高校专区
MEDSYN：多证据合成在复杂临床病例中的基准测试用于多模态大语言模型
机构 * ETH Zurich（苏黎世联邦理工学院） ； MBZUAI（马克斯·普朗克人工智能研究所） ； Amazon（亚马逊） ； University of Oxford（牛津大学） ； University of Bern（伯尔尼大学） ； Imperial College London（伦敦帝国理工学院） ； Peking University（北京大学）
AI总结 MEDSYN是一个多语言、多模态的复杂临床病例基准测试，用于评估多模态大语言模型在差分诊断和最终诊断中的表现，揭示模型在异质临床证据合成中的不足。
Scepsy：利用聚合LLM管道服务代理工作流
机构 * Imperial College London（伦敦帝国学院）
AI总结 Scepsy通过聚合LLM管道高效调度多LLM代理工作流，实现高吞吐量和低延迟，相比独立优化或用户指定分配的系统，吞吐量提升2.4倍，延迟降低27倍。
Evo-MedAgent：超越单次诊断的具有记忆、反思和改进能力的代理
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） ； 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） ； Imperial College London（伦敦帝国理工学院）
AI总结 Evo-MedAgent通过引入自我进化记忆模块，使医疗代理在测试时实现跨案例学习，提升多选题准确率，无需额外训练，适用于任何冻结模型。
通过专家之眼：一个基于放射学家目光和推理训练的基础视觉语言模型
机构 * Bioengineering Department and Imperial-X（生物工程系和Imperial-X） ； Imperial College London（帝国理工学院伦敦分校） ； College of physics and information engineering, Fuzhou University（福州大学物理与信息工程学院） ； Department of Surgery and Cancer, Imperial College London（外科与癌症部门，帝国理工学院伦敦分校） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺研究所，帝国理工学院伦敦分校） ； Cardiovascular Research Centre, Royal Brompton Hospital（心血管研究中心，皇家布里顿医院） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，国王学院伦敦分校）
AI总结 本文提出GazeX模型，通过放射学家的眼动数据模拟专家推理过程，提升医学影像分析的准确性和可解释性。
Lite Any Stereo: 高效的零样本立体匹配
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出Lite Any Stereo框架，通过紧凑且表达能力强的主干网络和混合成本聚合模块，实现高效零样本立体匹配，达到四个广泛使用的现实基准的第一名。
Comments CVPR 2026
用于语义恢复的标记编码
机构 * Department of Electrical and Electronic Engineering（电子工程系） ； Imperial College London, London, UK（伦敦帝国学院）
AI总结 本文提出TokCode框架，通过句子语义引导的模型适应算法优化标记编码，有效缓解语义失真，即使在40%-60%标记丢失的恶劣信道中也能接近性能上限。
TeRA: 基于向量的随机张量网络用于大语言模型的高秩适应
机构 * 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 TeRA提出一种新型PEFT方法，通过将张量化的权重更新矩阵参数化为Tucker-like张量网络，实现高秩权重更新的同时保持向量方法的参数效率。
Comments Accepted at ACL main conference 2026. Code is available at https://github.com/guyuxuan9/TeRA
RLVR能否扩展推理边界？探究视觉-语言模型中的能力扩展
机构 * University College London（伦敦大学学院） ； Samsung R&D Institute UK（三星英国研发院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Texas A&M University（德克萨斯农工大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文通过Ariadne框架研究RLVR对视觉-语言模型空间推理能力的影响，证明其能扩展推理边界，并在真实导航任务中取得提升。
通过黄金问题激励高质量的人工标注
机构 * Imperial College Business School（帝国理工学院商学院） ； Imperial College London（帝国理工学院伦敦分校） ； Meta
AI总结 本文研究如何通过黄金问题激励标注者产生高质量数据，提出基于主代理模型的激励机制，并通过实验验证黄金问题在标注性能监控中的有效性。
Comments Corrected bugs in the proofs by specifying a further assumption. arXiv admin note: text overlap with arXiv:2502.06387
双控频率感知扩散模型用于深度依赖光学微机器人显微图像生成
机构 * Department of Bioengineering, Imperial-X AI Initiative, Imperial College London（帝国理工学院生物工程系、Imperial-X人工智能计划） ； CAMS-Oxford Institute, University of Oxford（牛津大学CAMS-Oxford研究所）
AI总结 本文提出Du-FreqNet，通过双控频率感知扩散模型生成物理一致的显微图像，提升微机器人自主操作的3D感知能力，改进SSIM并增强下游任务性能。
生物微操作中的微细灵巧性：具身、感知与控制
机构 * Department of Bioengineering, Imperial-X AI Initiative, Imperial College London（帝国理工学院生物工程系、Imperial-X人工智能计划）
AI总结 研究探讨生物微操作中微细灵巧性的分析框架，分析具身、感知与控制的耦合作用，比较不同微操作系统的架构，并识别实验室演示与临床相关生物操作间的灵巧性差距。
评估医学图像重建对下游AI公平性和性能的影响
