Dense Soft Weighting for Radar Ego-Velocity Estimation
用于雷达自速度估计的密集软加权方法
机构 * Imperial College London（帝国理工学院）
AI总结 针对视觉退化环境中雷达自速度估计的传统CFAR方法易丢失有效线索的问题，提出密集软加权雷达前端，结合鲁棒加权最小二乘估计自速度，在多数据集上显著降低位姿误差且可实时运行。
Comments Submitted to
高校专区
Imperial College London（帝国理工学院）
Modular Robotic Catheters for Endovascular Aneurysm Repair
用于血管内动脉瘤修复的模块化机器人导管
机构 * Hamlyn Centre for Robotic Surgery, Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系机器人手术哈姆林中心） ； Department of Metabolism, Digestion and Reproduction, Imperial College London（伦敦帝国理工学院代谢、消化与生殖系） ； Department of Mechanical Engineering, Bursa Uludag University（布尔萨乌鲁达大学机械工程系） ； Chair for Computer Aided Medical Procedures and Augmented Reality (CAMP), Technical University of Munich（慕尼黑工业大学计算机辅助医疗程序与增强现实主席）
AI总结 针对血管内动脉瘤修复中导管操作难题，提出定制两段式可转向导管及模块化肌腱驱动平台，利用热纤维拉伸和激光微加工制造，经模拟和体外实验评估，有望缩短手术时间，助力解决复杂临床病例。
Comments 8 pages, 8 figures
From Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity Ratios
从训练到部署：通过灵敏度比率进行事后因果特征识别
机构 * Hologen AI（全息人工智能公司） ； Mathematics Research Centre Academy of Athens（雅典科学院数学研究中心） ； FAU Erlangen Nuremberg（埃尔朗根 - 纽伦堡大学） ； Imperial College London（伦敦帝国理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 研究已训练模型所依赖因果与虚假特征的问题，提出归一化灵敏度比率（NSR）方法，在结构化转移情况下可事后诊断。在特定线性结构因果模型下能精确识别，刻画了失败情况及有限样本率，实验验证了该方法在多方面的有效性。
Entangled by Design: Spurious Intra-Variable Signal Routing in Tabular In-Context Learners
设计中的纠缠：表格上下文学习器中的虚假变量内信号路由
机构 * Hologen AI（全息人工智能公司） ； Mathematics Research Centre Academy of Athens（雅典科学院数学研究中心） ； FAU Erlangen Nuremberg（埃尔朗根 - 纽伦堡大学） ； Imperial College London（伦敦帝国理工学院） ； University of Edinburgh（爱丁堡大学）
AI总结 研究表格上下文学习器中虚假变量内信号路由问题，证明岭回归上下文学习器下该路由不可避免，推导出相关特征。发现更大上下文会放大虚假路由，更具表现力模型更脆弱。引入两种轻量级缓解措施，有效减少虚假路由并提高因果敏感性。
Steering topology distributions for unified generative design of architected metamaterials
用于结构化超材料统一生成设计的引导拓扑分布
机构 * Imperial College London（伦敦帝国理工学院） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Southwest Jiaotong University（西南交通大学） ； Ningbo University（宁波大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 研究结构化超材料设计问题，提出GenTO统一框架，通过训练扩散模型并引导拓扑分布，能为异构任务重用拓扑先验，保留结构多样性，获高性能方案，确立拓扑知识为超材料设计统一原则。
Controllable Diversity in Normalization-Based Implicit Ensembles via Softmax-Temperature Modulation
通过Softmax温度调制在基于归一化的隐式集成中实现可控多样性
机构 * Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所）
AI总结 研究如何在基于归一化的隐式集成中实现可控多样性，核心方法是引入σN-Ens及softmax温度正则化器，主要贡献是在低参数成本下匹配或超越深度集成，能随集成大小扩展且在分布变化下保持校准。
Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations
一致证据，稳健识别：几何变换下的忠实归因正则化
