Imperial College London（帝国理工学院）

What Cohort INRs Encode and Where to Freeze Them

队列训练的INR编码了什么以及在哪里冻结它们

Vasiliki Sideri-Lampretsa, Sophie Starck, Robbie Holland, Julian McGinnis, Daniel Rueckert

机构 * Chair of AI in Healthcare and Medicine（人工智能在医疗与医学中的主任） ； Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； Imperial College London（伦敦帝国学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学人工智能在医学与成像中的中心） ； Stanford University（斯坦福大学） ； Department of Radiology（放射科部门） 纠错

AI总结 研究通过冻结队列训练INR的不同层，发现最优冻结点与权重稳定秩最高层一致，并展示了稀疏自编码器对INR激活的分解，揭示了不同架构的编码差异。

Comments 9 content pages plus appendix

A Robust Out-of-Distribution Detection Framework via Synergistic Smoothing

通过协同平滑实现稳健的分布外检测框架

Maria Stoica, Abdelrahman Hekal, Alessio Lomuscio

机构 * Imperial College London（伦敦帝国学院） ； Zeroth Research（Zeroth研究） 纠错

AI总结 本文提出ROSS框架，通过基线分数的不稳定性区分分布内和分布外样本，实现对对抗攻击的强鲁棒性，实验表明其在多个数据集上表现优异。

Comments Accepted to CVPR Findings 2026

MoCoTalk: Multi-Conditional Diffusion with Adaptive Router for Controllable Talking Head Generation

MoCoTalk: 多条件扩散与自适应路由的可控说话头生成

Xinyan Ye, Jiankang Deng, Abbas Edalat

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

AI总结 MoCoTalk通过统一身份、头部姿态、面部表情和嘴部动态四个控制信号，提出自适应多条件路由框架，解决异构条件干扰问题，提升可控说话头生成的性能与可控性。

Consistency Regularised Gradient Flows for Inverse Problems

一致性正则化梯度流用于逆问题

Alessio Spagnoletti, Tim Y. J. Wang, Marcelo Pereyra, O. Deniz Akyildiz

机构 * Laboratoire MAP5, UMR 8145, Université Paris Cité, CNRS（巴黎城市大学MAP5实验室，UMR 8145，CNRS） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Heriot-Watt University, MACS & Maxwell Institute（赫瑞瓦德大学，MACS与麦克斯韦研究所） 纠错

AI总结 本文提出一种统一的欧几里得-瓦瑟斯坦2梯度流框架，通过单一流程在潜在空间中联合执行后验采样和提示优化，减少计算成本并提升逆问题求解性能。

PPI-Net connects molecular protein interactions to functional processes in disease

PPI-Net将分子蛋白相互作用连接到疾病中的功能过程

Kyle Higgins, Guadalupe Gonzalez, Dennis Veselkov, Ivan Laponogov, Kirill Veselkov

机构 * Division of Cancer, Department of Surgery and Cancer, Faculty of Medicine, Imperial College London（帝国理工学院伦敦校区癌症部、外科与癌症部门、医学学院） ； Prescient Design, Genentech（基因泰克预示设计） ； Department of Computing, Imperial College London（帝国理工学院伦敦校区计算部门） 纠错

AI总结 PPI-Net通过整合蛋白相互作用网络与通路表示，从分子互作到功能过程建模疾病，实现高预测性能和机制洞察。

Comments 17 pages, 3 figures, 2 tables

Training-Induced Escape from Token Clustering in a Mean-Field Formulation of Transformers

训练诱导的标记聚类逃逸：Transformer的均场建模

Noboru Isobe, Daisuke Inoue, Masaaki Imaizumi

机构 * RIKEN Center for Advanced Intelligence Project（RIKEN先进人工智能研究中心） ； Imperial College London（帝国理工学院伦敦分校） ； The University of Tokyo（东京大学） ； Kyoto University（京都大学） 纠错

AI总结 研究揭示训练过程如何使标记聚类动态在最终层发生逃逸，通过均场理论分析注意力驱动的聚类偏移机制。

Comments 48 pages, 6 figures, comments are wellcome!

