高校专区
UTOPYA：一种用于物理信息异常检测和时间序列预测的多模态深度学习框架
机构 * Department of Chemical Engineering, Norwegian University of Science and Technology (NTNU)（化学工程系，挪威科学与技术大学） ； Department of Computing, Imperial College London（计算系，帝国理工学院伦敦分校）
AI总结 本文提出UTOPYA框架，通过融合八种数据模态，利用FiLM条件交叉模态注意力和门控融合，共同解决批次蒸馏中的异常检测、时间序列预测和相分类问题，并通过物理信息正则化方案和课程学习方法提升性能。
超越准确率：EEG基础模型的鲁棒性、可解释性和表达性
机构 * Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文研究了EEG基础模型的鲁棒性、可解释性和表达性，通过在八个数据集上对六个EEG-FMs和一个基线深度学习模型进行基准测试，揭示了模型在不同扰动下的表现，以及其在可解释性和表达性方面的特性。
基于深度学习的双频大规模MIMO系统的信道外推
机构 * State Key Laboratory of Internet of Things for Smart City and the Department of Electrical and Computer Engineering, University of Macau（物联网智能城市国家重点实验室和澳门大学电子与计算机工程系） ； 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）
AI总结 本文提出了一种基于深度学习的多域融合信道外推方法，用于将sub-6 GHz频段的信道状态信息外推到毫米波频段，以减少毫米波信道状态信息获取的试点开销，提高大规模MIMO系统的效率。
Scales++: 一种计算高效的评估子集选择方法，基于认知尺度嵌入
机构 * Thomson Reuters Foundational Research（汤姆森路透基础研究） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出了一种基于任务项目内在属性的评估子集选择方法Scales++，通过减少预选成本并保持预测保真度，提高了大规模语言模型的评估效率，同时提升了冷启动性能和可解释性。
Comments 9 pages, 2 figures, 4 tables
NeuroRVQ：多尺度生物信号分词用于生成式基础模型
机构 * Imperial College London（帝国理工学院伦敦分校） ； Cogitat ； National and Kapodistrian University of Athens（国家与资本主义大学雅典分校） ； Archimedes Research Unit（阿基米德研究单位） ； Aristotle University of Thessaloniki（亚里士多德大学塞萨洛尼基分校） ； Northeastern University London（东北大学伦敦分校）
AI总结 本文提出NeuroRVQ，一种多尺度生物信号分词方法，通过多尺度时序卷积分解生物信号并结合相位感知损失，实现高保真信号重建，验证了高质量分词对下游性能的重要性。
Red-Bandit：通过带引导的LoRA专家实现LLM红队测试的测试时适应
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出Red-Bandit框架，通过带引导的LoRA专家在不同攻击风格下实现LLM的测试时适应，通过强化学习生成不安全提示，并利用多臂老虎机策略动态选择攻击风格专家，从而在AdvBench上取得最佳结果，同时生成更易读的提示。
Comments Accepted to the Main Conference at ACL 2026
投影头的几何学：条件性、不变性与坍缩
机构 * Department of Computing, Imperial College London, United Kingdom（伦敦帝国学院计算机系，英国）
AI总结 本文提出了一种投影头的几何理论，通过将投影头建模为可训练的黎曼度量来研究自监督学习中的条件性、不变性和坍缩问题，揭示了投影头在不同深度下的适应能力和稳定性。
Comments Accepted at ICML 2026. 29 pages, 8 figures, 7 tables
TriAxialKV: 向极低精度KV缓存量化迈进以应对代理推理任务
机构 * University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出TriAxialKV，一种混合精度的KV缓存量化方案，通过为每个token分配三轴标签，校准每种标签的敏感性，并在固定内存预算下分配INT2/INT4位宽，以提高代理推理任务的效率和吞吐量。
基于Manta Ray优化与Levy飞行的进化极值学习机用于二元系统中晶格结构预测
机构 * Hamlyn Centre for Robotic Surgery, Imperial College London (ICL)（机器人手术哈姆林中心，伦敦帝国理工学院）
AI总结 本文提出了一种改进的Manta Ray优化算法结合Levy飞行用于训练极值学习机，以预测二元系统中未弛豫和弛豫形成能化合物相对于基态晶格结构的纯组分相对能量。
Comments 8 pages, 4 figures
医学潜在扩散中的可学习差距
机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）
AI总结 本文研究了医学图像中潜在扩散模型在处理类别不平衡问题时的可学习差距，指出尽管预训练的自动编码器能有效编码判别特征，但其潜在表示的结构性使分类器难以学习，通过开发噪声条件潜在分类器和图像空间蒸馏技术，提高了效率并改善了潜在空间质量。
