Imperial College London（帝国理工学院）

How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models

循环一次值有多大？循环语言模型的等深度缩放定律

Kristian Schwethelm, Daniel Rueckert, Georgios Kaissis

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich（慕尼黑技术大学人工智能在医疗和医学中的主任） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML）） ； Hasso Plattner Institute for Digital Engineering, University of Potsdam, Germany（波茨坦大学数字工程霍普夫研究所） 纠错

AI总结 研究通过等深度预训练测量循环变换器中一次循环的价值，推导出缩放定律并发现循环等价指数φ=0.46，表明共享循环比独特块更差，展示了φ作为诊断工具的实用性。

Comments v3: substantially refined framing + minor corrections v2: added case studies on truncated-BPTT and hyperconnections

SynBench: A Benchmark for Differentially Private Text Generation

SynBench：差分隐私文本生成的基准测试

Yidan Sun, Viktor Schlegel, Srinivasan Nandakumar, Iqra Zahid, Yuping Wu, Yulong Wu, Hao Li, Jie Zhang, Warren Del-Pinto, Goran Nenadic, Siew Kei Lam, Anil Anthony Bharath

机构 * Imperial College London, Imperial Global Singapore（帝国学院伦敦，帝国全球新加坡） ； University of Manchester, United Kingdom（曼彻斯特大学，英国） ； CFAR and IHPC, Agency for Science, Technology and Research (A*STAR), Singapore（CFAR和IHPC，科技研究局（A*STAR），新加坡） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Imperial College London, United Kingdom（帝国学院伦敦，英国） 纠错

AI总结 本文提出SynBench基准测试，通过标准化评估框架和隐私审计，评估不同规模的LLM生成模型在差分隐私下的性能，揭示隐私数据生成与预训练数据的关联性对生成质量的影响。

Comments 16 pages

SAMamba3D: adapting Segment Anything for generalizable 3D segmentation of multiphase pore-scale images

SAMamba3D：适应Segment Anything用于多相孔尺度图像的通用3D分割

Rui Zhang, Xianzhi Song, Linqi Zhu, Branko Bijeljic, Gensheng Li, Martin J. Blunt

机构 * Department of Earth Science and Engineering, Imperial College London（帝国理工学院伦敦地球科学与工程系） ； College of Artificial Intelligence, China University of Petroleum (Beijing)（中国石油大学（北京）人工智能学院） ； College of Petroleum Engineering, China University of Petroleum (Beijing)（中国石油大学（北京）石油工程学院） 纠错

AI总结 SAMamba3D通过结合Mamba体积上下文建模和渐进跨尺度特征交互，实现了通用的3D多相孔尺度分割，减少对特定案例重训练的需求。

Comments Code available at https://github.com/ImperialCollegeLondon/SAMamba-3D

GAZE: Grounded Agentic Zero-shot Evaluation with Viewer-Level Tools and Literature Retrieval on Rare Brain MRI

GAZE：基于视图级工具和文献检索的 grounded 零样本评估

Duaa Alim, Mogtaba Alim, Liam Chalcroft

机构 * Imperial College London, UK（伦敦帝国学院） ； University of Toronto, Canada（多伦多大学） ； University College London, UK（伦敦大学学院） 纠错

AI总结 GAZE框架通过调用视图级工具和文献检索工具，使医学VLM在迭代方式下工作，实现对罕见脑MRI的零样本评估，提升病变定位和诊断准确率。

An Efficient Spatial Branch-and-Bound Algorithm for Global Optimization of Gaussian Process Posterior Mean Functions

一种高效的用于高斯过程后验均值函数全局优化的空域分支定界算法

Wei-Ting Tang, Akshay Kudva, Calvin Tsay, Joel A. Paulson

机构 * Department of Chemical and Biological Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校化学与生物工程系） ； Department of Chemical and Biomolecular Engineering, The Ohio State University（俄亥俄州立大学化学与生物分子工程系） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 本文提出PALM-Mean算法，通过空域分支定界与分段解析下界结合，提升高斯过程后验均值函数全局优化的可扩展性。

Gradient Regularized Newton Boosting Trees with Global Convergence

具有全局收敛性的梯度正则化牛顿提升树

Nikita Zozoulenko, Daniel Falkowski, Thomas Cass, Lukas Gonon

机构 * Department of Mathematics, Imperial College London, UK（帝国理工学院伦敦数学系） ； School of Computer Science, University of St. Gallen, Switzerland（圣加尔登大学计算机科学学院） ； Department of Mathematics, Stockholm University, Sweden（斯德哥尔摩大学数学系） 纠错

