Imperial College London（帝国理工学院）

A unified framework for geometry-independent operator learning in cardiac electrophysiology simulations

在心脏电生理模拟中实现几何无关的操作符学习的统一框架

Bei Zhou, Cesare Corrado, Shuang Qian, Maximilian Balmus, Angela W. C. Lee, Cristobal Rodero, Caroline Roney, Marco J. W. Gotte, Luuk H. G. A. Hopman, Gernot Plank, Mengyun Qiao, Steven Niederer

机构 * Imperial College London（帝国理工学院伦敦分校） ； Alan Turing Institute（艾伦·图灵研究所） ； Queen Mary University of London（女王玛丽大学伦敦分校） ； Amsterdam University Medical Center（阿姆斯特丹大学医学中心） ； University College London（伦敦大学学院） ； Medical University of Graz（格拉茨医科大学） 纠错

AI总结 本文提出了一种统一框架，通过内在坐标空间实现几何无关的操作符学习，在心脏电生理和生物力学中取得显著成效。

Step-resolved data attribution for looped transformers

循环变换器中逐步数据归因

Georgios Kaissis, David Mildenberger, Juan Felipe Gomez, Martin J. Menten, Eleni Triantafillou

机构 * Hasso Plattner Institute for Digital Engineering, University of Potsdam（波恩大学数字工程研究所） ； 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） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国理工学院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出SDI方法，用于分析循环变换器中每个循环步骤对模型的影响，提升数据归因和可解释性能力。

How to Purchase Labels? A Cost-Effective Approach Using Active Learning Markets

如何购买标签？利用主动学习市场进行高效标注

Xiwen Huang, Pierre Pinson

机构 * Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦校区设计工程学院） ； Department of Technology, Management and Economics, Technical University of Denmark（丹麦技术大学技术、管理和经济系） ； CoRE, Aarhus University（奥胡斯大学CoRE） 纠错

AI总结 本文提出利用主动学习市场进行高效标签获取，通过两种主动学习策略和不同定价机制，在房地产和能源预测中实现更高效的数据采集。

Comments Accepted for publication in INFORMS Journal on Data Science (IJDS). This is the authors' preprint

Robust Processing and Learning: Principles, Methods, and Wireless Applications

鲁棒处理与学习：原理、方法和无线应用

Shixiong Wang, Wei Dai, Li-Chun Wang, Geoffrey Ye Li

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） ； Department of Electrical and Computer Engineering, National Yang Ming Chiao Tung University（国立阳明交通大学电子与计算机工程系） 纠错

AI总结 本文探讨了鲁棒性在无线传感和通信中的原理、方法及应用，包括鲁棒统计、优化和机器学习技术，以应对系统中的不确定性。

Towards Poisoning Robustness Certification for Natural Language Generation

面向自然语言生成的中毒鲁棒性认证

Mihnea Ghitu, Matthew Wicker

机构 * Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，伦敦，英国） 纠错

AI总结 本文提出TPA算法，通过计算最小中毒预算认证自然语言生成的有效性和稳定性，为安全关键应用提供可证明的鲁棒性保障。

Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning

通过元学习估计不确定因果图的干预分布

Anish Dhir, Cristiana Diaconu, Valentinian Mihai Lungu, James Requeima, Richard E. Turner, Mark van der Wilk

机构 * Imperial College London（伦敦帝国学院） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Alan Turing Institute（艾伦·图灵研究所） ； University of Oxford（牛津大学） 纠错

AI总结 通过元学习提出MACE-TNP模型，用于估计不确定因果图的干预分布，优于传统贝叶斯方法。

Leveraging LLM Agents and Digital Twins for Fault Handling in Process Plants

利用大语言模型代理和数字孪生进行过程厂故障处理

Milapji Singh Gill, Javal Vyas, Artan Markaj, Felix Gehlhoff, Mehmet Mercangöz

机构 * Institute of Automation Technology Helmut Schmidt University Hamburg（海因里希·施密特大学汉堡自动化技术研究所） ； Autonomous Industrial Systems Lab, Imperial College London（伦敦帝国理工学院自主工业系统实验室） 纠错

AI总结 本文提出利用大语言模型代理和数字孪生技术，实现过程厂故障的自动处理与纠正，通过模拟验证有效缓解管道堵塞问题。

MetaML-Pro: Cross-Stage Design Flow Automation for Efficient Deep Learning Acceleration