Structured Coupling for Flow Matching

结构耦合用于流匹配

Xavier Sumba, Carles Balsells-Rodas, Yingzhen Li

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

AI总结 本文提出结构耦合用于流匹配（SCFM），通过引入结构化潜在变量和外源噪声，联合学习结构化先验和连续传输映射，实现无条件流模型，提升潜在表示学习能力。

FactoryBench: Evaluating Industrial Machine Understanding

FactoryBench：评估工业机器理解的基准测试

Yanis Merzouki, Coral Izquierdo, Matei Ignuta-Ciuncanu, Marcos Gomez-Bracamonte, Riccardo Maggioni, Alessandro Lombardi, Camilla Mazzoleni, Federico Martelli, Balazs Gunther, Jonas Petersen, Philipp Petersen

机构 * ETH Zurich（苏黎世联邦理工学院） ； Forgis ； UC3M ； Imperial College London（帝国理工学院伦敦分校） ； University of Berkeley（伯克利大学） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Vienna（维也纳大学） 纠错

AI总结 本文提出FactoryBench基准测试，用于评估时间序列模型和LLM在工业机器人 telemetry 中的机器理解能力，通过四个因果层次和五种答案格式评估，包含70k问题-答案对，揭示当前模型与实际操作理解之间的差距。

Comments 9 pages, 4 figures, 14 tables; appendix with 24 pages

Diffusion Path Samplers via Sequential Monte Carlo

通过顺序蒙特卡洛方法实现扩散路径采样

James Matthew Young, Paula Cordero-Encinar, Sebastian Reich, Andrew Duncan, O. Deniz Akyildiz

机构 * Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系，英国） 纠错

AI总结 本文提出了一种基于扩散路径的采样方法，通过顺序蒙特卡洛方法估计时间变化分布的得分和密度，适用于已知归一化常数的目标分布，并在不同路径上进行实验验证。

Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference

异构图神经网络与事后解释方法用于多模态和可解释的土地利用推断

Xuehao Zhai, Junqi Jiang, Adam Dejl, Antonio Rago, Fangce Guo, Francesca Toni, Aruna Sivakumar

机构 * Imperial College London, Department of Civil and Environmental Engineering（帝国理工学院伦敦校区土木与环境工程系） ； Imperial College London, Department of Computing（帝国理工学院伦敦校区计算机系） 纠错

AI总结 本文提出一种结合异构图神经网络与可解释AI的方法，用于多模态土地利用推断，提升了准确性和可解释性，尤其在办公和生活用地方面表现突出。

Journal ref Information Fusion, Volume 120, 103057. 2025

See Tomorrow, Act Today: Foresight-Driven Autonomous Driving

预见未来，立即行动：基于预见的自动驾驶

Bozhou Zhang, Nan Song, Yuang Wang, 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ForeSight框架，通过生成未来场景并据此规划动作，实现前瞻性决策，实验表明其在动态场景中优于现有方法。

Comments CVPR Findings 2026

Coupling Models for One-Step Discrete Generation

一步离散生成的耦合模型

Fred Zhangzhi Peng, Avishek Joey Bose, Anru R. Zhang, Alexander Tong

机构 * Duke University（杜克大学） ； Imperial College London（伦敦帝国学院） ； AITHYRA 纠错

AI总结 本文提出了一种一步离散生成模型，通过直接耦合离散序列与高斯潜在变量，提升生成效果，在文本生成、增强器设计和图像生成任务中均取得显著改进。

Comments Code is available at https://github.com/pengzhangzhi/Coupling-Models

Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning

通过智能分区实现深度EEG去噪器的无监督训练

Qiyu Rao, Haozhe Tian, Homayoun Hamedmoghadam, Danilo Mandic

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） ； Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦校区戴森设计工程学院） 纠错

AI总结 本文提出iPSD方法，通过学习将输入EEG段分割为独立的噪声实现，实现无监督去噪，尤其在低信噪比和复杂噪声下表现优异。

Saliency-Aware Regularized Quantization Calibration for Large Language Models

具有显著性感知的正则化量化校准用于大语言模型

Yanlong Zhao, Xiaoyuan Cheng, Huihang Liu, Baihua He, Xinyu Zhang, Harrison Bo Hua Zhu, Wenlong Chen, Li Zeng, Zhuo Sun

机构 * University of Science and Technology of China（中国科学技术大学） ； University College London（伦敦大学学院） ； Shanghai University of Finance and Economics（上海财经大学） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； University of Copenhagen（哥本哈根大学） ； Imperial College London（伦敦帝国学院） ； Technical University of Denmark（丹麦技术大学） ； Peking University（北京大学） 纠错