AI总结 本文提出受限牛顿下降法，通过研究在希尔伯特空间上使用牛顿法进行凸优化，证明了牛顿提升在满足Hessian主导条件的光滑强凸损失下的线性收敛率，并通过引入适应性ℓ2正则化项实现对一般凸损失的全局收敛。

High Dynamic Range 3D Gaussian Splatting via Luminance-Chromaticity Decomposition

高动态范围3D高斯散射 via 光亮度-色度分解

Kaixuan Zhang, Minxian Li, Mingwu Ren, Jiankang Deng, Xiatian Zhu

机构 * Nanjing University of Science and Technology（南京理工大学） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

AI总结 本文提出基于光亮度-色度分解的3D高斯散射方法，通过解耦亮度与色度参数，提升学习灵活性，实现更高效的高动态范围3D重建。

Man, Machine, and Mathematics

人、机器与数学

Akshunna S. Dogra

机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所） ； EPSRC Centre for Doctoral Training: Mathematics of Random Systems（英国工程与物理科学研究委员会博士培训中心：随机系统数学） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Department of Physics, Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）物理系） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； MathePhysics 纠错

AI总结 本文探讨构建统一框架以指导学习、优化与建模领域的发展，提出解决可解问题的通用收敛定理，并利用动力系统、几何和基础物理中的工具简化学习研究。

Comments 31 pages, 8 figures, 3 appendices. Survey article/scientific manifesto covering learning and optimisation from a broad perspective, especially within computational contexts

The Impact of AI-Generated Text on the Internet

人工智能生成文本对互联网的影响

Jonas Dolezal, Sawood Alam, Mark Graham, Maty Bohacek

机构 * Imperial College London（帝国理工学院伦敦分校） ； Internet Archive（互联网档案库） ； Stanford University（斯坦福大学） 纠错

AI总结 研究通过分析2022-2025年互联网上的网站样本，发现AI生成文本占比达35%，并探讨其对语义多样性、情感倾向等的影响，但未发现事实准确性下降的证据。

Self-DACE++: Robust Low-Light Enhancement via Efficient Adaptive Curve Estimation

Self-DACE++：通过高效自适应曲线估计实现鲁棒低光照增强

Jianyu Wen, Jun Xie, Feng Chen, Zhepeng Wang, Chenhao Wu, Tong Zhang, Yixuan Yu, Piotr Swierczynski

机构 * Lenovo Research（联想研究院） ； Imperial College London（帝国理工学院伦敦分校） ； Southern University of Science（南方科技大学） ； Peking University（北京大学） ； NODAR Inc.（NODAR公司） 纠错

AI总结 本文提出Self-DACE++，一种改进的无监督轻量级低光照图像增强框架，通过增强自适应调整曲线提升计算效率与恢复质量，实现实时高效增强。

The Prompt Engineering Report Distilled: Quick Start Guide for Life Sciences

提示工程报告精简：生命科学领域的快速入门指南

Valentin Romanov, Steven A Niederer

机构 * National Heart & Lung Institute, Faculty of Medicine, Imperial College London（英国伦敦帝国学院医学院国家心脏和肺研究所） 纠错

AI总结 本文总结了生命科学领域中6种核心提示工程技巧，包括零样本、少样本、思考生成等，旨在提升LLM在文献总结、数据提取等任务中的效率与质量。

Tatemae: Detecting Alignment Faking via Tool Selection in LLMs

Tatemae：通过工具选择检测LLMs中的对齐欺骗

Matteo Leonesi, Francesco Belardinelli, Flavio Corradini, Marco Piangerelli

机构 * Department of Computer Science（计算机科学系） ； University of Camerino（坎皮诺大学） ； Department of Computing（计算系） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文通过可观测的工具选择检测LLMs中的对齐欺骗，分析了在监控和无监控状态下工具选择的变化，并展示了不同领域和压力类型下的漏洞特征。

Beyond Shortcuts: Mitigating Visual Illusions in Frozen VLMs via Qualitative Reasoning

