高校专区
稳定化无分布概率预测
机构 * Faculty of Economics and Business（经济与商业学院） ； Department of Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电气工程学院） ； Dyson School of Design Engineering, Imperial College London（帝国理工学院设计工程学院） ； Department of Technology, Management and Economics, Technical University of Denmark（丹麦技术大学技术、管理与经济学系） ； CoRE, Aarhus University（阿贾克斯大学CoRE）
AI总结 提出一种基于神经网络参数化回归样条的方法，联合优化无分布概率时间序列预测的质量与稳定性，以控制预测更新导致的波动，并在两个数据集上验证了其有效性。
Mag-VLA：用于双臂磁驱动微机器人操作的视觉-语言-动作模型
机构 * Department of Bioengineering, Imperial-X, Imperial College London（生物工程系，Imperial-X，帝国理工学院伦敦）
AI总结 提出Mag-VLA模型，利用双臂磁驱动微机器人实现灵巧操作，通过视觉-语言-动作框架和动作分块Transformer解码器，在真实机器人实验中达到90%接近成功率和最高80%运输成功率。
Comments Accepted by 2026 MARSS
复杂形状光学微机器人的虚拟视觉-触觉遥操作数字孪生框架
机构 * Department of Bioengineering, Imperial-X AI Initiative, Imperial College London（生物工程系、Imperial-X人工智能倡议、帝国理工学院伦敦分校）
AI总结 本文提出一个数字孪生框架，集成多陷阱光学操纵、图像位姿估计、微机器人运动仿真和基于模型的触觉渲染，用于复杂形状光学微机器人的虚拟视觉-触觉遥操作，实验表明触觉反馈显著降低接触力和位置误差标准差并提高任务成功率。
Comments Accepted by 2026 MARSS
风险控制的 Lean 作为自然语言数学推理的评判者
机构 * Imperial College London（伦敦帝国理工学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； UCL Centre for AI（大学学院伦敦人工智能中心）
AI总结 针对 Lean 评判自然语言数学答案时信号稀疏且不忠实的问题，提出 COVCAL 选择器，通过有限样本选择性风险控制，在自动形式化覆盖率足够高时保证接受答案的准确率。
具有可证明保证的多面体不确定性量化用于SLAM
机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（数据科学学院，香港中文大学（深圳）） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（人工智能学院，香港中文大学（深圳）） ； Department of Electrical and Electronic Engineering, Imperial College London（电子与电气工程系，帝国理工学院伦敦分校） ； School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney（航空航天、机械与机电工程学院，悉尼大学）
AI总结 本文提出基于多面体表示的不确定性量化算法，通过前向映射、后向位姿跟踪和位姿复合三个模块，为3D-3D路标SLAM提供可证明的确定性保证，并结合共形预测提高实用性。
Comments 16 pages, 10 figures; accepted by Robotics: Science and Systems 2026
软专家：用于不确定性感知的LLM后训练的$\alpha$-Rényi集成
机构 * Department of Mathematics, Imperial College London（帝国理工学院伦敦校区数学系） ； Bessemer AI
AI总结 提出一种$\alpha$-Rényi变分框架，通过学习后训练参数的分布来替代深度集成，实现不确定性感知的LLM后训练，并支持软路由和模型专业化。
面向光流组件的智能语言到目标合成
机构 * Institute of Biological and Chemical Systems, Karlsruhe Institute of Technology, Germany（马克斯·普朗克研究所生物和化学系统研究所，卡尔斯鲁厄技术大学，德国） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（应用数学和理论物理系，剑桥大学，英国） ； Department of Mathematics, Imperial College London, UK（数学系，伦敦帝国理工学院，英国） ； Institute of Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology, Germany（人机学与机器人研究所（IAR），卡尔斯鲁厄技术大学，德国）
AI总结 提出Speak-to-Objective模块化智能流水线，利用条件大语言模型将口语或书面指令转换为可微目标函数，实现光流控微粒子组装，并支持用户反馈学习。
Comments 21 pages, 5 figures
为什么LLM在因果发现中失败以及干预代理如何逃脱
机构 * SIRE, IIT Delhi（IIT德里智能研究机构） ； Robert Bosch GmbH（罗伯特·博世有限公司） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文证明大型语言模型在因果发现中存在根本性失败，并提出一种基于干预代理的因果贝叶斯优化方法（A-CBO），通过外部贝叶斯循环在无需模型微调的情况下实现可证明的收敛。