机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络科学与技术学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Automation, Nanjing University of Information Science and Technology（南京信息工程大学自动化学院） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 研究针对归因方法在几何变换下的不足，提出基于图像区域子模搜索的无注释归因正则化框架，通过子模排序损失正则化归因及证据选择过程，实验表明该方法能提升归因稳定性且性能损失小。
LunarFM: A Shared Multimodal Representation of the Moon's Surface
LunarFM：月球表面的共享多模态表示
机构 * University of Cambridge（剑桥大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； SPAIDER SPACE（斯派德太空公司） ； Mines Paris - PSL University（巴黎矿业学院 - 巴黎文理研究大学） ； University of Bern（伯尔尼大学） ； Imperial College London（伦敦帝国理工学院） ； European Space Resources Innovation Center (ESRIC)（欧洲空间资源创新中心） ； Universidad de Antioquia（安蒂奥基亚大学）
AI总结 因月球探索需求，针对多源观测致月球表面分析碎片化问题，提出LunarFM多模态基础模型，融合多仪器观测学习通用表示，支持多种下游应用，还提供相关数据集、预训练模型等，助力月球表面高效分析。
Comments 19 pages, 12 figures
An LLM-Driven Workflow for Automated Process Control Strategy Generation and Tuning from Dynamic Process Models
一种由大语言模型驱动的工作流程，用于从动态过程模型自动生成和调整过程控制策略
机构 * Imperial College London（帝国理工学院） ； University College London（伦敦大学学院）
AI总结 该研究提出由大语言模型驱动的工作流程，用于从动态过程模型自动生成和调整控制策略，将设计任务分解为多步骤，经执行验证和修复，在气体预热器基准测试中生成控制结构与环境，贝叶斯优化降低闭环性能目标约26.5%，证明方法可行性。
Training Large Language Models for Self-Explanation Faithfulness
训练用于自解释忠实性的大语言模型
机构 * Imperial College London（帝国理工学院）
AI总结 提出强化学习方法，将忠实性度量改为训练目标，研究模型能否检测及优化影响决策因素以提高自解释忠实性。实验用随机词和用户偏差插入，微调模型在忠实性度量上显著改进，交叉干预泛化有模型依赖等情况，为减少不忠实推理提供路径。
Comments To appear at the ICLR 2026 Workshop on Representational Alignment (Re-Align), 10 pages (long paper)
HypEMBER: Hypernetwork-based Ensemble for Robust Policy Learning of Parametrized Dynamical Systems
HypEMBER：基于超网络的集成方法用于参数化动态系统的稳健策略学习
机构 * MOX, Department of Mathematics Politecnico di Milano（米兰理工大学数学MOX系） ； Department of Aeronautics Imperial College London（伦敦帝国理工学院航空系）
AI总结 研究在测量和模型不确定下参数化动态系统的稳健控制，提出基于超网络与集成学习结合的HypEMBER框架，通过超网络表示策略和价值函数实现参数泛化，用逼近器集成量化不确定性，实验表明该框架能提升训练稳定性等，增强对不确定性的稳健性。
PRIME-SVR: Physics-infoRmed Implicit Multi-Echo Slice-to-Volume Reconstruction for Fetal T2 mapping
PRIME-SVR：用于胎儿T2映射的物理信息隐式多回波切片到体积重建
机构 * Department of Radiology, Lausanne University Hospital and University of Lausanne（放射科，洛桑大学医院和洛桑大学） ； CIBM Center for Biomedical Imaging（生物医学成像中心） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（人工智能在医疗和医学中的 chair，慕尼黑技术大学（TUM）和慕尼黑大学医院） ； Department of Computing, Imperial College London（计算系，伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Biomedical Engineering Department, School of Biomedical Engineering and Imaging Sciences, King's College London（生物医学工程系，伦敦国王学院生物医学工程与成像科学学校） ； Institut de Neurosciences de la Timone, UMR 7289, CNRS, Aix-Marseille Université（Timone 神经科学研究所，UMR 7289，CNRS，阿维尼昂-马赛大学） ； Department Woman-Mother-Child, Lausanne University Hospital（妇女-母亲-儿童部门，洛桑大学医院）