超越捷径：通过定性推理缓解冻结VLM中的视觉错觉

Hao Guo, Fei Wang, Junjie Chen, Yiqi Nie, Jiaqi Zhao, Qiankun Li, Subin Huang

机构 * Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥国家科学中心） ； Anhui Polytechnic University（安徽理工大学） ； Hefei University of Technology（合肥工业大学） ； Anhui University（安徽大学） ； IGS, Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出SQI框架，通过定性约束提升冻结VLM的视觉 grounding，解决视觉错觉问题，实验显示在DataCV 2026挑战中表现优异，提升准确率并提供更好的可解释性。

Comments 4 pages, 2 figures, and 1 table. This is a methodology paper for the DataCV 2026 Challenge (CVPR Workshops), Task 1, where our method ranked 2nd

Explainable Detection of Machine Generated Music and Early Systematic Evaluation

可解释性地检测机器生成音乐及早期系统性评估

Yupei Li, Qiyang Sun, Hanqian Li, Lucia Specia, Björn W. Schuller

机构 * Imperial College London, Computing（帝国理工学院伦敦分校，计算机系） ； Shandong University（山东大学） 纠错

AI总结 本文通过多种模型评估机器生成音乐检测，揭示ResNet18在领域内和领域外测试中的最佳性能，提出未来研究方向以提升检测方法的鲁棒性和有效性。

Comments Accepted at Scientific report

Journal ref Sci Rep 16, 13757 (2026)

A Finite Time Analysis of Thompson Sampling for Bayesian Optimization with Preferential Feedback

带有偏好反馈的贝叶斯优化的有限时间分析

Joseph Lazzaro, Davide Buffelli, Da-shan Shiu, Sattar Vakili

机构 * Imperial College London（帝国理工学院伦敦分校） ； MediaTek Research（联发科技研究） 纠错

AI总结 本文提出一种基于偏好反馈的贝叶斯优化的强化学习方法，通过单调链接建模比较并利用双核机制，证明其性能与传统贝叶斯优化方法一致。

Comments AISTATS 2026

Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases

动态决策学习：罕见疾病异常定位的测试时间演化

Jun Li, Mingxuan Liu, Jiazhen Pan, Che Liu, Wenjia Bai, Cosmin I. Bercea, Julia A. Schnabel

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Imperial College London（帝国理工学院伦敦分校） ； University of Trento（特伦托大学） ； King's College London（伦敦国王学院） 纠错

AI总结 本文提出动态决策学习框架，通过优化指令和视觉扰动下的预测整合，提升冻结大视觉语言模型在罕见疾病异常定位中的表现，实验显示其在罕见疾病案例中mAP@75提升达105%。

Uncovering Exotic Paired States in the 2D Spin-Imbalanced Fermi Gas with Neural Wave Functions

在二维自旋不平衡费米气体中利用神经网络波函数揭示异常配对态

Wan Tong Lou, Gino Cassella, Andres Perez Fadon, Halvard Sutterud, David Pfau, James S. Spencer, Johannes Knolle, W. M. C. Foulkes

机构 * Department of Physics, Imperial College London, South Kensington Campus, London SW7 2AZ, United Kingdom（伦敦帝国学院物理系，南肯辛顿校区，伦敦SW7 2AZ，英国） ； DeepMind, 6 Pancras Square, London N1C 4AG, United Kingdom（深度思维公司，6 Pancras Square，伦敦N1C 4AG，英国） ； Munich Center for Quantum Science and Technology (MCQST), 80799 Munich, Germany（慕尼黑量子科学与技术中心（MCQST），慕尼黑，德国） 纠错

AI总结 研究利用神经网络变分蒙特卡洛方法揭示二维自旋不平衡费米气体在零温度相图中异常配对态的形成机制及相变行为。

Comments 23 pages, 17 figures

HearthNet: Edge Multi-Agent Orchestration for Smart Homes

HearthNet：边缘多智能体协调用于智能家居

Zhonghao Zhan, Krinos Li, Yefan Zhang, Hamed Haddadi

机构 * Imperial College London（伦敦帝国学院） ； Independent Researcher（独立研究员） 纠错

AI总结 HearthNet通过边缘多智能体系统解决智能家居中自然语言控制、设备故障和持续协调的问题，采用MQTT、Git共享状态和授权租赁实现设备管理。

Comments (CAIS 2026) Proceedings of the ACM Conference on AI and Agentic Systems, Demo Track

Bayesian Inverse Transition Learning: Learning Dynamics From Near-Optimal Trajectories