AI总结 本文提出SARQC，通过引入显著性感知正则化改进量化校准，提升大语言模型的泛化能力，实验表明在密集和专家混合模型中提升了困惑度和零样本准确率。

Comprehensiveness Metrics for Automatic Evaluation of Factual Recall in Text Generation

全面性指标用于文本生成中事实回忆的自动评估

Adam Dejl, James Barry, Alessandra Pascale, Javier Carnerero Cano

机构 * Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； IBM Research（IBM研究院） 纠错

AI总结 本文提出三种自动评估指标以评估大语言模型生成文本的全面性，发现端到端方法在效果上优于复杂指标，但牺牲了鲁棒性和可解释性。

Comments ACL 2026 Findings

Factored Classifier-Free Guidance

因子分类器无关引导

Tian Xia, Fabio De Sousa Ribeiro, Rajat R Rasal, Avinash Kori, Raghav Mehta, Ben Glocker

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

AI总结 本文提出因子分类器无关引导方法，通过因果图实现属性级控制，提升反事实推理的严谨性和可逆性。

Comments Accepted at ICML 2026

Preliminary Insights in Chronos Frequency Data Understanding and Reconstruction

对Chronos频率数据理解与重建的初步见解

Alessandro Pagani, Marco Cominelli, Liying Han, Gaofeng Dong, Sergio Benini, Francesco Gringoli, Mattia Savardi, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Daniel O. Brigham, Kara Combs, Lance M. Kaplan, Federico Cerutti

机构 * Ohio University（俄亥俄大学） ； DEVCOM Army Research Lab（陆军研究实验室） ； Cardiff University（卡迪夫大学） ； University of Southampton（南安普顿大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文探讨Chronos基础模型处理频率域信息的能力，通过分析离散正弦波等简单信号，揭示模型内部表示中频率信息的捕获机制及质量退化现象，为信号处理和信息融合提供实践指导。

Topological Signatures of Grokking

Grokking 的拓扑特征

Yifan Tang, Qiquan Wang, Inés García-Redondo, Anthea Monod

机构 * Imperial College London（帝国学院伦敦） ； Queen Mary University of London（女王玛丽大学伦敦） ； University of Fribourg（弗里堡大学） 纠错

AI总结 通过拓扑学视角研究Grokking现象，利用持久同调分析嵌入矩阵的点云，发现H1同调的持久性显著增加，揭示了任务的循环结构。持久同调为表示学习提供了统一的几何和拓扑描述，且与泛化而非记忆相关。

Comments 19 pages, 14 figures, 2 tables

End-to-End Identifiable and Consistent Recurrent Switching Dynamical Systems

端到端可识别且一致的递归切换动力学系统

Carles Balsells-Rodas, Zhengrui Xiang, Xavier Sumba, Yingzhen Li

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

AI总结 本文提出ΩSDS方法，通过流估计器实现精确似然优化，解决深度生成模型中序列数据可识别性问题，提升潜在结构恢复和动态预测准确性。

When Agents Handle Secrets: A Survey of Confidential Computing for Agentic AI

当代理处理秘密：关于代理AI的保密计算调查

Javad Forough, Marios Kogias, Hamed Haddadi

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

AI总结 本文探讨了代理AI中保密计算的应用，分析了六个TEE平台的设计，提出了基于代理的威胁模型，并指出了六个开放挑战，旨在为生产级代理AI提供安全基础。

A Basin-Selection Perspective on Grokking via Singular Learning Theory

从奇异学习理论的角度看通过奇异学习理论实现的grokking现象

Ben Cullen, Sergio Estan-Ruiz, Riya Danait, Jiayi Li

机构 * Department of Computer Science（计算机科学系） ； Department of Mathematics（数学系） ； Mathematical Institute（数学研究所） ； University of Pisa（比萨大学） ； Imperial College London（伦敦帝国学院） ； University of Oxford（牛津大学） ； Section of Mathematics and Artificial Intelligence（数学与人工智能系） ； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学和遗传学研究所） ； Center for Systems Biology（系统生物学中心） ； Faculty of Mathematics（数学系） ； TU Dresden（德累斯顿技术大学） 纠错