MetaML-Pro: 跨阶段设计流程自动化以实现高效深度学习加速

Zhiqiang Que, Jose G. F. Coutinho, Ce Guo, Hongxiang Fan, Wayne Luk

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

AI总结 MetaML-Pro通过自动化设计流程实现高效DNN加速器的资源优化，减少手动干预并提升性能与效率。

Comments Accepted by ACM TRETS

LLMs + Security = Trouble

Benjamin Livshits

机构 * Imperial College London（伦敦帝国学院） 纠错

MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval

MemAdapter：通过生成子图检索实现跨代理记忆范式的快速对齐

Xin Zhang, Kailai Yang, Chenyue Li, Hao Li, Qiyu Wei, Jun'ichi Tsujii, Sophia Ananiadou

机构 * The University of Manchester（曼彻斯特大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国理工学院） ； National Institute of Advanced Industrial Science（国家先进工业科学与技术研究院） 纠错

AI总结 MemAdapter通过生成子图检索实现跨代理记忆范式的快速对齐，提升记忆检索灵活性并降低对齐成本，实验显示其性能优于现有系统。

Dreaming in Code for Curriculum Learning in Open-Ended Worlds

代码梦驱动开放世界中的课程学习

Konstantinos Mitsides, Maxence Faldor, Antoine Cully

机构 * Department of Computing, Imperial College London（帝国理工学院计算机系） 纠错

AI总结 DiCode通过生成可执行环境代码，解决开放世界中持续学习的挑战，实现长周期技能提升。

Comments 11 pages (main text), 90 pages total. Project page: https://konstantinosmitsides.github.io/dreaming-in-code

JetFormer: A Scalable and Efficient Transformer for Jet Tagging from Offline Analysis to FPGA Triggers

JetFormer: 一种可扩展且高效的Transformer用于从离线分析到FPGA触发的喷注标记

Ruoqing Zheng, Chang Sun, Qibin Liu, Lauri Laatu, Arianna Cox, Benedikt Maier, Alexander Tapper, Jose G. F. Coutinho, Wayne Luk, Zhiqiang Que

机构 * Imperial College London（帝国理工学院伦敦分校） ； California Institute of Technology（加州理工学院） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） 纠错

AI总结 JetFormer是一种高效的Transformer模型，适用于从离线分析到FPGA触发的喷注标记，通过优化实现高精度与低延迟的统一部署。

Comments 15 pages,

Generalised Flow Maps for Few-Step Generative Modelling on Riemannian Manifolds

广义流映射用于黎曼流形上的少步生成建模

Oscar Davis, Michael S. Albergo, Nicholas M. Boffi, Michael M. Bronstein, Avishek Joey Bose

机构 * University of Oxford（牛津大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） ； Institute for Artificial Intelligence and Fundamental Interactions, MIT（人工智能与基本相互作用研究所，MIT） ； Carnegie Mellon University（卡内基梅隆大学） ； AITHYRA（AITHYRA研究所） ； Mila（Mila研究所） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出广义流映射（GFM）用于黎曼流形上的少步生成建模，通过自蒸馏方法提升现有生成模型性能。

Comments Under review

Generalist Foundation Models from a Multimodal Dataset for 3D Computed Tomography

从多模态数据集构建通用基础模型用于三维计算机断层扫描

Ibrahim Ethem Hamamci, Sezgin Er, Chenyu Wang, Furkan Almas, Ayse Gulnihan Simsek, Sevval Nil Esirgun, Irem Dogan, Omer Faruk Durugol, Benjamin Hou, Suprosanna Shit, Weicheng Dai, Murong Xu, Hadrien Reynaud, Muhammed Furkan Dasdelen, Bastian Wittmann, Tamaz Amiranashvili, Enis Simsar, Mehmet Simsar, Emine Bensu Erdemir, Abdullah Alanbay, Anjany Sekuboyina, Berkan Lafci, Ahmet Kaplan, Zhiyong Lu, Malgorzata Polacin, Bernhard Kainz, Christian Bluethgen, Kayhan Batmanghelich, Mehmet Kemal Ozdemir, Bjoern Menze

机构 * Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； International School of Medicine, Istanbul Medipol University（伊斯坦布尔梅迪波尔大学国际医学院） ； Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Division of Intramural Research, National Institutes of Health（美国国立卫生研究院内部研究部） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Institute for Diagnostic and Interventional Radiology, University Hospital Zurich（苏黎世大学医院诊断与介入放射学研究所） ； Department Artificial Intelligence in Biomedical Engineering, FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡工业大学生物医学工程人工智能系） 纠错

AI总结 本文提出CT-RATE数据集及CT-CLIP和CT-CHAT模型，用于三维医学影像的通用基础模型研究，提升了多异常检测和病例检索性能。

XAI-CLIP: ROI-Guided Perturbation Framework for Explainable Medical Image Segmentation in Multimodal Vision-Language Models