Comments 9 pages, 3 figures
从情感到复杂行为：第十届ABAW研讨会与竞赛推进多模态以人为中心的人工智能
机构 * Queen Mary University of London（伦敦皇后玛丽大学） ； Hume AI ； Google Deepmind（谷歌DeepMind） ； Imperial College London（伦敦帝国理工学院） ； Cogitat ； LIVIA ； ILLS ； ETS Montreal（蒙特利尔ETS） ； Concordia University（Concordia大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文介绍了第十届ABAW研讨会与竞赛，通过多模态挑战和论文，推动真实环境下人类情感与行为的建模、分析和理解。
Comments accepted at CVPR 2026
通过一类新的测度变换不等式实现更紧的信息论泛化界
机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系） ； Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系）
AI总结 本文提出基于数据处理不等式的一类新测度变换不等式，涵盖f-散度、Rényi散度和α-互信息，并应用于泛化误差、PAC-Bayes、差分隐私和数据记忆化，得到更紧的保证。
Comments Fixed a mistake in the proof of PAC-Bayesian bound
AFRILANGTUTOR：利用大语言模型推进低资源语言的语言辅导与文化教育
机构 * Instituto Politécnico Nacional（墨西哥政治技术学院） ； University of South Florida（佛罗里达州立大学） ； Saarland University（萨尔兰大学） ； Imperial College London（伦敦帝国理工学院） ； University of Hamburg（汉堡大学）
AI总结 针对低资源语言缺乏训练数据的问题，提出AFRILANGDICT词典资源并构建AFRILANGEDU数据集，通过监督微调和直接偏好优化训练AFRILANGTUTOR模型，在10种非洲语言上显著提升辅导性能。
能给我你的订单吗？扩散语言模型中插槽填充顺序的蒙特卡洛树搜索
机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Edinburgh（爱丁堡大学）
AI总结 针对掩码扩散模型（MDM）中计划-填充解码对插槽填充顺序敏感的问题，提出McDiffuSE框架，利用蒙特卡洛树搜索（MCTS）优化生成顺序，平均性能提升3.2%，在MBPP和MATH500上分别提升19.5%和4.9%。
Comments 8 pages, ICML2026
Chirpy3D: 面向创意细粒度物体生成的部件感知多视角扩散
机构 * University of Surrey（萨里大学） ； University of Cambridge（剑桥大学） ； Universiti Malaya（马来亚大学） ； Imperial College London（伦敦帝国学院）
AI总结 提出Chirpy3D，一种部件感知多视角扩散框架，从无姿态2D图像中学习层次化部件潜在空间，实现部件级交换、插值和零样本组合，无需3D数据或手动标注。
Comments 20 pages. Code at https://github.com/kamwoh/chirpy3d
PlayClass: 家禽自动玩耍行为分类
机构 * Section for Health Data Science & AI, University of Copenhagen（哥本哈根大学健康数据科学与人工智能部门） ； AVIAN Behaviour Genomics and Physiology Group, Linköping University（林雪平大学鸟类行为基因组学与生理学组） ； Department of Infectious Disease Epidemiology, Imperial College London（伦敦帝国学院传染病流行病学系）
AI总结 提出PlayClass流水线，利用SAM 3长时跟踪和V-JEPA 2.1基础模型，从俯拍视频中自动分类家禽玩耍行为，达到77.0宏平均F1。
Comments Accepted at CV4Animals Workshop @ CVPR 2026
时间同步性预测情感语料库中的标注质量
机构 * Data Science for Social Impact, University of Pretoria（社会影响力数据科学，南非普里特里亚大学） ； Instituto Politécnico Nacional（技术学院国家） ； Department of African Languages, University of Pretoria（非洲语言系，南非普里特里亚大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 通过分析Setswana情感数据集，发现标注者间一致性随时间下降的主要原因是时间同步性，即同时标注的样本一致性高，而间隔较长的标注一致性低。
喷注标记器中的粒子-拉普兰多模态
机构 * Brown University（布朗大学） ； Imperial College of Science, Technology and Medicine（帝国理工学院科学、技术与医学学院）
AI总结 提出PLuM多模态架构，联合处理粒子成分与拉普兰平面分裂，通过交叉注意力机制研究显式QCD层次结构是否补充原始粒子表示，发现对顶夸克和H→bb标记有系统性提升，在HH(4b)分析中背景抑制提高25%。
通过扩散策略优化扩展世界模型强化学习
