Imperial College London（帝国理工学院）

RealICU: Do LLM Agents Understand Long-Context ICU Data? A Benchmark Beyond Behavior Imitation

RealICU: 大语言模型能否理解长期上下文ICU数据？一个超越行为模仿的基准测试

Chengzhi Shen, Weixiang Shen, Tobias Susetzky, Chen, Chen, Jun Li, Yuyuan Liu, Xuepeng Zhang, Zhenyu Gong, Daniel Rueckert, Jiazhen Pan

机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； University of Sheffield（谢菲尔德大学） ； University of Oxford（牛津大学） ； Zhongshan Hospital Fudan University（复旦大学中山医院） ； Sun Yat-sen University Cancer Center（中山大学肿瘤中心） ； Imperial College London（伦敦帝国学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； relAI – Konrad Zuse School of Excellence in Reliable AI（relAI – 卡诺夫茨卓越可靠人工智能学校） 纠错

AI总结 RealICU通过真实ICU场景评估大语言模型的长期上下文理解能力，提出四个医生驱动任务，揭示现有模型在临床推荐中的召回与安全性的权衡问题。

MMRareBench: A Rare-Disease Multimodal and Multi-Image Medical Benchmark

MMRareBench: 一种罕见疾病多模态和多图像医学基准

Junzhi Ning, Jiashi Lin, Yingying Fang, Wei Li, Jiyao Liu, Cheng Tang, Chenglong Ma, Wenhao Tang, Tianbin Li, Ziyan Huang, Guang Yang, Junjun He

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Imperial College London（帝国理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） 纠错

AI总结 本文提出MMRareBench，首个评估多模态和多图像临床能力的罕见疾病基准，包含1756个问题-答案对和7958张医学图像，揭示23个MLLMs在多图像任务中表现低下，存在能力稀释效应。

Survival In-Context: Amortized Bayesian Survival Analysis via Prior-Fitted Networks

生存上下文：通过先验适应网络实现的 amortized 概率生存分析

Dmitrii Seletkov, Paul Hager, Georgios Kaissis, Rickmer Braren, Daniel Rueckert, Raphael Rehms

机构 * Institute of Diagnostic and Interventional Radiology, Technical University of Munich, Germany（慕尼黑技术大学诊断与介入放射学研究所，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich, Germany（慕尼黑技术大学医疗人工智能与医学研究所，德国） ； Hasso Plattner Institute for Digital Engineering, University of Potsdam, Germany（波茨坦大学数字工程哈索普兰特纳研究所，德国） ； University Hospital Hamburg-Eppendorf, Germany（汉堡-埃彭多夫大学医院，德国） ； Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算系，英国） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国） 纠错

AI总结 本文提出Survival In-Context模型，通过先验适应网络实现生存分析，无需任务特定训练即可进行个性化生存预测，实验证明其在小中等数据集上表现优异。

MedOpenClaw and MedFlowBench: Auditing Medical Agents in Full-Study Workflows

MedOpenClaw 和 MedFlowBench：在完整研究流程中审计医疗代理

Weixiang Shen, Chengzhi Shen, Yanzhu Hu, Che Liu, Junde Wu, Jiayuan Zhu, Xiao Han, Zongyue Li, Jingpei Wu, Min Xu, Daguang Xu, Yueming Jin, Benedikt Wiestler, Daniel Rueckert, Jiazhen Pan

机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； LMU Munich（慕尼黑大学） ； Imperial College London（伦敦帝国理工学院） ； University of Oxford（牛津大学） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（NVIDIA公司） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文提出 MedFlowBench 和 MedOpenClaw，用于评估医疗影像代理在完整研究流程中生成可审计证据的能力，发现仅依赖答案评分不够，需结合正确证据验证。

Comments 33 pages

Probabilistic Prediction Markets with Intermittent Contributions

基于间歇性贡献的概率预测市场

Michael Vitali, Pierre Pinson

机构 * Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦校区设计工程学院） ； Halfspace, Denmark（丹麦Halfspace公司） ； 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arhus大学CoRE） 纠错

AI总结 本文提出一种概率预测市场，考虑历史表现、适应时间变化条件，并允许参与者自由进出。通过鲁棒回归模型和收益分配机制，提升预测准确性与经济性。

Formal Conjectures: An Open and Evolving Benchmark for Verified Discovery in Mathematics