XAI-CLIP: 通过区域感兴趣引导扰动框架实现多模态视觉-语言模型中可解释的医学图像分割

Thuraya Alzubaidi, Sana Ammar, Maryam Alsharqi, Islem Rekik, Muzammil Behzad

机构 * King Fahd University of Petroleum and Minerals（国王法赫德石油和矿物大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； KFUPM-SDAIA Joint Research Centre for Artificial Intelligence（KFUPM-SDAIA联合人工智能研究中心） 纠错

AI总结 XAI-CLIP通过多模态视觉-语言模型嵌入实现医学图像分割的可解释性和效率提升，减少计算开销并提高分割精度。

A Cycle-Consistent Graph Surrogate for Full-Cycle Left Ventricular Myocardial Biomechanics

一种用于全周期左心室心肌生物力学的循环一致图替代模型

Siyu Mu, Wei Xuan Chan, Choon Hwai Yap

机构 * Department of Bioengineering, Imperial College London, UK（生物工程系，伦敦帝国学院，英国） 纠错

AI总结 本文提出CardioGraphFENet模型，通过整合全局-局部图编码器、门控递归单元时序编码器和循环一致双向公式，实现快速且高精度的左心室心肌生物力学全周期估计。

DimStance: Multilingual Datasets for Dimensional Stance Analysis

DimStance：多语言数据集用于维度立场分析

Jonas Becker, Liang-Chih Yu, Shamsuddeen Hassan Muhammad, Jan Philip Wahle, Terry Ruas, Idris Abdulmumin, Lung-Hao Lee, Nelson Odhiambo, Lilian Wanzare, Wen-Ni Liu, Tzu-Mi Lin, Zhe-Yu Xu, Ying-Lung Lin, Jin Wang, Maryam Ibrahim Mukhtar, Bela Gipp, Saif M. Mohammad

机构 * University of Göttingen（弗赖堡大学） ； Yuan Ze University（元智大学） ； Imperial College London（伦敦帝国理工学院） ； University of Pretoria（南非普里蒂亚大学） ； National Yang Ming Chiao Tung University ； Maseno University（马斯诺大学） ； Central Police University Taiwan（台湾中央警察大学） ； Yunnan University（云南大学） ； Bayero University Kano（卡诺巴耶罗大学） ； National Research Council Canada（加拿大国家研究委员会） 纠错

AI总结 DimStance通过引入valence-arousal维度标注，为多语言立场分析提供首个数据集，评估模型在回归和提示设置下的性能，揭示了细粒度立场分析的挑战与前景。

Learning Nonlinear Heterogeneity in Physical Kolmogorov-Arnold Networks

在物理Kolmogorov-Arnold网络中学习非线性异质性

Fabiana Taglietti, Andrea Pulici, Maxwell Roxburgh, Gabriele Seguini, Ian Vidamour, Stephan Menzel, Edoardo Franco, Michele Laus, Eleni Vasilaki, Michele Perego, Thomas J. Hayward, Marco Fanciulli, Jack C. Gartside

机构 * Department of Materials Science, University of Milano-Bicocca（米兰大学材料科学系） ； Forschungszentrum Jülich GmbH, PGI-7 Elektronische Materialien（朱利奇研究中心 GmbH 电子材料部） ； National Research Council (CNR) - Institute for Microelectronics and Microsystems (IMM)（国家研究委员会（CNR）- 微电子与微系统研究所） ； School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院） ； Department of Science and Technological Innovation (DISIT), Università del Piemonte Orientale（皮埃蒙特东方大学科学与技术创新系） ； Blackett Laboratory, Imperial College London（伦敦帝国理工学院布莱克特实验室） 纠错

AI总结 本研究提出通过训练突触非线性性实现物理Kolmogorov-Arnold网络，展示其在任务性能和参数效率上的优势。

How does information access affect LLM monitors' ability to detect sabotage?