AI总结 本文从奇异学习理论的角度研究grokking现象，通过分析损失景观的几何特性，探讨了记忆到泛化过渡的机制，并推导了浅层二次网络中局部学习系数的解析公式。

EvalSense: A Framework for Domain-Specific LLM (Meta-)Evaluation

EvalSense：一种用于领域特定LLM（元）评估的框架

Adam Dejl, Jonathan Pearson

机构 * Imperial College London（伦敦帝国学院） ； NHS England Transformation Directorate（英格兰国家健康服务转型 Directorate） 纠错

AI总结 本文提出EvalSense框架，用于构建领域特定的LLM评估套件，通过交互式指南和元评估工具提高评估方法的可靠性与灵活性。

Comments Accepted to EACL 2026 System Demonstrations

Journal ref Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics (Volume 3: System Demonstrations), 480-491. 2026

Evaluating Uncertainty Quantification Methods in Argumentative Large Language Models

评估论证大语言模型中的不确定性量化方法

Kevin Zhou, Adam Dejl, Gabriel Freedman, Lihu Chen, Antonio Rago, Francesca Toni

机构 * Imperial College London（帝国理工学院伦敦分校） ； King’s College London（伦敦国王学院） 纠错

AI总结 本文评估了在论证大语言模型中不同不确定性量化方法在声明验证任务中的性能，发现直接提示法效果优于复杂方法。

Comments Accepted at EMNLP Findings 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, 21700-21711. 2025

CIGaRS I: Combined simulation-based inference from type Ia supernovae and host photometry

CIGaRS I: 从Ia型超新星和宿主光度观测联合模拟推断

Konstantin Karchev, Roberto Trotta, Raul Jimenez

机构 * Theoretical and Scientific Data Science, International School for Advanced Studies (SISSA), Trieste, Italy（1 理论与科学数据科学，国际先进研究学院（SISSA），意大利特里este） ； Institute of Cosmos Sciences (ICC), University of Barcelona, Barcelona, Spain（2 大学巴塞罗那宇宙科学研究所（ICC），西班牙巴塞罗那） ； Department of Physics, Imperial College London, London, UK（3 物理系，伦敦帝国理工学院，英国伦敦） ； Institute for Fundamental Physics of the Universe (IFPU), Trieste, Italy（4 宇宙基本物理研究所（IFPU），意大利特里este） ； Italian Research Center on High-Performance Computing, Big Data and Quantum Computing (ICSC), Casalecchio di Reno, Italy（5 意大利高性能计算、大数据和量子计算研究中心（ICSC），意大利Casalecchio di Reno） ； Catalan Institution for Research and Advanced Studies (ICREA), Barcelona, Spain（6 哥伦布研究与高级研究机构（ICREA），西班牙巴塞罗那） 纠错

AI总结 本文提出一个统一的贝叶斯分层模型，利用光度观测推断Ia型超新星的固有亮度与前身属性的关系、延迟时间分布及宇宙学参数，并通过模拟展示该方法在光度数据中的应用和优势。

Comments published in Nature Astronomy

On the notion of missingness for path attribution explainability methods in medical settings: Guiding the selection of medically meaningful baselines

关于医疗场景中路径归因解释方法中缺失性概念的探讨：指导选择具有医学意义的基线

Alexander Geiger, Lars Wagner, Daniel Rueckert, Dirk Wilhelm, Alissa Jell

机构 * Research Group MITI, Technical University of Munich（慕尼黑技术大学MITI研究组） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（慕尼黑技术大学人工智能在医疗健康中的chair及慕尼黑技术大学医院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Surgery, Technical University of Munich（慕尼黑技术大学外科系） 纠错

AI总结 本文探讨医疗场景中路径归因解释方法中缺失性的概念，提出更严格的语义缺失性定义，通过合成反事实生成模型验证了反事实基线在提高归因准确性方面的有效性。

Contestable AI needs Computational Argumentation

可争议的AI需要计算论辩

Francesco Leofante, Hamed Ayoobi, Adam Dejl, Gabriel Freedman, Deniz Gorur, Junqi Jiang, Guilherme Paulino-Passos, Antonio Rago, Anna Rapberger, Fabrizio Russo, Xiang Yin, Dekai Zhang, Francesca Toni

