高校专区
在人类加入团队之前：医疗机器人团队模拟中的协调失败诊断
机构 * Cornell Tech（康奈尔科技校区） ； Department of Information Science, Cornell University（康奈尔大学信息科学系） ； University of Maryland, College Park（马里兰大学帕克分校） ； Imperial College London（伦敦帝国学院）
AI总结 本文通过模拟方法研究医疗机器人团队的协调失败问题，发现团队结构是协调的主要瓶颈，并提出安全的人机协作设计方法。
Comments Revised version incorporating new analysis and restructuring
通用多模态蛋白质设计使化学编码成为可能
机构 * California Institute of Technology（加州理工学院） ； Mila – Québec AI Institute（Mila – 魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； Université Paris-Saclay（巴黎-萨克雷大学） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； Institut Courtois（库尔图瓦研究所） ； LawZero ； AITHYRA ； FutureHouse
AI总结 DISCO模型通过多模态设计实现蛋白质序列和三维结构的协同优化，能够设计出新型血红素酶，催化新的化学反应，拓展了遗传编码转化的潜力。
一种用于儿童病理科报告的半自动化标注工作流程使用小型语言模型
机构 * Imperial College London（帝国理工学院） ； NHS England（英国国家医疗服务体系） ； Great Ormond Street Hospital（大奥蒙德街儿童医院） ； University College London（伦敦大学学院）
AI总结 本文提出一种基于小型语言模型的半自动化标注流程，用于从非结构化电子病历数据中提取结构化信息，尤其针对儿童病理科报告，通过临床监督和少量示例提升提取准确性。
Comments 36 pages, includes supplementary information
PaCo-FR：基于补丁-像素对齐的端到端代码本学习用于面部表示预训练
机构 * GlintLab ； National University of Singapore（新加坡国立大学） ； University of Technology Sydney（悉尼科技大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出PaCo-FR，通过结合掩码图像建模与补丁-像素对齐，解决面部表示预训练中特征捕捉、空间结构和数据利用效率的问题，实现高效且鲁棒的面部分析性能。
人类如何帮助大语言模型：评估和激励人类偏好标注者
机构 * Imperial College Business School, Imperial College London（帝国理工学院商学院，帝国理工学院） ； University of Sydney Business School, University of Sydney（悉尼大学商学院，悉尼大学） ； Meta
AI总结 本文研究如何监控人类偏好标注者质量及激励机制，提出自一致性监控方案并分析样本复杂度，揭示标注样本数量与合同性能的关系。
迈向大语言模型水印技术的更深入统计理解
机构 * Imperial College Business School, Imperial College London（帝国理工学院商学院，帝国理工学院） ； The University of Sydney Business School, The University of Sydney（悉尼大学商学院，悉尼大学） ； Grado Department of Industrial and Systems Engineering, Virginia Tech（弗吉尼亚理工大学工业与系统工程系）
AI总结 本文研究大语言模型水印技术，通过红绿名单算法建立约束优化问题，提出在线双梯度上升算法，证明其渐近帕累托最优性，提升检测能力并系统讨论模型失真度度量选择。
通过等价损失理解不确定性采样
机构 * Imperial College Business School, Imperial College London（帝国理工学院商学院，帝国理工学院）
AI总结 本文通过等价损失概念系统研究二分类问题中的不确定性采样算法，证明其等价损失优化特性，并讨论其在主动学习中的优势及扩展应用。
Comments An updated version of the previous paper titled "Understanding Uncertainty Sampling". Added a major result of sample complexity and other theoretical results; cut the experiment part
中继辅助的激活集成SIM用于无线物理神经网络
机构 * Department of Electrical and Electronic Engineering, Imperial College London, United Kingdom（英国伦敦帝国理工学院电气与电子工程系）
AI总结 本文提出一种基于激活集成堆叠智能超材料的中继辅助无线物理神经网络架构，通过多跳无线传播结构实现非线性处理，提升分类准确率和表示能力。
LOCARD：区块链取证的代理框架
机构 * Imperial College London（帝国理工学院）
AI总结 本文提出一种新的区块链取证方法，通过LOCARD框架实现动态决策过程，结合结构化信念状态机制，展示了在跨链交易追踪中的有效性。
AffectSpeech: 一个带有精细文本描述的大型情感语音数据集，用于语音情感描述和合成