AI总结 研究针对现有胎儿脑切片到体积重建方法在非临床回波时间受限问题，提出PRIME-SVR隐式神经表示框架，通过全连接网络建模、估计采集退化，利用正则化加强耦合，实现自监督重建，提升了重建质量并加速定量成像。
Automated Extraction of Techno-Economic Data from 76,000 Energy System Studies
从76000项能源系统研究中自动提取技术经济数据
机构 * Forschungszentrum Jülich GmbH（于利希研究中心有限公司） ； University of Siegen（锡根大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 该研究旨在从大量能源系统研究中自动提取技术经济数据，通过特定方法汇编海量数据点与元数据条目形成FAIR数据库，能展示学术假设与实证数据差异及研究重点变化，还通过交互式仪表板方便用户使用。
Latent Riemannian Flow Matching for Geometry-Grounded 3D Foundation Models
用于几何基础3D基础模型的潜在黎曼流匹配
机构 * TU Wien（维也纳工业大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究如何弥合几何基础模型与3D场景生成模型的范式差异，通过在VGGT潜在空间进行黎曼流匹配，利用其3D先验，不依赖明确下游表示，在多个数据集上取得良好性能，确立该方法为3D生成的可行范式。
Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions
多层MIMO中继作为深度物理神经网络：以功率放大器作为激活函数
机构 * Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电气与电子工程系） ； Faculty of Engineering, Bar-Ilan University（巴伊兰大学工程学院）
AI总结 本文提出用多跳MIMO中继网络构建深度无线物理神经网络，以功率放大器非线性为激活函数，实现可端到端训练的空中全连接网络，针对不同CSI场景开发两种收发器设计，仿真显示该架构能准确进行图像分类，凸显利用硬件非线性增强推理能力的优势。
Non-Asymptotic Best Policy Identification Guarantees in Online Reinforcement Learning
在线强化学习中的非渐近最优策略识别保证
机构 * Imperial College London（伦敦帝国学院） ； Boston University（波士顿大学） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）
AI总结 研究在线表格强化学习中的最优策略识别问题，通过为导航与停止（NaS）算法提供非渐近样本复杂度保证，揭示其样本复杂度不仅依赖特征时间，还与MDP连通性等有关，填补了相关空白。
Comments 64 pages, 2 figures
Hierarchical Wireless Foundation Model for Multi-Task Optimization
用于多任务优化的分层无线基础模型
机构 * Department of Electrical and Electronic Engineering, Faculty of Engineering, Imperial College London（电气与电子工程系，工程学院，伦敦帝国理工学院） ； School of Mathematics and Statistics, Beijing Jiaotong University（数学与统计学学院，北京交通大学）
AI总结 针对下一代无线网络中人工智能技术泛化瓶颈问题，提出分层无线基础模型（WFM），通过几何感知交叉注意力耦合上下游模块，采用混合训练策略，实现多任务优化，学习高保真信道表示，降低延迟，有强大泛化能力。
Comments 15 pages, 10 figures, 3 tables
Certified Training for Convolutional Perturbations
卷积扰动的认证训练
机构 * Safe Intelligence（安全智能） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究视觉模型受扰动问题，提出利用卷积扰动编码的认证训练方法，显著优于对抗训练，在CIFAR10上对运动模糊有超80%鲁棒准确率，且标准准确率相当。
AoA: Theorem Proving Agent over Abstract Syntax Tree of Redesigned Language
AoA：基于重新设计语言抽象语法树的定理证明智能体
机构 * Nanyang Technological University Singapore（南洋理工大学新加坡分校） ； Imperial College London London, UK（伦敦帝国理工学院伦敦分校） ； University of Edinburgh Edinburgh, UK（爱丁堡大学爱丁堡分校）