机构 * Dynamic Systems Lab, University College London（伦敦大学学院动态系统实验室） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； Santa Fe Institute（圣塔菲研究所） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 针对世界模型强化学习中搜索与价值学习之间的结构错位问题，提出基于扩散策略优化的模型基方法MBDPO，统一搜索与策略优化，实现可扩展的策略学习。
语言模型中的工具调用是线性可读且可引导的
机构 * University College London（伦敦大学学院） ； Holistic AI ； Imperial College London（伦敦帝国学院）
AI总结 本文发现语言模型内部存在对应工具选择的线性方向，通过干预该方向可切换工具调用，并能提前检测潜在错误，在多个模型和基准上验证了有效性。
Comments 24 pages. ACL ARR May 2026 submission (EMNLP 2026 preferred venue); v2 reflects revised manuscript
从可行到实用：帕累托最优合成规划
机构 * Department of Chemical Engineering, Imperial College London, UK（伦敦帝国理工学院化学工程系） ； Department of Chemical Engineering, University of Manchester, UK（曼彻斯特大学化学工程系）
AI总结 针对现有合成规划方法忽略多目标权衡的问题，提出MORetro*算法，通过多目标A*搜索生成帕累托前沿，在成本、可持续性、毒性等指标间实现最优权衡。
Comments Published in Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
退化一致性配对训练用于鲁棒的AI生成图像检测
机构 * Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院） ； Department of Earth Science and Engineering（地球科学与工程系） ； Imperial College London（伦敦帝国理工学院） ； School of Electronic Information（电子信息学院）
AI总结 提出退化一致性配对训练（DCPT），通过特征一致性和预测一致性约束显式增强模型对JPEG压缩、高斯模糊等真实世界图像退化的鲁棒性，在Synthbuster基准上平均准确率提升9.1个百分点。
Comments 6 pages, 5 figures, 2 tables
LLMs 与停机问题：程序终止推理的特征化
机构 * FAIR Team, Meta AI（Meta AI FAIR 团队） ； The Hebrew University of Jerusalem, Israel（耶路撒冷希伯来大学） ； Bloomberg, New York, USA（彭博社，纽约，美国） ； Imperial College London, UK（伦敦帝国理工学院，英国） ； University College London, UK（伦敦大学学院，英国）
AI总结 本文评估了前沿LLMs在程序终止推理上的能力，发现GPT-5和Claude Sonnet 4.5在C程序终止判断上达到顶级验证工具水平，但无法生成形式化证明，并引入分歧前置条件形式化描述非终止条件。
PyCAT4: 基于层次化视觉Transformer的3D人体姿态估计框架
机构 * Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院） ； School of Electronic Engineering（电子工程学院） ； Queen Mary University of London（伦敦女王学院） ； Department of Earth Science（地球科学系） ； Imperial College London（帝国理工学院）
AI总结 本研究提出PyCAT4框架，通过引入自注意力机制的Transformer特征提取层、特征时间融合技术和空间金字塔结构，优化Pymaf网络，在COCO和3DPW数据集上显著提升3D人体姿态估计的检测能力。
Comments 10 pages, 20 figures
AI Agent 用于逆向工程遗留有限差分代码并转换为 Devito
机构 * Department of Earth Science and Engineering（地球科学与工程系） ； Imperial College London（帝国理工学院伦敦分校） ； Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院）
AI总结 本研究提出一个集成 AI Agent 框架，结合检索增强生成（RAG）和开源大语言模型，通过多阶段迭代工作流将遗留有限差分代码转换为 Devito 环境，并引入强化学习反馈机制实现动态自适应代码翻译。
Comments 14 pages, 7 figures
基于f-散度的扩散模型遗忘统一框架
机构 * University of Klagenfurt, Austria（克雷根福特大学） ； Sapienza University of Rome, Italy（罗马萨皮恩扎大学） ； Imperial College London, UK（伦敦帝国学院）
AI总结 提出一个基于f-散度的统一框架，将扩散模型概念遗忘中的MSE损失推广到任意f-散度，并通过理论分析和实验验证不同散度对遗忘效果的影响。
Comments Accepted at ICML 2026
对数深度循环单元的长度泛化