贝叶斯逆向转移学习：从近优轨迹中学习动态

Leo Benac, Abhishek Sharma, Sonali Parbhoo, Finale Doshi-Velez

机构 * Harvard University（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出逆向转移学习方法，通过近优轨迹的有限覆盖作为特征，结合贝叶斯方法估计动态，提升决策质量并指导迁移成功判断。

Scalable Spatiotemporal Inference with Biased Scan Attention Transformer Neural Processes

可扩展的时空推断与偏扫描注意力变压器神经过程

Daniel Jenson, Jhonathan Navott, Piotr Grynfelder, Mengyan Zhang, Makkunda Sharma, Elizaveta Semenova, Seth Flaxman

机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； University of Bristol（布里斯托尔大学） 纠错

AI总结 本文提出BSA-TNP模型，通过引入核回归块、群不变注意力偏置和高效偏扫描注意力，实现高精度、高效率的时空过程建模，支持多分辨率学习和大规模推断。

EmoTrans: A Benchmark for Understanding, Reasoning, and Predicting Emotion Transitions in Multimodal LLMs

EmoTrans：一个多模态大语言模型中情感过渡理解、推理和预测的基准测试

He Hu, Tengjin Weng, Zebang Cheng, Yu Wang, Jiachen Luo, Björn Schuller, Zheng Lian, Laizhong Cui

机构 * Shenzhen University（深圳大学） ； Guangdong Laboratory of Artificial Intelligence（广东人工智能与数字经济实验室） ； Queen Mary University of London（女王学院伦敦大学） ； Technical University of Munich（慕尼黑技术大学） ； Imperial College London（伦敦帝国学院） ； Tongji University（同济大学） 纠错

AI总结 EmoTrans旨在评估多模态视频中情感动态理解能力，包含1000个手工标注的视频片段和3000多个任务特定问题-答案对，通过四个任务形成从粗粒度检测到深度推理的评估框架，发现当前大语言模型在细粒度情感动态建模上仍存在挑战。

Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM

从噪声提示中学习：基于显著性的提示蒸馏用于具有SAM的鲁棒分割

Jingxuan Kang, Ziqi Zhang, Shaoming Zheng, Shuang Li, Uday Bharat Patel, Alexander Harry Fitzhugh, Phillip Lung, Yusuf Kiberu, Nikesh Jathanna, Shahnaz Jamil-Copley, Bernhard Kainz, Chen Qin

机构 * Imperial College London（伦敦帝国学院） ； Beihang University（北航） ； National Health Service（国家卫生服务） ； University of Nottingham（诺丁汉大学） 纠错

AI总结 本文提出SPD框架，通过数据驱动的解剖先验知识和上下文提示蒸馏，提升在噪声提示下的分割鲁棒性，实验表明其在MRI和CT基准上优于现有方法。

Comments Accepted to CVPR 2026 (Findings Track)

PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking

PoseX：人工智能击败物理方法在蛋白质-配体交叉对接

Yize Jiang, Xinze Li, Yuanyuan Zhang, Jin Han, Youjun Xu, Ayush Pandit, Zaixi Zhang, Mengdi Wang, Mengyang Wang, Minjie Shen, Guang Yang, Yejin Choi, Wu-Jun Li, Tianfan Fu, Fang Wu, Junhong Liu

机构 * Microcyto ； Purdue University（普渡大学） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Anew Therapeutics ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） ； Virginia Tech（弗吉尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 PoseX设计了一个开放源代码的基准测试，评估自我对接和交叉对接，通过23种方法和718/1312个数据集，发现AI方法在对接成功率上优于物理方法，并通过放松方法和结合口袋信息提升性能。

Relaxation-Informed Training of Neural Network Surrogate Models

基于松弛信息的神经网络代理模型训练

Calvin Tsay

机构 * Imperial College London（帝国理工学院） 纠错

AI总结 本文提出基于松弛信息的神经网络代理模型训练方法，通过引入新的正则化器来优化混合整数线性规划的求解效率，实验表明可显著提升求解速度。

Comments 35 pages, 5 figures

The Shape of Adversarial Influence: Characterizing LLM Latent Spaces with Persistent Homology