AI总结 研究针对交互式定理证明中人工操作限制可扩展性及基于LLM的证明智能体成本高的问题，提出将智能体从源文本提升到抽象语法树的方法，实现了AoA，在多个方面有显著提升且解决更多难题。
Comments 13 pages
Chemical filters for ultra-high-throughput materials screening and generation
用于超高通量材料筛选和生成的化学过滤器
机构 * Department of Materials, Imperial College London（帝国理工学院材料系）
AI总结 研究针对AI生成材料成分不合理问题，引入化学有效性算子，基于SMACT包构建氧化态模型，通过可调阈值支持不同工作流程。经基准测试，该算子能过滤不合理成分，还可作强化学习奖励，为氧化态感知生成模型奠定基础。
Comments 19 pages, 7 figures, 3 tables, including Supplementary Information
Rendering 3D Gaussians on a Graph Processor
在图形处理器上渲染3D高斯分布
机构 * Imperial College London Department of Computing（伦敦帝国学院计算机系）
AI总结 研究在IPU上实现3D高斯渲染器，输入为3D高斯地图，通过特定模式路由高斯基元，遵循BSP模型计算。评估了仅用SRAM实现的瓶颈及对性能和质量的影响，还探讨了对GPU和相关架构的意义。
Comments Project page: https://nmjfry.github.io/ipu-3dgs/
Journal ref Eurographics Symposium on Rendering (Symposium Track), 2026
A zero-one law for one-shot system identification
一次性系统识别的零一律
机构 * Imperial College London（帝国理工学院） ； New York University（纽约大学） ； Cornell University（康奈尔大学）
AI总结 研究一次性系统识别问题，通过规定字典项线性参数化解析系统，证明零一律，将问题简化为关于退化输入的问题，能从单轨迹数据恢复多种系统并检测额外探测需求。
Comments 8 pages, 2 figures
A Physics-Informed Neural Network with a Modified Lorentzian Activation for Nonlocal Gradient-Flow Equations in Dynamic Density Functional Theory
一种具有修正洛伦兹激活函数的物理信息神经网络用于动态密度泛函理论中的非局部梯度流方程
机构 * Department of Chemical Engineering, Imperial College London（帝国理工学院化学工程系） ； Department of Operations, University of Lausanne（洛桑大学运营系）
AI总结 该研究针对动态密度泛函理论中的非局部梯度流方程，开发物理信息神经网络框架。引入修正洛伦兹激活函数和预计算离散算子，经多维度测试，新激活函数加速收敛，框架与参考解吻合且捕捉到梯度流行为，展现求解此类方程的潜力。
Ptolemy's Equant Equates to a Universal Dynamical Clock via Machine Learning
通过机器学习，托勒密等距点等同于通用动态时钟
机构 * School of Mathematical Sciences, Fudan University, Shanghai 200433, China（复旦大学数学科学学院） ； Research Institute of Intelligent Complex Systems, Fudan University, Shanghai 200433, China（复旦大学智能复杂系统研究所） ； Department of Mathematics, Imperial College London, London, SW7 2AZ, United Kingdom（伦敦帝国学院数学系） ； Institute for Complex Systems and Mathematical Biology, University of Aberdeen, Aberdeen AB24 3UE, United Kingdom（阿伯丁大学复杂系统与数学生物学研究所） ； Department of Psychiatry, University of Cambridge, Cambridge CB2 1TN, United Kingdom（剑桥大学精神病学系）
AI总结 研究非线性高维振荡中相位和相位动力学识别问题，基于托勒密等距点建立通用动态时钟原理，用机器学习框架证明其存在并构建相关动力学，通过四个发现展示价值，为振荡系统研究提供新途径。
Comments 56 pages, 12 figures, 3 tables
An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications
工程应用中的非线性动力学稀疏识别介绍
机构 * Department of Aeronautics, Imperial College London（伦敦帝国理工学院航空系） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； NSF AI Institute in Dynamic Systems, University of Washington（华盛顿大学动态系统领域美国国家科学基金会人工智能研究所）