信息访问如何影响大语言模型监视器检测破坏行为的能力？

Rauno Arike, Raja Mehta Moreno, Rohan Subramani, Shubhorup Biswas, Francis Rhys Ward

机构 * Aether Research（Aether研究机构） ； Vector Institute（Vector研究所） ； Trajectory Labs（Trajectory实验室） ； University of Toronto（多伦多大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文研究了信息访问对大语言模型监视器检测破坏行为的影响，提出了一种新的分层监控方法EaE，通过提取和评估被监视代理的轨迹片段来提升检测效果。

Comments 54 pages, 34 figures, 7 tables

Breaking Symmetry Bottlenecks in GNN Readouts

打破 GNN 读出阶段的对称性瓶颈

Mouad Talhi, Arne Wolf, Anthea Monod

机构 * Department of Computing, Imperial College London, UK（伦敦帝国学院计算机系） ； Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系） ； London School of Geometry（几何与数论研究所） 纠错

AI总结 本文提出基于投影器的不变读出方法，解决 GNN 读出阶段的对称性瓶颈问题，通过保留非平凡对称性信息提升模型表达能力。

Comments 23 pages

Efficient Algorithms for Robust Markov Decision Processes with $s$-Rectangular Ambiguity Sets

高效算法用于具有s-矩形模糊集的鲁棒马尔可夫决策过程

Chin Pang Ho, Marek Petrik, Wolfram Wiesemann

机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Computer Science, University of New Hampshire（新罕布什尔大学计算机科学系） ； Imperial College Business School, Imperial College London（伦敦帝国理工学院商学院） 纠错

AI总结 本文提出了一种高效算法，用于解决具有s-矩形模糊集的鲁棒马尔可夫决策过程，显著提升了求解速度。

SplitWise Regression: Stepwise Modeling with Adaptive Dummy Encoding

SplitWise回归：基于自适应虚拟编码的逐步建模

Marcell T. Kurbucz, Nikolaos Tzivanakis, Nilufer Sari Aslam, Adam M. Sykulski

机构 * Institute for Global Prosperity, The Bartlett（全球繁荣研究所，巴特利特学院） ； University College London（伦敦大学学院） ； Department of Mathematics, Faculty of Natural Sciences（数学系，自然科学学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 SplitWise通过自适应虚拟编码方法，在保持模型可解释性的同时，有效捕捉非线性关系，提升回归模型的简洁性和泛化能力。

Comments 15 pages, 1 figure, 3 tables

Journal ref Scientific Reports 15, 42454 (2025)

Are foundation models useful feature extractors for electroencephalography analysis?

基础模型在脑电图分析中是否有用的特征提取器？

Özgün Turgut, Felix S. Bott, Markus Ploner, Daniel Rueckert

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich（人工智能在医疗与健康中的研究所，慕尼黑技术大学） ； Department of Neurology, Technical University of Munich（神经病学系，慕尼黑技术大学） ； Center for Interdisciplinary Pain Medicine, Technical University of Munich（跨学科疼痛医学中心，慕尼黑技术大学） ； Munich Center for Machine Learning, Munich, Germany（慕尼黑机器学习中心，德国慕尼黑） ； Department of Computing, Imperial College London（计算系，伦敦帝国学院） 纠错

AI总结 本文研究了基础模型在脑电图分析中的有效性，发现通用时间序列模型在特征提取上具有竞争力，能有效捕捉生物标志物特征，减少对大规模数据集的依赖。

Hallucination-Resistant Security Planning with a Large Language Model

具备抗幻觉能力的安全规划与大语言模型

Kim Hammar, Tansu Alpcan, Emil Lupu

机构 * The University of Melbourne（墨尔本大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出了一种抗幻觉的安全规划框架，通过迭代循环和上下文学习优化LLM决策，减少恢复时间30%。

Comments Accepted to IEEE/IFIP Network Operations and Management Symposium 2026. To appear in the conference proceedings

Towards Worst-Case Guarantees with Scale-Aware Interpretability

面向尺度感知可解释性的最坏情况保证

Lauren Greenspan, David Berman, Aryeh Brill, Ro Jefferson, Artemy Kolchinsky, Jennifer Lin, Andrew Mack, Anindita Maiti, Fernando E. Rosas, Alexander Stapleton, Lucas Teixeira, Dmitry Vaintrob

机构 * Principles of Intelligence, USA（智能原理研究所，美国） ； Centre for Theoretical Physics, Queen Mary University of London（理论物理中心，伦敦女王大学） ； Universitat Pompeu Fabra, Barcelona, Spain（庞培法布拉大学，巴塞罗那，西班牙） ； Perimeter Institute for Theoretical Physics, Waterloo ON, Canada（皮尔姆研究所，滑铁卢，加拿大） ； Department of Informatics, University of Sussex（信息学院， Sussex 大学） ； Department of Brain Sciences, Imperial College London（脑科学系，伦敦帝国学院） ； Centre for Eudaimonia and human flourishing, University of Oxford（幸福与人类繁荣中心，牛津大学） 纠错