扩展预训练的10秒ECG基础模型以适应更长的时域
机构 * City University of Hong Kong（香港城市大学） ； Imperial College London（伦敦帝国学院） ； Wake Forest University（威克森林大学） ； University of Nottingham（诺丁汉大学） ； Lingnan University（岭南大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种参数高效的框架，通过在不重新训练基础模型的情况下扩展预训练的10秒ECG基础模型，使其能够处理更长和可变长度的ECG信号，解决了结构不兼容和语义挑战问题，实验表明其在多个长时域ECG任务中优于滑动窗口和池化基线方法。
阿尔法幻觉：LLM交易代理报告的阿尔法不应被视为部署证据
机构 * Fudan University（复旦大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Southwest University of Finance and Economics（西南财经大学） ； Northeastern University（东北大学） ； Imperial College London（伦敦帝国理工学院） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 本文指出，LLM交易代理报告的阿尔法不应被当作部署的证据，因为这些阿尔法需要通过结构有效性测试来验证其时间完整性、现实摩擦、反事实稳健性、预测校准、数值执行和多代理分解等关键指标，当前的公开证据无法区分稳健的预测能力与时间污染、未建模的摩擦、短窗口夏普不确定性、叙事拟合和参数先验等因素。
全景视频中多目标检测与跟踪用于骑行安全分析
机构 * Department of Civil, Environmental, and Geomatic Engineering（土木、环境与测绘工程系） ； University College London（伦敦大学学院） ； SpaceTimeLab（时空实验室） ； Department of Earth Science and Engineering（地球科学与工程系） ； Imperial College London（帝国理工学院） ； Centre for Transport Studies（交通研究中心）
AI总结 本文提出三步框架提升全景视频中多目标检测与跟踪性能，通过子图像分割投影提升检测精度，改进跟踪模型以处理边界连续性和类别信息，并在实际应用中验证车辆超车检测的有效性。
Journal ref IET Intelligent Transport Systems, Volume 20, no. 1 (2026): e70228
高分辨率参考图像辅助的心脏扩散加权成像体积分辨率提升
机构 * Department of Bioengineering, Imperial College London（帝国理工学院生物工程系） ； Cardiovascular Magnetic Resonance Unit, Royal Brompton Hospital（皇家布里托尼医院心血管磁共振单位） ； National Heart and Lung Institute, Imperial College London（帝国理工学院国家心脏和肺研究所）
AI总结 本文提出一种基于深度学习的体积分辨率提升框架，利用高分辨率b0 DWI作为输入，提升心脏扩散加权成像的图像质量，并证明了该框架在未见b值下的泛化能力。
Comments Accepted by SPIE Medical Imaging 2024
利用优化子类先验的流匹配用于医学图像增强
机构 * Department of Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91052 Erlangen, Germany（生物医学工程人工智能系，弗里德里希-亚历山大-厄林根-纽伦堡大学） ； Department of Computing, Imperial College London, London SW7 2AZ, UK（计算系，帝国理工学院伦敦分校）
AI总结 本文提出通过优化子类先验来提升医学图像增强中罕见疾病的生成质量，通过生成模型的潜在空间进行子类模式划分，并学习子类条件源分布以提高生成效果和多样性。
Comments 11 pages, 3 figures, 7 tables
弥合病理MIL中的模态瓶颈：通过虚拟分子染色
机构 * National University of Singapore（新加坡国立大学） ； Hunan University（湖南大学） ； Peking Union Medical College Hospital (PUMCH)（北京协和医学院附属阜外医院） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出MIST方法，通过虚拟分子染色提升病理MIL中投影层性能，改进240/256配置，平均提升3.5%，在生存预测、组织分型和生物标志物预测中分别提升5.2%、3.3%和2.6%。
人工智能教育中认知转变的证据：学生如何重新思考人类智能？
机构 * BASIRA Lab, Imperial-X (I-X) and Department of Computing（BASIRA实验室、Imperial-X（I-X）和计算系） ； Imperial College London, London, United Kingdom（伦敦帝国学院，伦敦，英国）
AI总结 研究通过长期分析发现，学生对人工智能和人类智能的评价随时间推移逐渐转变，从2020年偏爱AI到2026年多数学生更重视人类智能。
Comments ICLR HCAIR Workhop 2026 https://openreview.net/forum?id=chH4gO2tZT