机构 * School of Biological Science and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院） ； Key Laboratory of Child Development and Learning Science (Southeast University), Ministry of Education（教育部儿童发展与学习科学重点实验室（东南大学）） ； Chair of Health Informatics (CHI), Technical University of Munich（慕尼黑工业大学健康信息学教席） ； Group on Language, Audio, & Music (GLAM), Imperial College London（帝国理工学院语言、音频与音乐组） ； Shenzhen Loop Area Institute（深圳河套学院） ； Shenzhen Research Institute of Big Data, School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（深圳市大数据研究院，香港中文大学（深圳）人工智能学院）
AI总结 本文提出AffectSpeech数据集，通过精细文本描述提升语音情感建模的表达能力，采用人机协作标注方法，实验表明其在情感描述和合成任务中表现优异。
Comments Submitted to IEEE Transactions
在计算机断层扫描中学习鲁棒的视觉特征以实现临床任务的高效迁移学习
机构 * Bioengineering Department and Imperial-X, Imperial College London（帝国理工学院生物工程系与Imperial-X） ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； Oncology Data Analytics Program, Catalan Institute of Oncology（加泰罗尼亚肿瘤研究所肿瘤数据分析项目） ； Colorectal Cancer Group, ONCOBELL Program, Institut d’Investigació Biomèdica de Bellvitge（贝尔维特奇生物医学研究所ONCOBELL项目结直肠癌研究组） ； Consortium for Biomedical Research in Epidemiology and Public Health（流行病学与公共卫生生物医学研究联盟） ； Department of Clinical Sciences, Faculty of Medicine and Health Sciences, Universitat de Barcelona（巴塞罗那大学医学与健康科学学院临床科学系） ； Institute of Complex Systems, University of Barcelona（巴塞罗那大学复杂系统研究所） ； National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所） ； Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与影像科学学院）
AI总结 本文提出VoxelFM，一种基于自蒸馏的3D CT基础模型，通过学习语义丰富的特征，实现了在多种临床任务中无需微调即可高效迁移。
XAttnRes：用于医学图像分割的跨阶段注意力残差
机构 * Imperial College London（伦敦帝国学院） ； University of Nottingham（诺丁汉大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出XAttnRes机制，通过轻量级伪查询注意力实现跨阶段特征聚合，提升医学图像分割性能。
Kimi K2.5 的独立安全性评估
机构 * Constellation ； Anthropic Fellows Program（Anthropic研究员项目） ； Brown University（布朗大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Imperial College London（伦敦帝国学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Bar Ilan University（巴伊兰大学） ； University of Toronto（多伦多大学） ； University of Oxford（牛津大学）
AI总结 Kimi K2.5作为开源大模型，在安全评估中显示出潜在风险，包括CBRNE滥用、网络安全漏洞及政治偏见，但其在拒绝恶意请求方面表现较弱，凸显开源模型的安全挑战。
具有差分隐私的通信高效分布式学习
机构 * School of Civil and Environmental Engineering, Cornell University（康奈尔大学土木与环境工程学院） ； Department of Electronic and Electrical Engineering, University College London（伦敦大学学院电子与电气工程系） ； School of Electrical Engineering and Computer Science, and Digital Futures, KTH Royal Institute of Technology（KTH皇家理工学院电气工程与计算机科学学院及数字未来研究所） ； Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电气与电子工程系） ； Department of Electronic Systems, Aalborg University（奥尔堡大学电子系统系） ； Department of Engineering and Architecture, University of Trieste（的里雅斯特大学工程与建筑系） ； Applied Mathematics, Systems Engineering, Mechanical Engineering, Electrical & Computer Engineering, Cornell University（康奈尔大学应用数学、系统工程、机械工程、电气与计算机工程系）