形式猜想：一个开放且不断演进的数学验证发现基准

Moritz Firsching, Paul Lezeau, Salvatore Mercuri, Miklós Z. Horváth, Yaël Dillies, Calle Sönne, Eric Wieser, Fred Zhang, Thomas Hubert, Blaise Agüera y Arcas, Pushmeet Kohli

机构 * Google DeepMind（谷歌DeepMind） ； Imperial College London（帝国理工学院伦敦分校） ； Stockholms universitet（斯德哥尔摩大学） 纠错

AI总结 Formal Conjectures提供2615个形式化的数学问题，包含1029个开放猜想和836个已解决问题，用于评估自动化推理系统的能力，并通过协作项目确保正确性，推动数学证明发现的进展。

Comments 21 pages, 4 figures, 5 tables

Linking Extreme Discourse to Structural Polarization in Signed Interaction Networks

将极端言论与结构极化联系起来：在带符号交互网络中

Zhijin Guo, Li Zhang, Tyler Bonnet, Janet B. Pierrehumbert, Xiaowen Dong

机构 * University of Oxford（牛津大学） ； University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出一种基于语言的带符号网络框架，通过LLM立场评分生成连续符号边权重，并利用两种互补指标量化结构极化，分析Reddit Brexit讨论中话语信号与结构极化的时间变化关系。

A3 : an Analytical Low-Rank Approximation Framework for Attention

A3：一种用于注意力机制的分析低秩近似框架

Jeffrey T. H. Wong, Cheng Zhang, Xinye Cao, Pedro Gimenes, Christos-Savvas Bouganis, George A. Constantinides, Wayne Luk, Yiren Zhao

机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦校区电子与电气工程系） 纠错

AI总结 本文提出A3框架，通过将Transformer层分为QK、OV和MLP三个组件，提供分析解以减少隐藏维度并最小化功能损失，从而在不引入运行时开销的情况下降低模型大小、KV缓存大小和FLOPs，实验显示其性能优于现有方法。

Aligning Flow Map Policies with Optimal Q-Guidance

对齐流映射策略与最优Q引导

Christos Ziakas, Alessandra Russo, Avishek Joey Bose

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

AI总结 本文提出流映射策略，通过学习任意大小的跳跃提升动作生成速度，并引入FMQ和QGBS方法，在12个机器人任务中实现最优性能。

Neural-Schwarz Tiling for Geometry-Universal PDE Solving at Scale

神经-施瓦茨铺砌：用于大规模几何通用PDE求解的通用方法

Paolo Secchi, Daniel S. Balint, Marco Maurizi

机构 * Imperial College London（伦敦帝国理工学院） ； Italian Institute of Artificial Intelligence（意大利人工智能研究所） 纠错

AI总结 本文提出NEST框架，通过局部物理求解器与施瓦茨迭代耦合，实现大规模PDE求解的通用性与可扩展性。

From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation

从想象的未来到可执行的动作：用于机器人操作的潜在动作混合

Yajie Li, Bozhou Zhang, Chun Gu, Zipei Ma, Jiahui Zhang, Jiankang Deng, Xiatian Zhu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

AI总结 本文提出MoLA，一种面向控制的接口，将想象的未来视频转化为可执行的表示，通过混合预训练的逆动力学模型，提升机器人操作的稳定性和通用性。

Comments ICML 2026

To Whom Do Language Models Align? Measuring Principal Hierarchies Under High-Stakes Competing Demands

语言模型对谁进行对齐？在高风险竞争需求下测量主导层级

Fangyi Yu, Nabeel Seedat, Jonathan Richard Schwarz, Andrew M. Bean

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） 纠错

AI总结 研究探讨了在高风险专业场景中语言模型如何在用户、机构权威和专业规范之间进行对齐，发现模型在任务执行中常忽视专业规范，且对齐层级在不同领域和模型间不稳定。

Attribution-based Explanations for Markov Decision Processes

基于归因的马尔可夫决策过程解释

Paul Kobialka, Andrea Pferscher, Francesco Leofante, Erika Ábrahám, Silvia Lizeth Tapia Tarifa, Einar Broch Johnsen