图上的Matérn高斯过程
机构 * St. Petersburg State University（圣彼得堡国立大学） ； Imperial College London（帝国理工学院伦敦分校） ； Centre for Artificial Intelligence, University College London（伦敦大学学院人工智能中心） ； Secondmind（Secondmind公司） ； St. Petersburg Department of Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院圣彼得堡斯捷克洛夫数学研究所彼得堡分部）
AI总结 本文研究了图上Matérn高斯过程，利用其随机偏微分方程特性，继承了欧几里得和黎曼流形高斯过程的特性，提供标准训练方法，使其适用于小批量和非共轭场景。
Journal ref Artificial Intelligence and Statistics, 2021
确保雾中的逻辑：带有LTL目标的可靠POMDP综合
机构 * Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院）
AI总结 本文提出一种新的可靠奖励塑造机制，用于在部分可观测马尔可夫决策过程中实现LTL目标的合成，通过增强的蒙特卡洛规划框架提升在部分可观测环境中的导航能力。
Comments Accepted by IJCAI-ECAI 2026, the 35th International Joint Conference on Artificial Intelligence
关注重叠的分割以重建被遮挡物体的拓扑结构
机构 * Department of Physics and Astronomy, University of New Mexico（新墨西哥大学物理与天文学系） ； Department of Physics, Blackett Laboratory, Imperial College London（伦敦帝国理工学院物理系） ； Particle Physics Department, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室粒子物理部） ； Luleå University of Technology（卢勒阿高校） ； CERN（欧洲核子研究中心） ； ISIS Neutron and Muon Source, STFC Rutherford Appleton Laboratory（英国科学与技术设施委员会拉瑟福德-苹果顿实验室ISIS中子与穆子源） ； University College London (UCL), Department of Physics and Astronomy（伦敦大学学院（UCL）物理与天文学系） ； Department of Physics, Keble Road, University of Oxford（牛津大学物理系） ； Helsinki Institute of Physics, University of Helsinki（赫尔辛基大学物理研究所） ； School of Physics and Astronomy, University of Birmingham（伯明翰大学物理与天文学学院） ； LIP – Laboratório de Instrumentação e Física Experimental de Partículas, University of Coimbra（科英布拉大学粒子物理实验仪器实验室） ； Departamento de Fisica Teorica, Universidad Autonoma de Madrid（马德里自治大学理论物理系） ； Department of Physics, King’s College London（伦敦国王学院物理系） ； University of Hamburg（汉堡大学）
AI总结 本文提出OASIS框架，通过加权损失函数优先处理重叠区域，提升被遮挡物体的像素强度和拓扑特征重建。在MIGDAL实验中，OASIS显著改善了低能电子轨迹的重建效果。
通过硬币翻转统计检测多变量数据中的局部密度异常
机构 * Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究高等学院） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nova Gorica（诺瓦戈里察大学） ； LUT University（卢托拉大学）
AI总结 本文提出EagleEye方法，通过编码k近邻列表为二进制序列，检测多变量数据中的局部过密度和欠密度异常，并在三种场景中验证其有效性。
Comments Code Availability: The code used to generate the results of this study is available at GitHub via the link: https://github.com/sspring137/EagleEye
MyoChallenge 2025: 人类运动智能的新基准
机构 * McGill University（麦吉尔大学） ； National University of Singapore（国立新加坡大学） ； Imperial College London（伦敦帝国理工学院） ； King’s College London（伦敦国王学院） ； Tsinghua University（清华大学） ； EPFL（苏黎世联邦理工学院） ； CASIA（中国科学院自动化所） ； University of Twente（代尔夫特理工大学） ； MyoLab
AI总结 本文提出MyoChallenge 2025基准，通过高保真骨骼肌模型与机器学习算法结合，推动运动控制智能研究，包含乒乓球和足球点球两个任务，促进多学科交叉研究。