AI总结 本文提出一种通信高效且保证隐私的分布式学习算法，通过局部训练减少通信频率，并利用梯度裁剪和加性噪声保障数据隐私，证明算法能收敛至问题的平稳点，并在相同隐私预算下优于现有方法。
任务对齐的学习引导控制：公式与基础
机构 * Czech Technical University in Prague（捷克布拉格工业大学） ； Norwegian University of Science and Technology（挪威科技大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出一种任务对齐的学习引导控制框架，结合控制、经典规划和强化学习，提升自主系统安全性和可靠性。
AdamFlow: 基于Adam的Wasserstein梯度流用于医学影像中的表面配准
机构 * Department of Brain Sciences, Imperial College London（帝国理工学院脑科学系） ； Department of Computing, Imperial College London（帝国理工学院计算系） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Data Science Institute, Imperial College London（帝国理工学院数据科学研究所）
AI总结 本文提出AdamFlow方法，将表面网格视为概率测度，利用高效 sliced Wasserstein 距离实现表面配准，理论分析其收敛性并在不同解剖结构上展示了优越性能。
跨模态视觉-触觉物体感知
机构 * BMW Group AG（宝马集团） ； Imperial College of Science, Technology and Medicine（帝国理工学院） ； University of Crete（克里特大学） ； Institute of Molecular Biology and Biotechnology, Foundation for Research and Technology-Hellas（分子生物学与生物技术研究所，研究与技术基金会-希腊） ； Technical University of Munich（慕尼黑工业大学） ； Eötvös Loránd University（罗兰大学） ； Foundation Robotics Labs（基础机器人实验室） ； Eindhoven University of Technology（埃因霍温理工大学）
AI总结 本文提出跨模态潜在滤波器(CMLF)，通过贝叶斯推断实现视觉与触觉信息的双向传递，提升机器人在不确定性下的物理属性估计效率与鲁棒性，同时展现类人感知耦合现象。
Comments 23 pages, 8 figures, 1 table. Submitted for review to journal
非刚性3D形状对应：从基础到开放挑战与机遇
机构 * MPI for Informatics（马克斯·普朗克信息学研究所） ； University of Bonn（波恩大学） ； Lamarr Institute（拉马尔研究所） ； Waseda University（早稻田大学） ； Waseda Research Institute for Science and Engineering（早稻田大学理工学研究所） ； Imperial College London（帝国理工学院） ； 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）
AI总结 本文探讨了非刚性3D形状对应问题，分析了三种主要方法：谱方法、组合方法和基于变形的方法，并讨论了各自优缺点及最新发展，最后总结了该领域的挑战与机遇。
Comments 35 pages and 15 figures; Eurographics 2026 STAR; Project page: https://nonrigid-shape-correspondences.github.io
空间推理并非免费午餐：对LLaVA的受控研究
机构 * Cohere Labs Community（Cohere Labs社区） ； Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国学院） ； Eisai Inc.（卫材公司） ； EleutherAI ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过LLaVA框架探讨了空间推理能力不足的原因，发现图像编码器设计和位置编码结构对空间理解有显著影响，但无法完全解决空间推理问题。
Comments Accepted as a poster at ICLR 2026 workshop ICBINB, typo fixed
对抗性批次表示增强用于高内容细胞筛选中的批次校正
机构 * School of Computing and Mathematical Sciences, University of Leicester（莱斯特大学计算与数学科学学院） ； College of Computer and Information Engineering, Nanjing Tech University（南京工业大学计算机与信息工程学院） ； Institute of Clinical Sciences, Faculty of Medicine, Imperial College London（帝国理工学院医学院临床科学研究所）
AI总结 本文提出ABRA方法，通过对抗性学习增强表示，缓解生物批次效应，提升模型泛化能力，在RxRx1和RxRx1-WILDS数据集上取得新突破。
Comments Preprint
Journal ref Knowledge-based Systems, 2026
Ego-Foresight: 为改进强化学习的自监督学习 agent 意识表示
机构 * Institute for Systems and Robotics, Instituto Superior Técnico, U. Lisboa（系统与机器人研究所，里斯本高等理工学院，里斯本大学） ； Personal Robotics Laboratory, Imperial College London（个人机器人实验室，伦敦帝国理工学院）