机构 * Computational Logic and Argumentation Group, Department of Computing, Imperial College London, UK（计算逻辑与论证组，计算系，伦敦帝国学院，英国） 纠错

AI总结 本文探讨如何通过计算论辩实现可争议的AI，强调动态可解释性和决策过程的重要性，以支持机器与人类或机器间的互动和争议解决。

Comments Accepted at KR 2024

Journal ref Proceedings of the International Conference on Principles of Knowledge Representation and Reasoning, 21, 888-896. 2024

Argumentative Large Language Models for Explainable and Contestable Claim Verification

用于可解释和可争议主张验证的论证大型语言模型

Gabriel Freedman, Adam Dejl, Deniz Gorur, Xiang Yin, Antonio Rago, Francesca Toni

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

AI总结 本文提出论证大型语言模型（ArgLLMs），通过引入论证推理增强LLMs，使其决策可解释且可争议，通过实验验证其在主张验证任务中的性能。

Comments 18 pages, 18 figures. Accepted as an oral presentation at AAAI 2025

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(14), 14930-14939. 2025

Meta-learning for sample-efficient Bayesian optimisation of fed-batch processes

为Fed-batch过程的样本高效贝叶斯优化设计元学习

Becky Langdon, Gabriel D. Patrón, Chrysoula D. Kappatou, Robert M. Lee, Behrang Shafei, Jixiang Qing, Ruth Misener, Mark van der Wilk, Calvin Tsay

机构 * Department of Computing, Imperial College London, United Kingdom（帝国理工学院伦敦分校计算机系） ； BASF SE, Ludwigshafen, Germany（巴斯夫股份有限公司，德国路德维希沙芬） ； School of Mathematical Sciences, Lancaster University, United Kingdom（兰卡斯特大学数学科学学院） ； Department of Computer Science, University of Oxford, United Kingdom（牛津大学计算机科学系） 纠错

AI总结 本文提出System-Aware Neural ODE Processes作为元学习模型，提升贝叶斯优化在低数据场景下的优化性能，通过青霉素批生产案例验证其在不同分布批次中的泛化能力。

Comments 24 pages, 12 figures

Feature Starvation as Geometric Instability in Sparse Autoencoders

稀疏自编码器中的特征枯竭作为几何不稳定性

Faris Chaudhry, Keisuke Yano, Anthea Monod

机构 * Imperial College London South Kensington Campus（伦敦帝国理工学院南肯辛顿校区） ； Institute for Statistical Mathematics（统计数学研究所） 纠错

AI总结 本文提出了一种自适应弹性净稀疏自编码器（AEN-SAEs），通过引入ℓ2结构项和自适应ℓ1重新加权，解决稀疏自编码器中的特征枯竭问题，同时保持重建能力。

Comments 26 pages, 3 figures, 5 tables

Position: agentic AI orchestration should be Bayes-consistent

位置：代理AI协调应具有贝叶斯一致性

Theodore Papamarkou, Pierre Alquier, Matthias Bauer, Wray Buntine, Andrew Davison, Gintare Karolina Dziugaite, Maurizio Filippone, Andrew Y. K. Foong, Vincent Fortuin, Dimitris Fouskakis, Jes Frellsen, Eyke Hüllermeier, Theofanis Karaletsos, Mohammad Emtiyaz Khan, Nikita Kotelevskii, Salem Lahlou, Yingzhen Li, Fang Liu, Clare Lyle, Thomas Möllenhoff, Konstantina Palla, Maxim Panov, Yusuf Sale, Kajetan Schweighofer, Artem Shelmanov, Siddharth Swaroop, Martin Trapp, Willem Waegeman, Andrew Gordon Wilson, Alexey Zaytsev

机构 * ESSEC Business School（ESSEC商学院） ； VinUniversity（文大学） ； Imperial College London（伦敦帝国理工学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Technical University of Denmark（丹麦技术大学） ； Pyramidal Inc.（Pyramidal公司） ； University of Notre Dame（诺特大学） ； Cognizant AI Lab（Cognizant人工智能实验室） ； University College London（伦敦大学学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Ghent University（根特大学） ； New York University（纽约大学） 纠错

AI总结 本文探讨了在代理AI系统中，贝叶斯原则在协调层的应用，而非LLM参数，以提升决策一致性和协作效率。

Comments Accepted for publication at ICML 2026