机构 * Department of Data Science, Dana-Farber Cancer Institute（丹娜-法伯癌症研究所数据科学系） ； AI in Medicine, Technical University of Munich（慕尼黑工业大学医学人工智能） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Harvard Medical School（哈佛医学院）
AI总结 研究通过结合重建与诊断AI模型，评估不同重建方法对下游任务性能和公平性的影响，发现传统指标无法准确反映任务表现，且重建可能放大性别偏见，但整体偏移量较小。
Comments Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026
HO-Flow：基于潜在流匹配的通用手-物体交互生成
机构 * Imperial College London（帝国理工学院） ； Inria, CNRS, ENS-PSL（法国国家信息与自动化研究所，法国国家科学研究中心，巴黎高等师范学院）
AI总结 本文提出HO-Flow框架，通过结合变分自编码器和流匹配模型，实现从文本和标准3D物体生成逼真手-物体交互运动序列，提升物理合理性和运动多样性。
Comments Project Page: https://zerchen.github.io/projects/hoflow.html
学习与强制上下文敏感控制用于大语言模型
机构 * Imperial College London（伦敦帝国学院） ； City University of London（伦敦城市大学） ； ILASP Limited, UK（英国ILASP有限公司） ； The Alan Turing Institute（艾伦·图灵研究所）
AI总结 本文提出一种自动学习上下文敏感约束的框架，通过两阶段过程提升LLM生成的有效性，使小型模型也能完美遵守约束，优于其他方法。
Comments ACL 2025 Student Research Workshop
Journal ref Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 4: Student Research Workshop), pages 834-842, 2025
DeepShapeMatchingKit：加速的功能映射求解器和形状匹配流程再审视
机构 * Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； MIT（麻省理工学院） ； Adobe ； Imperial College London（帝国理工学院） ； Simon Fraser University（西蒙菲莎大学）
AI总结 本文提出了一种向量化方法，通过单次核调用解决所有线性系统，提升计算效率，并分析了DiffusionNet的空间梯度特征差异，提供了改进的开源代码库。
Comments 10 pages, 8 figures, CVPR 2026 Image Matching Workshop (IEEE proceedings)
隐匿与寻找归因：基于弱监督的CT椎体转移瘤分割
机构 * Institute of Neuroradiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院神经放射学研究所，医学与健康学院，慕尼黑工业大学） ； Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital（慕尼黑工业大学及大学医院医疗与医学人工智能教席） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Institute of Diagnostic and Interventional Radiology, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院诊断与介入放射学研究所，医学与健康学院，慕尼黑工业大学） ； Department of Neuroradiology, University Hospital Munich (LMU)（慕尼黑大学医院神经放射学系） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； Department of Diagnostic and Interventional Radiology, University Hospital Frankfurt（法兰克福大学医院诊断与介入放射学系） ； Department of Orthopedics and Sports Orthopedics, TUM University Hospital, School of Medicine and Health, Technical University of Munich (TUM)（慕尼黑工业大学大学医院骨科与运动骨科，医学与健康学院，慕尼黑工业大学）
AI总结 本文提出一种基于椎体级别标签的弱监督分割方法，通过扩散自编码器和像素差异图识别可疑病变区域，利用隐匿与寻找归因机制在数据流形上投影并量化恶性贡献，实现高精度的椎体转移瘤分割。
Comments Accepted to MIDL 2026
数据混合代理：学习重新加权领域以实现持续预训练
机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。
Comments Accepted by the ACL 2026 main conference
提升对人工智能的理解与信任：用户如何从基于区间的反事实解释中受益
机构 * Department of Bioengineering, Imperial College London（伦敦帝国理工学院生物工程系） ； Institute of Artificial and Human Intelligence, University of Bayreuth（拜罗伊特大学人工智能与人类智能研究所）
AI总结 本研究通过实验评估不同后验解释类型对模型理解及信任的影响，发现区间解释在提升理解和信任方面优于其他类型。
通过确定性信息瓶颈算法进行稀疏聚类
机构 * Imperial College London（伦敦帝国理工学院） ； Democritus University of Thrace（德谟克利特大学）
AI总结 本文提出一种信息论框架，解决稀疏数据下的特征加权与聚类问题，通过合成数据和基因组数据验证了方法的有效性。
Comments Submitted to IFCS 2026 (8 pages total)
SafeAdapt: 在深度强化学习中提供安全的策略更新
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 本文提出SafeAdapt方法，通过引入Rashomon集在连续强化学习中提供安全策略更新的正式保证，确保在下游适应过程中源任务的安全性。