AI总结 介绍工程应用中非线性动力学稀疏识别（SINDy）方法，通过对候选非线性项库稀疏回归解决代理建模局限性，教程介绍该方法及扩展，经案例研究表明其易实现且灵活，是工程应用有价值的识别工具。
Comments 15 pages, 4 figures
Beyond scalar losses: calibrating segmentation models via gradient vector field surgery
超越标量损失：通过梯度向量场手术校准分割模型
机构 * School of Computation, Information and Technology, TUM（慕尼黑工业大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Radiology, Weill Cornell Medicine（威尔康乃尔医学院放射科） ； School of Medicine and Health, TUM University Hospital（慕尼黑工业大学医院医学与健康学院） ； Cornell Tech（康奈尔科技学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 研究针对基于区域损失函数训练的分割模型校准不佳问题，提出对梯度向量场进行“手术”，即给损失偏导数添加因子，依预测误差线性缩放梯度大小，经2D和3D医学分割任务验证该方法有效且能保持高预测准确性。
Comments MIDL 2026. Published version: https://proceedings.mlr.press/v315/lux26a.html
Journal ref Proceedings of Machine Learning Research 315:3397-3423, 2026
Lyapunov Guidance: A Unified Framework for Stabilizing Generative Flows
李雅普诺夫引导：稳定生成流的统一框架
机构 * Imperial College London（伦敦帝国理工学院） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； MicroCyto（微赛生物）
AI总结 研究针对流匹配重新训练计算昂贵、现有训练后引导方法无稳定性保证的问题，提出LyaGuide框架，将流引导作为李雅普诺夫控制问题，统一多种引导策略，经实验验证其在多方面有改进且保持计算效率。
Comments 25 pages, 13 figures
Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes
使用Evo 2探针筛选宏基因组数据中的生物安全特征
机构 * Department of Bioengineering, Imperial College London（帝国理工学院生物工程系） ； John Innes Centre（约翰·英尼斯研究中心） ； Independent Research Scientist（独立研究者）
AI总结 研究利用Evo 2探针在宏基因组数据中筛选生物安全特征，通过训练线性和注意力探针检测抗菌抗性及细菌毒力等，发现其在检测AMR等方面效果良好，可作为快速低成本首过检测层，明确了该方法的优势与局限。
Continual Learning with Elastic Regularization and Synthetic Replay for Federated MLLM Fine-Tuning
用于联邦多模态大语言模型微调的弹性正则化和合成重放持续学习
机构 * The University of British Columbia（英属哥伦比亚大学） ； Fudan University（复旦大学） ； Royal College of Science, Imperial College London（伦敦帝国理工学院皇家科学学院） ； Dyson School of Design Engineering（戴森设计工程学院） ； Suzhou Institute of Biomedical Engineering and Technology (SIBET), Chinese Academy of Sciences（中国科学院苏州生物医学工程技术研究所） ； East China Normal University（华东师范大学）
AI总结 研究针对联邦多模态大语言模型微调中灾难性遗忘问题，提出FedCMM框架，在参数、数据、聚合三个层面嵌入持续学习保障，经实验验证该框架在准确性和反向迁移上优于基线，能实现跨异构网络AI部署的稳健进化适应。
Comments submitted to IEEE JSTSP
A Model for Mediating Multi-Modal Human Intent into Safe Maneuvers for UAVs
一种将多模态人类意图转化为无人机安全机动的中介模型
机构 * University of Notre Dame（诺丁汉大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究如何将多模态人类意图转化为无人机安全机动，提出需求导向的机动响应模型，通过结构化管道处理操作员输入，经多种约束验证后执行，还形式化为此类规范模型，经实验室验证可可靠解释并安全执行相关输入。
Comments 11 pages, 4 figures, preprint for MODRE 2026