AI总结 本文提出通过物理重整化框架开发具有鲁棒性和忠实性的尺度感知可解释性工具，以提升人工智能的安全性。

Forget to Generalize: Iterative Adaptation for Generalization in Federated Learning

忘却以泛化：用于联邦学习中泛化的迭代适应

Abdulrahman Alotaibi, Irene Tenison, Miriam Kim, Isaac Lee, Lalana Kagal

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard College（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出迭代联邦适应方法，通过生成层面的忘却和进化策略提升联邦学习在非iid数据下的泛化能力，实验表明在多个数据集上平均提升21.5%。

DINO-AD: Unsupervised Anomaly Detection with Frozen DINO-V3 Features

DINO-AD：基于冻结DINO-V3特征的无监督异常检测

Jiayu Huo, Jingyuan Hong, Liyun Chen

机构 * National Heart and Lung Institute, Imperial College London, London, UK（帝国理工学院伦敦心脏和肺研究所） ； Department of Digital Twins for Healthcare, BMEIS, King’s College London, London, UK（King’s College London医疗数字双领域部门） ； SonoScape Medical Corp.（SonoScape医疗公司） 纠错

AI总结 DINO-AD通过冻结DINO-V3特征实现无监督异常检测，利用自监督特征进行精确定位，实验表明其在准确性和鲁棒性上优于现有方法。

Comments Accepted by ISBI 2026, 4 pages, 2 figures, 3 tables

Information Shapes Koopman Representation

信息形状Koopman表示

Xiaoyuan Cheng, Wenxuan Yuan, Yiming Yang, Yuanzhao Zhang, Sibo Cheng, Yi He, Zhuo Sun

机构 * Dynamic Systems Lab, University College London（伦敦大学学院动态系统实验室） ； Department of Earth Science and Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系） ； Santa Fe Institute（圣达菲研究所） ； CEREA, ENPC and EDF R&D, Institut Polytechnique de Paris（巴黎理工学院CEREA、ENPC和EDF R&D） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海金融学院统计与数据科学学院） ； Institute of Big Data Research, Shanghai University of Finance and Economics（上海金融学院大数据研究所） 纠错

AI总结 本文提出了一种基于信息论的拉格朗日方法，平衡Koopman表示的简洁性与表达性，通过可视化和实验验证提升了动态系统建模的性能。

Comments Published as a conference paper at ICLR 2026

Riemannian Neural Optimal Transport

黎曼神经最优传输

Alessandro Micheli, Yueqi Cao, Anthea Monod, Samir Bhatt

机构 * Imperial College London, London, UK（伦敦帝国理工学院） ； University Of Copenhagen, Copenhagen, Denmark（哥本哈根大学） ； KTH Royal Institute of Technology, Stockholm, Sweden（瑞典皇家理工学院） 纠错

AI总结 本文提出黎曼神经OT方法，通过连续神经网络参数化在黎曼流形上避免离散化，实现亚指数复杂度的最优传输近似，并在实验中展示了更高的可扩展性和性能。

Comments 58 pages

MultiMAE for Brain MRIs: Robustness to Missing Inputs Using Multi-Modal Masked Autoencoder

MultiMAE用于脑部MRI：通过多模态掩码自编码器提高对缺失输入的鲁棒性

Ayhan Can Erdur, Christian Beischl, Daniel Scholz, Jiazhen Pan, Benedikt Wiestler, Daniel Rueckert, Jan C Peeken

机构 * Department of Radiation Oncology, TUM University Hospital, Munich, Germany（辐射肿瘤科，技术大学慕尼黑医院，慕尼黑，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)（医疗与医学人工智能教研室，技术大学慕尼黑（TUM）） ； TUM University Hospital, Munich, Germany（技术大学慕尼黑医院，慕尼黑，德国） ； Chair for AI for Image-Guided Diagnosis and Therapy, Technical University of Munich (TUM)（图像引导诊断与治疗人工智能教研室，技术大学慕尼黑（TUM）） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），慕尼黑，德国） ； Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，伦敦，英国） ； Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site Munich, Munich, Germany（德国转化癌症研究联盟（DKTK），慕尼黑合作伙伴站点，慕尼黑，德国） ； Institute of Radiation Medicine (IRM), Department of Radiation Sciences (DRS), Helmholtz Center Munich, Munich, Germany（辐射医学研究所（IRM），辐射科学部门（DRS），慕尼黑海德堡中心，慕尼黑，德国） 纠错

AI总结 MultiMAE通过多模态掩码自编码器提升脑部MRI在缺失输入下的鲁棒性，实现分割和分类任务的性能提升。

Comments Official implementation: https://github.com/chris-beischl/multimae-for-brain-mri