机构 * University of Oslo（奥斯陆大学） ； Imperial College London（伦敦帝国理工学院） ； RWTH Aachen University（亚琛工业大学） 纠错

AI总结 本文提出基于归因的马尔可夫决策过程解释方法，通过策略合成技术计算状态和执行路径的重要性分数，提升序列决策代理的可解释性。

Faithful or Just Plausible? Evaluating the Faithfulness of Closed-Source LLMs in Medical Reasoning

忠实还是只是合理？评估闭源LLM在医学推理中的忠实性

Halimat Afolabi, Zainab Afolabi, Elizabeth Friel, Jude Roberts, Antonio Ji-Xu, Lloyd Chen, Egheosa Ogbomo, Emiliomo Imevbore, Phil Eneje, Wissal El Ouahidi, Aaron Sohal, Alisa Kennan, Shreya Srivastava, Anirudh Vairavan, Laura Napitu, Katie McClure

机构 * Stratified Precision ； Harvard Medical School（哈佛医学院） ； Imperial College London（帝国理工学院伦敦分校） ； National Health Service（国家健康服务系统） ； Ipsen France（Ipsen法国） ； University College London（伦敦大学学院） 纠错

AI总结 本文通过系统性黑盒评估，揭示闭源LLM在医学推理中的忠实性问题，发现链式推理步骤未必驱动预测，模型易受外部提示影响，强调忠实性比准确性更重要。

Journal ref Proceedings of Machine Learning Research, Vol. 297, pp. 1562-1591, 2026

GRASP: Guided Residual Adapters with Sample-wise Partitioning

GRASP：基于样本划分的引导残差适配器

Felix Nützel, Mischa Dombrowski, Bernhard Kainz

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 GRASP通过样本层面的划分和残差适配器提升长尾场景下的生成质量与多样性，有效解决传统方法在长尾设置中的性能下降问题。

Comments 16 pages, 6 figures, 6 tables

Rotary Masked Autoencoders are Versatile Learners

旋转掩码自编码器是通用学习者

Uros Zivanovic, Serafina Di Gioia, Andre Scaffidi, Martín de los Rios, Gabriella Contardo, Roberto Trotta

机构 * University of Trieste（特里埃斯特大学） ； Abdus Salam International Centre for Theoretical Physics (ICTP)（阿布杜斯·萨拉姆国际理论物理学中心（ICTP）） ； Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际先进研究高等学院（SISSA）） ； University of Nova Gorica（诺瓦戈里察大学） ； INFN – National Institute for Nuclear Physics（意大利国家核物理研究所（INFN）） ； ICSC - Centro Nazionale di Ricerca in High Performance Computing（高性能计算国家研究中心（ICSC）） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 RoMAE通过旋转位置嵌入实现多维连续位置学习，无需时间序列特化架构，在多种模态上表现优异，超越专门时间序列架构。

Comments NeurIPS 2025 Final Camera Ready

Journal ref Advances in Neural Information Processing Systems 38, NeurIPS 2025, Pages 133952-133987

Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation

基于原则的可解释不确定性监督在医学图像分割中

An Sui, Yuzhu Li, Gunter Schumann, Fuping Wu, Xiahai Zhuang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑启发智能科学研究院） ； National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心脏和肺研究所） 纠错

AI总结 本文提出PriUS框架，通过原则指导提升医学图像分割中不确定性的可解释性，实验表明其在保持分割性能的同时提升了不确定性估计的一致性。

Comments 14 pages, 8 figures

Towards Shutdownable Agents via Stochastic Choice

通过随机选择实现可关闭代理

Elliott Thornley, Alexander Roman, Christos Ziakas, Leyton Ho, Louis Thomson

机构 * Massachusetts Institute of Technology（麻省理工学院） ； New College of Florida（佛罗里达新学院） ； Imperial College London（伦敦帝国理工学院） ； Brown University（布朗大学） ； Independent（独立） 纠错

AI总结 本文提出评估指标用于评估代理的有用性和中立性，通过DReST奖励函数训练代理在网格世界中导航，证明其能有效且中立地完成任务，为高级代理的可关闭性提供初步证据。

