chris J. Oates, Mark Girolami, Michael A. Osborne, Dino Sejdinovic

机构 * Imperial College London（伦敦帝国理工学院） ； Newcastle University（新castle大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文是对即将发表在《统计科学》上的论文“概率积分：在统计计算中的作用？”的回应。作者感谢了评审员和同事们的帮助，并回应了讨论者提出的问题，探讨了贝叶斯方法在数值分析中的应用及其在统计计算中的作用。

Comments Accepted to Statistical Science

Rank Minimization on Tensor Ring: A New Paradigm in Scalable Tensor Decomposition and Completion

张量环上的秩最小化：一种可扩展张量分解与补全的新范式

Longhao Yuan, Chao Li, Danilo Mandic, Jianting Cao, Qibin Zhao

机构 * Graduate School of Engineering, Saitama Institute of Technology, Japan（日本萨它马工学院工程研究生院） ； Tensor Learning Unit, RIKEN Center for Advanced Intelligence Project (AIP), Japan（日本RIKEN高级智能项目（AIP）张量学习单元） ； School of Automation, Guangdong University of Technology, China（中国广东技术大学自动化学院） ； School of Computer Science and Technology, Hangzhou Dianzi University, China（中国杭州电子科技大学计算机科学与技术学院） ； Department of Electrical and Electronic Engineering, Imperial College London, United Kingdom（英国伦敦帝国理工学院电子与电气工程系） 纠错

AI总结 本文提出基于张量环的秩最小化方法，通过引入凸替代项解决传统方法的高计算成本和模型复杂度敏感问题，提出两种算法以不同结构的Schatten范数优化张量环因子，实验显示其高效性与高性能。

On the Sampling Problem for Kernel Quadrature

关于核二次求积的采样问题

Francois-Xavier Briol, Chris J. Oates, Jon Cockayne, Wilson Ye Chen, Mark Girolami

机构 * University of Warwick, Department of Statistics（沃里克大学统计系） ； Imperial College London, Department of Mathematics（伦敦帝国理工学院数学系） ； Newcastle University, School of Mathematics（新castle大学数学系） ； University of Technology Sydney, School of Mathematical（悉尼技术大学数学与物理科学学院） ； The Alan Turing Institute for Data Science（数据科学阿尔图里研究所） 纠错

AI总结 本文探讨了核二次求积中采样分布对收敛速率的影响，提出基于自适应温度调节和序列蒙特卡罗的自动方法，显著降低积分误差。

Comments To appear at Thirty-fourth International Conference on Machine Learning (ICML 2017)

Journal ref Proceedings of the 34th International Conference on Machine Learning, PMLR 70:586-595, 2017

Quaternion Gradient and Hessian

四元数梯度与Hessian

Dongpo Xu, Danilo P. Mandic

机构 * College of Science, Harbin Engineering University, Harbin 150001, China（哈尔滨工程大学理学院） ； Department of Electrical and Electronic Engineering, Imperial College London, SW7 2AZ London, UK（伦敦帝国理工学院电子与电气工程系） 纠错

AI总结 本文提出基于广义HR算子的新四元数梯度和Hessian定义，简化了四元数最优化算法的推导，使直接在四元数域中进行优化成为可能，提高了算法设计和评估的效率。

Comments 23 pages

Journal ref IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(2):249-261

Self-Learning Cloud Controllers: Fuzzy Q-Learning for Knowledge Evolution

自学习云控制器：用于知识演化的模糊Q学习

Pooyan Jamshidi, Amir Sharifloo, Claus Pahl, Andreas Metzger, Giovani Estrada

机构 * Imperial College London, UK（伦敦帝国学院） ； IC4, Dublin City University, Ireland（IC4，都柏林城市大学） ； University of Duisburg-Essen, Germany（杜伊斯堡- Essen大学） 纠错

AI总结 本文提出FQL4KE自学习模糊云控制器，通过在运行时学习和修改模糊规则，使用户能通过调整优先级权重来指定控制器，而非复杂适应规则，实验表明其优于传统控制器。

Distributed Reconstruction of Nonlinear Networks: An ADMM Approach

非线性网络的分布式重建：一种ADMM方法

Wei Pan, Aivar Sootla, Guy-Bart Stan

机构 * Centre for Synthetic Biology（合成生物学中心） ； the Department of Bioengineering, Imperial College London, United Kingdom（生物工程系，伦敦帝国理工学院，英国） 纠错

AI总结 本文提出了一种分布式算法用于大规模非线性网络的重建，通过ADMM将问题分解为子问题，用于识别时间序列数据中的非线性函数形式和参数。

Comments To appear in the Preprints of 19th IFAC World Congress 2014

PixVOD: Pixel-Distributed Direct Visual Odometry and Depth Estimation

PixVOD: 像素分布式直接视觉里程计与深度估计

Shinjeong Kim, Ignacio Alzugaray, Callum Rhodes, Paul H. J. Kelly, Andrew J. Davison

机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） 纠错

AI总结 提出一种基于高斯信念传播的像素级分布式视觉里程计与深度估计方法，通过关键帧锚定机制实现传感器上并行计算。

MLP Splatting: Object-Centric Neural Fields

MLP Splatting: 以对象为中心的神经场

Shinjeong Kim, Yuzhou Cheng, Xin Kong, Paul H. J. Kelly, Andrew J. Davison

机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） 纠错

AI总结 提出MLP-Splatting方法，通过少量紧凑MLP原语实现场景分解和新视角合成，支持对象级编辑且内存和渲染效率优于现有方法。

Learning Temporal Causal Structure via Smooth Differentiable Optimization

通过平滑可微优化学习时间因果结构

Tong Zhao, Ce Guo, Wayne Luk, Emil Lupu, Ray Dipojjwal

机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Bristol（布里斯托大学） 纠错

AI总结 提出使用Gumbel-Sinkhorn算子学习可微变量排序，三角化结构向量自回归模型的瞬时系数矩阵，将无环性转化为参数化，实现统一连续优化，提高时间序列因果发现的效率和准确性。