对抗影响的形状：利用持久同调表征大语言模型的潜在空间

Aideen Fay, Inés García-Redondo, Qiquan Wang, Haim Dubossarsky, Anthea Monod

机构 * Microsoft Security Response Center（微软安全响应中心） ； AIDOS Lab, University of Fribourg（弗里堡大学AIDOS实验室） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Queen Mary University of London（伦敦大学量子玛丽学院） ； Imperial College London（伦敦帝国理工学院） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文利用持久同调方法分析对抗输入如何改变大语言模型潜在空间的几何拓扑结构，揭示了潜在空间压缩和拓扑特征的普遍性。

HGQ-LUT: Fast LUT-Aware Training and Efficient Architectures for DNN Inference

HGQ-LUT：用于DNN推理的快速LUT感知训练和高效架构

Chang Sun, Zhiqiang Que, Bakhtiar Zadeh, Qibin Liu, Kevin H. Alvarez, Wayne Luk, Maria Spiropulu

机构 * California Institute of Technology, Pasadena, CA, USA（加州理工学院） ； University of Bristol, UK（布里斯托大学） ； Imperial College London, UK（伦敦帝国理工学院） ； SLAC National Accelerator Laboratory, Menlo Park, CA, USA（SLAC国家加速器实验室） 纠错

AI总结 HGQ-LUT通过引入LUT-Dense和LUT-Conv层及精细化量化，实现高效硬件效率和加速训练，支持混合架构的一体化设计与验证。

DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysis

DimABSA：构建多语言多领域数据集用于维度方面基于情感分析

Lung-Hao Lee, Liang-Chih Yu, Natalia Loukashevich, Ilseyar Alimova, Alexander Panchenko, Tzu-Mi Lin, Zhe-Yu Xu, Jian-Yu Zhou, Guangmin Zheng, Jin Wang, Sharanya Awasthi, Jonas Becker, Jan Philip Wahle, Terry Ruas, Shamsuddeen Hassan Muhammad, Saif M. Mohammad

机构 * National Yang Ming Chiao Tung University ； Yuan Ze University ； Moscow State University ； Skoltech ； AIRI ； Yunnan University ； University of Cincinnati ； University of Göttingen ； Imperial College London ； National Research Council Canada 纠错

AI总结 本文提出DimABSA，首个多语言多领域数据集，通过引入连续valence-arousal评分提升细粒度情感分析能力，提供三个子任务及连续F1指标，推动多语言维度情感分析发展。

Comments accepted at ACL 2026

da4ml: Distributed Arithmetic for Real-time Neural Networks on FPGAs

da4ml：FPGA上的实时神经网络分布式算术

Chang Sun, Zhiqiang Que, Vladimir Loncar, Wayne Luk, Maria Spiropulu

机构 * California Institute of Technology（加利福尼亚技术研究所） ； Imperial College London（伦敦帝国理工学院） ； CERN（欧洲核子研究中心） ； Institute of Physics Belgrade（贝尔格莱德物理研究所） 纠错

AI总结 本文提出一种高效算法，用于在FPGA上实现常数矩阵向量乘法，同时优化面积和延迟，减少芯片资源并降低延迟，使之前不可行的网络得以实现。

Journal ref ACM Trans. Reconfig. Technol. Syst., Vol. 19, No. 1, Article 13. (March 2026)

Weighting What Matters: Boosting Sample Efficiency in Medical Report Generation via Token Reweighting

权重什么重要：通过标记重加权提升医学报告生成的样本效率

Alexander Weers, Daniel Rueckert, Martin J. Menten

机构 * TUM School of Computation, Information and Technology（慕尼黑技术大学计算、信息与技术学院） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（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 本文通过标记重加权方法提升医学报告生成的样本效率，实验表明在眼科报告生成中，该方法在较少训练数据下也能获得高质量报告。

Breaking MCP with Function Hijacking Attacks: Novel Threats for Function Calling and Agentic Models

打破MCP：函数劫持攻击：函数调用和代理模型的新威胁

Yannis Belkhiter, Giulio Zizzo, Sergio Maffeis, Seshu Tirupathi, John D. Kelleher

机构 * IBM Research Europe（IBM欧洲研究院） ； Trinity College Dublin（三一学院都柏林） ； Imperial College London（帝国理工学院伦敦） ； ADAPT Research Centre（ADAPT研究中心） 纠错

AI总结 本文提出了一种新的函数劫持攻击，通过操纵代理模型的工具选择过程，迫使调用特定攻击者选择的函数，展示了代理模型在函数调用接口上的新漏洞。