Journal ref Technical AI Safety (TAIS) Conference 2025

Variational Inference for Lévy Process-Driven SDEs via Neural Tilting

通过神经倾斜进行莱维过程驱动的随机微分方程的变分推断

Yaman Kindap, Manfred Opper, Benjamin Dupuis, Umut Simsekli, Tolga Birdal

机构 * Imperial College London, UK（伦敦帝国学院） ； Technical University of Berlin, Germany（柏林技术大学） ； INRIA, CNRS, Département d’Informatique de l’Ecole Normale Supérieure / PSL, France（法国国家信息与自动化研究所（INRIA）、国家科学研究中心（CNRS）、巴黎社会科学高等师范学院信息学系/巴黎社会科学高等师范学院） 纠错

AI总结 本文提出神经指数倾斜框架，用于莱维驱动SDEs的变分推断，通过神经网络重新加权莱维测度，保留跳跃结构并实现计算可行性，结合二次神经参数化、条件高斯表示和对称感知蒙特卡洛估计器，提升推断效率与可靠性。

Comments The associated project page which contains the official implementation can be found in https://circle-group.github.io/research/NeuralTilting/

Counterfactual Stress Testing for Image Classification Models

反事实压力测试用于图像分类模型

Moritz Stammel, Fabio De Sousa Ribeiro, Raghav Mehta, Mélanie Roschewitz, Ben Glocker

机构 * Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系） 纠错

AI总结 本文提出基于因果生成模型的反事实压力测试框架，通过干预扫描仪类型和患者性别等属性生成真实'如果'图像，以评估模型在目标分布偏移下的性能，比传统扰动更准确地捕捉性能变化方向和幅度。

MATRA: Modeling the Attack Surface of Agentic AI Systems -- OpenClaw Case Study

MATRA：代理AI系统的攻击面建模——OpenClaw案例研究

Tim Van hamme, Thomas Vissers, Javier Carnerero-Cano, Mario Fritz, Emil C. Lupu, Lieven Desmet, Dinil Mon Divakaran

机构 * DistriNet, KU Leuven（DistriNet，根特大学） ； IBM Research（IBM研究院） ； CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全中心） ； Imperial College London（伦敦帝国理工学院） ； A*STAR Institute for Infocomm Research（A*STAR信息与通信研究机构） 纠错

AI总结 本文提出MATRA框架，用于评估代理AI系统中已知威胁转化为具体风险的机制，通过OpenClaw案例展示如何利用攻击树和安全控制降低风险。

Comments Accepted for presentation at the 5th International Workshop on Designing and Measuring Security in Systems with AI (DeMeSSAI 2026), co-located with the 11th IEEE European Symposium on Security and Privacy (EuroS&P 2026), Lisbon, Portugal, July 10, 2026

Deep Arguing

深度辩论

Adam Gould, Francesca Toni

机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦校区） 纠错

AI总结 本文提出深度辩论方法，结合深度学习与辩论构建与推理，实现多模态数据的可解释分类。通过端到端训练学习特征表示和辩论交互，提升可解释性和预测性能。

The Override Gap: A Magnitude Account of Knowledge Conflict Failure in Hypernetwork-Based Instant LLM Adaptation

覆盖差距：基于超网络的即时LLM适应中知识冲突失败的幅度解释

Shuaizhi Cheng, Xiang Shi, Zhiwei Zhang, Mingwei Li

机构 * Harbin Institute of Technology（哈尔滨工程大学） ； Imperial College London（伦敦帝国理工学院） ； KigLand Machine Learning Lab（KigLand机器学习实验室） 纠错

AI总结 研究揭示超网络方法在知识冲突中的失败源于幅度问题，通过选择性层提升和意识冲突内部化技术，显著提升深度冲突准确性，同时保持新知识召回。

Comments 35 pages, 15 figures v2: minor layout fixes and author list update

Relational reasoning and inductive bias in transformers and large language models

变换器中的关系推理与归纳偏置

Jesse Geerts, Andrew Liu, Stephanie Chan, Claudia Clopath, Kimberly Stachenfeld

机构 * Imperial College London（帝国理工学院伦敦分校） ； Google（谷歌） ； DeepMind（深度Mind） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文研究了变换器和大语言模型在关系推理中的表现，比较了基于权重学习和上下文学习的机制，发现基于权重学习的模型能进行传递推理，而基于上下文学习的模型则依赖训练数据进行传递推理，预训练可使上下文学习模型更接近权重学习模型。