Comments Code available at: https://github.com/maxanisimov/provably-safe-policy-updates
基于高斯表示的自监督切片到体积重建
机构 * Department of Electrical and Electronic Engineering and I-X, Imperial College London（伦敦帝国理工学院电气与电子工程系及I-X） ； Trinity College Institute of Neuroscience, Trinity College Dublin（都柏林圣三一学院神经科学研究所）
AI总结 本文提出GaussianSVR框架，利用高斯表示实现高保真胎儿MRI体积重建，通过模拟正向切片采集模型实现自监督训练，提升重建精度与效率。
检测-提取间隙：模型在能说出答案前就已经知道答案
机构 * The University of Chicago（芝加哥大学） ； Imperial College London（伦敦帝国学院）
AI总结 研究发现模型在确定答案后仍生成大量内容，揭示了检测与提取之间的结构性差距，并提出BAEE方法通过利用自由延续提高准确率。
视觉机器遗忘中的偏见再分配：遗忘一组是否损害另一组？
机构 * NewraLab ； Beihang University（北京航空航天大学） ； GoerTek Alpha Lab（歌尔Alpha实验室） ； Skyline University Nigeria（尼日利亚天际线大学） ； UESTC（电子科技大学） ； Imperial College London（帝国理工学院）
AI总结 研究通过CLIP模型在CelebA数据集上探讨机器遗忘对偏见的再分配影响，发现遗忘某一性别群体会将偏见转移至相关群体，揭示嵌入空间中的性别主导结构。
在联邦学习中自动化聚合策略选择
机构 * Imperial College London（伦敦帝国理工学院） ； OctaiPipe
AI总结 本文提出一个端到端框架，通过单次试验和多次试验模式自动化联邦学习的聚合策略选择，提升非iid条件下的鲁棒性和泛化能力，减少人工干预。
对不完整输入的反事实解释方法进行评估
机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； TU Dortmund University（多特蒙德工业大学） ； Center for Trustworthy Data Science and Security, University Alliance Ruhr（鲁尔大学联盟可信数据科学与安全中心）
AI总结 本文评估了在输入不完整时反事实解释方法的有效性，发现鲁棒方法虽更有效，但所有方法均难以生成有效反事实，需开发新方法应对不完整输入。
SemEval-2026任务3：基于维度的方面情感分析（DimABSA）
机构 * Yuan Ze University（元智大学） ； University of Göttingen（哥廷根大学） ； Imperial College London（伦敦帝国学院） ； University of Pretoria（比勒陀利亚大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Central Police University（中央警察大学） ； Yunnan University（云南大学） ； Lomonosov Moscow State University（莫斯科国立大学） ； Skoltech（斯科尔科沃科学技术学院） ； AIRI（人工智能研究所） ； Maseno University（马塞诺大学） ； UCLA（加州大学洛杉矶分校） ； National Research Council Canada（加拿大国家研究委员会）
AI总结 本文提出SemEval-2026任务3，旨在通过建模valence-arousal（VA）维度改进传统ABSA，引入DimStance任务以扩展ABSA至公共议题讨论，包含两个赛道和三个子任务，提出连续F1指标评估。
深度上限：大语言模型在发现潜在规划中的局限性
机构 * University of Cambridge（剑桥大学） ； Imperial College London（帝国理工学院） ； MIT（麻省理工学院）
AI总结 研究探讨了大语言模型在无监督情况下发现多步规划策略的极限，发现模型在单次前向传递中能执行最多七步潜在规划，揭示了训练与测试时能力的差异。
Comments 10 pages, 3 figures, 1 table (30 pages, 9 figures, 10 tables including references and appendices)
RAGEN-2：代理强化学习中的推理崩溃
机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学）
AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。
传感器融合健康对话代理的前端伦理：生物特征的伦理设计空间
机构 * Imperial College London（伦敦帝国理工学院） ； Korea Institute of Science and Technology（韩国科学技术研究院）
AI总结 本文探讨了生物特征翻译的伦理设计，提出五个维度分析前端伦理风险，提出适应性披露作为安全机制，确保健康代理支持用户自主性。
Comments Accepted at the Proceedings of the CHI 2026 Workshop: Ethics at the Front-End
非洲NLP的崛起：对贡献、贡献者和社区影响的调查及文献计量分析
机构 * Instituto Politécnico Nacional（国立理工学院） ； University of Gondar（贡德尔大学） ； Northwest University Kano（卡诺西北大学） ； Bayero University Kano（巴耶罗大学卡诺分校） ； University of Huddersfield（哈德斯菲尔德大学） ； iCog Labs（iCog实验室） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Pretoria（比勒陀利亚大学） ； Masakhane ； University of Hamburg（汉堡大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文通过分析非洲NLP领域近20年的研究进展，探讨了出版物、主题、任务、数据、方法和贡献者等方面的变化，提出了非洲NLP研究的趋势分析工具。
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