AI总结 本文提出 Ego-Foresight 方法，通过自监督学习解耦 agent 信息，提升强化学习的样本效率和性能。
Comments 13 pages, 8 figures, conference
DeepRV: 通过预训练神经先验加速时空推断
机构 * School of Public Health, Imperial College London（帝国理工学院公共卫生学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系）
AI总结 DeepRV通过预训练神经网络替代传统高斯过程先验，实现O(N²)复杂度，提升大规模时空数据推断效率与精度，适用于概率编程管道。
Comments Code to reproduce all experiments is available in the dl4bi codebase: https://github.com/MLGlobalHealth/dl4bi
MCbiF：通过2参数持续同调测量多尺度聚类的拓扑自相关
机构 * Department of Mathematics, Imperial College London, UK（英国伦敦帝国理工学院数学系） ； Department of Mathematical Modeling and Machine Learning, University of Zurich, Switzerland（瑞士苏黎世大学数学建模与机器学习系）
AI总结 本文提出MCbiF方法，利用2参数持续同调分析多尺度聚类序列的拓扑自相关，展示了其在非层次聚类任务中的有效性。
Comments Published as a conference paper at 14th International Conference on Learning Representations (ICLR 2026): https://openreview.net/forum?id=E7D6uybODJ
连续SUN（稳定、唯一、新颖）度量用于无机晶体生成建模
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出连续SUN度量，解决传统二元指标在晶体生成中的局限性，通过连续化提升评估精度与可调性，实验表明其能有效识别优质样本并避免强化学习中的奖励黑客问题。
Comments 23 pages (17 pages of main text). See https://github.com/WMD-group/xtalmet for the code. Significantly extended from the early version of this work, which was accepted to the AI4Mat workshop at NeurIPS 2025
无需控制：为自主助行机器人定义隐式交互范式
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Imperial College London（伦敦帝国理工学院）
AI总结 本文探讨隐式控制范式，通过两个设计案例展示如何通过自然行为线索调整机器人行为，减少用户感知负荷并保持控制感，提出隐式交互设计指南。
Comments 8 pages, 2 figures
BINO：以编码器为中心的自监督立体视觉与原生对输入
机构 * Imperial College London（伦敦帝国学院）
AI总结 BINO通过在输入阶段融合校正对，生成立体微细胞标记，并使用行感知的补丁相位位置编码，探索在紧凑编码器中学习强立体结构的可能性，在低资源条件下表现优异。
基于MuJoCo的船用起重机双摆摆动抑制模型预测控制
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 本文提出基于MuJoCo MPC框架的实时控制方案，通过交叉熵方法规划器在物理模拟器中直接评估候选动作序列，有效解决双摆摆动抑制问题，优于传统PID和RL方法。
Comments 8 pages, 5 figures
vGamba：用于视觉识别中高效长程依赖的注意力状态空间瓶颈
机构 * NewraLab ； Beihang University（北京航空航天大学） ； Beijing GoerTek Alpha Labs（北京歌尔泰克阿尔法实验室） ； Imperial College London（伦敦帝国学院） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 vGamba通过引入轻量级状态空间模块替代传统瓶颈卷积，有效建模长程依赖，实现更高的计算和内存效率，适用于高分辨率视觉任务。
TimeFlow：用于纵向脑MRI配准和衰老分析的时间条件
机构 * Technical University of Munich, TUM University Hospital（慕尼黑工业大学，慕尼黑工业大学附属医院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所） ； Imperial College London（伦敦帝国理工学院）
AI总结 TimeFlow通过时间条件学习框架实现纵向脑MRI配准与衰老分析，利用两个扫描数据预测未来脑状态，无需密集采样数据，提升预测精度与连续性。
Journal ref IEEE Transactions on Medical Imaging 2026
你看到我指向的是什么？基于手势的 egocentric 视频问答
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 本文提出 EgoPointVQA 数据集和基准，结合 Hand Intent Tokens 提升手势引导的 egocentric 问答性能，HINT-14B 在多个任务上超越现有最佳模型。
Comments Accepted to CVPR 2026
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