Comments 15 pages, 10 figures

Quantitative Error Feedback for Quantization Noise Reduction of Filtering over Graphs

量化误差反馈用于图过滤中的量化噪声减少

Xue Xian Zheng, Weihang Liu, Xin Lou, Stefan Vlaski, Tareq Al-Naffouri

机构 * Division of Computer, Electrical and Mathematical Sciences and Engineering (CEMSE), King Abdullah University Of Science And Technology (KAUST)（计算机、电子和数学科学与工程系，国王阿卜杜勒-阿齐兹大学科学与技术（KAUST）） ； School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学） ； 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） 纠错

AI总结 本文提出一种创新的误差反馈框架，用于减轻分布式图过滤中的量化噪声，通过状态空间数字滤波器的误差谱塑形技术，建立了不同领域量化过滤过程的联系。框架通过精确补偿量化噪声，提高了通信效率和算法鲁棒性。

Comments Accepted by IEEE TSP

Beyond Majority Voting: Agreement-Based Clustering to Model Annotator Perspectives in Subjective NLP Tasks

超越多数投票：基于一致性的聚类用于建模标注者的视角在主观NLP任务中

Tadesse Destaw Belay, Ibrahim Said Ahmad, Idris Abdulmumin, Abinew Ali Ayele, Alexander Gelbukh, Eusebio Ricárdez-Vázquez, Olga Kolesnikova, Shamsuddeen Hassan Muhammad, Seid Muhie Yimam

机构 * Instituto Politécnico Nacional（智利国家理工学院） ； University of Wisconsin–Stevens Point（威斯康星州立大学斯蒂文斯点分校） ； University of Pretoria（培特里亚大学） ； Bahir Dar University（巴希尔达大学） ； Imperial College London（伦敦帝国理工学院） ； University of Hamburg（汉堡大学） 纠错

AI总结 本文提出基于一致性的聚类技术，用于建模标注者之间的分歧，通过在18种语言的40个数据集上实验，发现该方法在主观NLP任务中显著提升了分类性能。

Comments Pre-MIT Press publication version

Spectral Transformer Neural Processes

频域变换神经过程

Xianhe Chen, Hao Chen, Yingzhen Li

机构 * University of Cambridge（剑桥大学） ； Tencent（腾讯） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出Spectral Transformer Neural Processes，通过引入频域聚合器增强神经过程对周期性和拟周期性数据的建模能力，实验表明其在回归任务和现实数据集上提升了预测性能。

Comments 37 pages, 10 figures, 18 tables

Sliced Inner Product Gromov-Wasserstein Distances

切片内积Gromov-Wasserstein距离

Xiaoyun Gong, Gabriel Rioux, Ziv Goldfeld

机构 * Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） 纠错

AI总结 本文提出切片内积Gromov-Wasserstein距离，解决高维问题的统计和计算扩展性问题，通过旋转不变性性质进行结构和计算性质研究，并在文本聚类和语言模型比较中验证。

Comments 49 pages, 8 figures

Outlier-robust Diffusion Posterior Sampling for Bayesian Inverse Problems

鲁棒扩散后验采样用于贝叶斯逆问题

Yiming Yang, Xiaoyuan Cheng, Yi He, Kaiyu Li, Wenxuan Yuan, Zhuo Sun

机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； Shanghai University of Finance and Economics（上海金融学院） 纠错

AI总结 本文提出鲁棒扩散后验采样方法，通过分析后验偏差和稳定性，解决逆问题中异常值对扩散求解器的影响，提升线性和非线性任务的鲁棒性。

Quasi-Linear ICA for Motor Unit Decomposition during Dynamic Contractions

用于动态收缩期间电机单位分解的准线性ICA

Alexander Kenneth Clarke, Dimitrios Halatsis, Agnese Grison, Irene Mendez Guerra, Noura Ezaz-Nikpay, Pranav Mamidanna, Shihan Ma, Silvia Muceli, Dario Farina

机构 * Imperial College London（帝国理工学院伦敦分校） ； Chalmers University of Technology（查尔姆斯理工大学） 纠错

AI总结 本文提出一种准线性ICA方法，通过引入时间变化的可逆变换和静态线性分离器，有效处理动态EMG信号中的非平稳混叠问题，提升电机单位分解的准确性。