AgentStop: 早期终止本地AI代理以在消费设备中节省能源
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Brave Software, Imperial College London（Brave软件公司，伦敦帝国学院）
AI总结 研究提出AgentStop方法，通过预测并提前终止可能失败的代理任务，减少能源消耗，提升本地AI代理的能效与隐私保护。
Comments ACM CAIS '26
SPDEBench：学习随机偏微分方程的广泛基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Cambridge（剑桥大学） ； University of Sydney（悉尼大学） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） ； Fujian Normal University（福建师范大学） ； Beijing Institute of Technology（北京理工大学） ； Chinese Academy of Sciences（中国科学院）
AI总结 本文提出SPDEBench，首个统一的ML学习随机偏微分方程基准，提供物理和数学重要的1-3维领域数据集，涵盖正则和奇异SPDE，并包含7种评估指标，验证模型精度、鲁棒性和分布外泛化能力。
RAVEN: 实时自回归视频外推与一致性模型GRPO
机构 * Imperial College London（伦敦帝国学院）
AI总结 RAVEN通过将自回归视频扩散模型的训练与测试过程结合，提升长时视频生成质量。CM-GRPO方法优化一致性采样，提高生成效果。
Comments Project Page: https://yanzuo.lu/raven
方向性混淆揭示人类和机器视觉中通过率-失真几何的分歧归纳偏倚
机构 * Cranberry-Lemon University（Cranberry-Lemon 大学） ； Department of Computer Science（计算机科学系） ； Icahn School of Medicine at Mount Sinai（Mount Sinai 医学院） ； Department of AI and Human Health（人工智能与人类健康系） ； Imperial College London（伦敦帝国学院） ； Department of Computing（计算系） ； Department of Psychiatry（精神病学系）
AI总结 研究通过分析人类和机器视觉在分类任务中的方向性混淆，揭示了率-失真几何对归纳偏倚的影响，发现人类和深度学习模型在混淆矩阵的不对称性上有显著差异。
从用户偏好到基础分数提取函数在渐进论证中的应用（附录）
机构 * King's College London（伦敦国王学院） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出基础分数提取函数，通过用户对论证的偏好映射到基础分数，构建定量双极论证框架，以提升渐进论证的计算工具应用，并探讨其设计与实验评估。
Comments Accepted to AAMAS 2026 - With Appendix
应对数据驱动需求响应调度中的终端约束
机构 * Sargent Centre for Process Systems Engineering, Imperial College London, London, SW7 2AZ, UK（过程系统工程中心，伦敦帝国理工学院，伦敦，SW7 2AZ，英国） ； Department of Computer Science, University of Alberta, Edmonton, AB, Canada（计算机科学系，阿尔伯塔大学，埃德蒙顿，AB，加拿大） ； Department of Computing, Imperial College London, London, SW7 2AZ, UK（计算系，伦敦帝国理工学院，伦敦，SW7 2AZ，英国）
AI总结 本文提出结合目标空间规划与深度确定性策略梯度方法，通过学习时间抽象模型解决数据驱动调度中终端约束问题，提升样本效率并缓解短视控制行为。
Comments Accepted to IFAC World Congress 2026
面向细粒度和可验证的概念瓶颈模型
机构 * Bioengineering Department（生物工程部门） ； Imperial-X, Imperial College London, London, UK（帝国理工学院伦敦校区） ； Thoughtworks AI Labs, Singapore（Thoughtworks AI实验室，新加坡）
AI总结 本文提出细粒度概念瓶颈模型框架，通过局部视觉证据 grounding 每个概念，提升模型透明度与可验证性，实验显示其概念空间信息完整且预测性能优异。
Comments 10 pages, 4 figures
Pro-DG：基于过程扩散引导的建筑立面生成
机构 * Warsaw University of Technology（华沙技术大学） ； Akces NCBR ； Imperial College London（伦敦帝国理工学院） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 本文提出Pro-DG方法，通过层次化过程规则生成控制图，实现建筑立面的真实感生成，支持结构编辑如楼层复制和窗户重排，经评估验证其在保持建筑身份和精确编辑方面的优越性。
Comments 17 pages, 15 figures, Computer Graphics Forum 2026 Journal Paper
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