机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 提出MLP-LDRU（对数深度循环单元），通过并行约简近似循环，在21个正则语言任务中实现长度泛化，18个任务达到100%分布外准确率。
Comments 39 pages, 11 figures
因果方法在LLM开发与评估中的应用
机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Toronto（多伦多大学）
AI总结 本文提出因果方法可解决LLM开发与评估中的关键因果问题，并系统梳理其在预训练、对齐、路由等环节的应用机会。
Comments Published in KDD 2026
面向常规心电图广谱心血管评估的信号-语言基础模型
机构 * Department of Cardiology, Zhongshan Hospital of Fudan University（复旦大学中山医院心内科） ； Shanghai Institute of Cardiovascular Diseases, National Clinical Research Centre for Interventional Medicine（上海心血管病研究所，国家介入医学临床研究中心） ； Digital Medical Research Center, School of Basic Medical Sciences, Fudan University（复旦大学基础医学研究院数字医疗研究中心） ； Shanghai Key Laboratory of Medical Imaging Computing and Computer Assisted Intervention（上海医学影像计算与计算机辅助手术重点实验室） ； National Heart and Lung Institute, Imperial College London, Hammersmith Hospital, Du Cane Road（伦敦帝国学院国家心肺研究所，哈马舍姆医院，杜肯路） ； Department of Cardiology, Shanghai Geriatric Medical Center（上海老年医学中心心内科） ； Cardiac Rhythm Management, Medtronic Technology Center, Medtronic (Shanghai) Ltd.（美敦力技术中心，美敦力（上海）有限公司，心律管理部） ； Richard A. and Susan F. Smith Center for Outcomes Research in Cardiology, Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛医学院比尔·德·阿克谢心脏结局研究中心，贝斯以色列·德aconess医疗中心） ； Harvard-Thorndike Electrophysiology Institute, Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛-托尔恩迪克电生理研究所，贝斯以色列·德aconess医疗中心，哈佛医学院） ； Department of Cardiology, Imperial College Healthcare NHS Trust（伦敦帝国学院医疗信托心内科部） ； Department of Cardiology, Chelsea and Westminster NHS Foundation Trust（切尔西和温斯洛医院 NHS 基础信托心内科部） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
AI总结 提出ECGCLIP信号-语言对比学习框架，通过大规模心电图-报告预训练，在89项下游任务中超越基线，实现对常见心律失常、超声心动图靶标及罕见心脏病的广谱评估。
PathMem: 面向病理学多模态大模型的认知对齐记忆转换
机构 * University of Science and Technology of China（中国科学技术大学） ； Shenzhen University（深圳大学） ； Nanyang Technological University（南洋理工大学） ； Imperial College London（伦敦帝国学院） ； Huazhong University of Science and Technology（华中科技大学）
AI总结 提出PathMem框架，通过长期记忆与工作记忆的动态转换机制，实现结构化病理知识整合与可解释记忆控制，在WSI报告生成和开放诊断任务上达到SOTA。
使用TensorGalerkin学习、求解和优化PDE：一种高效的高性能Galerkin组装算法
机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院，瑞士） ； Imperial College London, UK（伦敦帝国学院，英国） ； Northeastern University, USA（东北大学，美国） ； Renmin University of China, China（中国人民大学，中国）
AI总结 提出基于Galerkin离散化的统一算法框架，通过张量化元素操作和稀疏矩阵乘法实现O(1)图规模的系统组装，高效求解、约束优化和物理信息学习变分PDE。
FairJudge: 文本到图像模型中公平性与对齐评估的弃权感知多模态裁判
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Institut Jožef Stefan（乔泽夫·斯蒂芬研究所） ； Imperial College London（伦敦帝国学院）
AI总结 提出FairJudge协议，利用多模态大语言模型作为结构化裁判，通过封闭标签、弃权机制和证据报告，在文本到图像模型中实现社会属性预测、职业定位和提示-图像对齐的公平性评估。
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