高校专区
如何通过扩散模型使拉格朗日量引导安全强化学习？
机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kyoto University（京都大学） ； King's College London（伦敦国王学院） ； University of Sheffield（谢菲尔德大学） ； Shanghai University of Finance and Economics（上海财经大学）
AI总结 本文提出ALGD算法，通过增强拉格朗日方法解决安全强化学习中的稳定性问题，实现稳定有效的政策生成。
无结构文本上的聚合查询：基准测试与代理方法
机构 * Southeast University（东南大学） ； Imperial College London（伦敦帝国学院） ； The University of Manchester（曼彻斯特大学）
AI总结 本文提出DFA方法，用于在无结构文本上进行完整性导向的聚合查询，通过模块化设计提升证据覆盖能力。
神经算子的多级蒙特卡洛训练
机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院）
AI总结 本文提出了一种基于多级蒙特卡洛方法的神经算子训练框架，通过多分辨率数据减少计算成本并提高训练效率。
Comments Accepted in Computer Methods in Applied Mechanics and Engineering
Transformer 学习因式分解表示
机构 * Simplex, Astera Institute ； Sussex Centre for Consciousness Science, University of Sussex ； Centre for Complexity Science ； Center for Psychedelic Research, Department of Brain Sciences, Imperial College London ； Center for Eudaimonia ； Human Flourishing, University of Oxford ； Beyond Institute for Theoretical Science (BITS)
AI总结 Transformer通过预训练学习将世界分解为部分，并在正交子空间中表示因素，即使在条件独立性被破坏时仍倾向于保持这种因式分解表示。
多视角狭窄分类：基于变换器的多实例学习方法利用真实世界临床数据
机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（人工智能在医疗与健康中的chair，慕尼黑技术大学及慕尼黑技术大学医院） ； Department of Computing, Imperial College London, UK, and Munich Center for Machine Learning (MCML)（计算系，伦敦帝国学院，英国，以及慕尼黑机器学习中心） ； Department of Internal Medicine, TUM University Hospital（内科系，慕尼黑技术大学医院）
AI总结 本文提出SegmentMIL，一种基于变换器的多视角多实例学习框架，利用真实世界临床数据实现患者级别的冠状动脉狭窄分类，无需视图级注释，有效提升诊断性能。
基于偏好条件的梯度变化的多目标质量多样性
机构 * Imperial College London, InstaDeep（帝国理工学院伦敦分校，InstaDeep） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出了一种基于偏好条件的策略梯度和拥挤机制的多目标质量多样性算法，通过高效发现目标空间中的优质区域并促进非支配前沿的均匀分布，从而在六个机器人运动任务中优于现有方法。
UniMorphGrasp: 基于形态意识的扩散模型用于跨躯体灵巧抓取生成
机构 * Department of Engineering, King’s College London, Strand, London, WC2R 2LS, United Kingdom（伦敦国王学院工程系） ； Imperial College London, London, SW7 2AZ, United Kingdom（伦敦帝国学院）
AI总结 UniMorphGrasp通过融合手部形态信息的扩散模型，实现跨躯体灵巧抓取的统一生成与强泛化能力。
动态专家共享：解耦内存与并行性在混合专家扩散语言模型中的方法
机构 * Imperial College London, London, UK（伦敦帝国学院） ； Samsung AI Center, Cambridge, UK（三星人工智能中心）
AI总结 本文提出动态专家共享方法，通过序列层面的coreset选择，减少MoE dLLMs中专家激活数量和延迟，同时保持高准确性。
潜在辩论：一种解释大语言模型思维的代理框架
机构 * Imperial College London, United Kingdom（伦敦帝国学院）
AI总结 本文提出潜在辩论框架，通过捕捉单个模型内部隐含的论点信号，解释LLM的思维过程并检测幻觉。
Comments Preprint
无监督视频去雨与视频扩散模型
机构 * University of Oulu（奥卢大学） ； Flawless AI ； Imperial College London（伦敦帝国理工学院）
AI总结 本文提出了一种无需合成数据和模型微调的无监督视频去雨方法，通过预训练文本到视频扩散模型，利用注意力切换机制提升动态场景中的去雨效果。
Comments WACV 2026
FastTTS: 加速边缘LLM推理的测试时扩展
机构 * Imperial College London（帝国学院伦敦） ； Microsoft Research（微软研究院）
AI总结 FastTTS通过三种新方法提升边缘LLM推理效率，实现与云模型相当的准确性和延迟，减少38%-68%的延迟。
Comments Accepted at ASPLOS 2026
无条件流基于时间序列生成与等变性正则化潜在空间
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出了一种基于流的无条件时间序列生成方法，通过等变性正则化潜在空间提升生成质量，同时在计算效率上优于现有扩散基线方法。
Comments Accepted at ICASSP 2026
最优执行调度生成的多样化方法
机构 * Imperial College London（帝国学院伦敦） ； Bank of America Securities（摩根大通证券）
AI总结 本文提出利用MAP-Elites算法生成多样化的执行策略，通过模拟验证其在订单调度中的有效性，展示了改进的策略在市场条件下的表现优势。
Comments 27 pages, 15 figures, 5 tables, v2: some minor improvements
RefineBridge: 生成桥梁模型通过基础模型提升金融预测
机构 * Department of Electrical and Electronic Engineering, Imperial College London, UK（帝国理工学院伦敦分校电子与电气工程系） ； Department of CST, Tsinghua University, Beijing, China（清华大学计算机科学与技术系）
AI总结 RefineBridge通过生成桥梁模型改进金融预测，利用可处理的Schrödinger Bridge框架提升时间序列基础模型的预测性能。
为正确的理由而正确：通过原型神经符号AI避免推理捷径
机构 * Imperial College London（帝国理工学院伦敦分校） ； Sapienza University of Rome（罗马萨皮恩扎大学）
AI总结 本文提出原型神经符号架构，通过学习正确基本概念避免推理捷径，提升神经符号学习的安全性和可靠性。
SQUAD：通过早期退出神经网络的集成实现可扩展的多数决决策
机构 * Department of Computing, Imperial College London, London, United Kingdom（计算系，伦敦帝国学院，伦敦，英国）
AI总结 SQUAD通过集成早期退出神经网络和分布式集成学习，实现更高效的不确定性估计和更短的推理时间，提升测试准确率并降低延迟。
一种确定性信息瓶颈方法用于混合类型数据聚类
机构 * Department of Mathematics, Imperial College London, London, United Kingdom（伦敦帝国学院数学系） ； School of Education, Democritus University of Thrace, Greece（德莫克利特斯大学教育学院）
AI总结 本文提出DIBmix方法，通过信息瓶颈原理处理混合类型数据聚类，解决带宽选择和超参数更新问题，在大小不平衡和重叠数据中表现优异。
Comments 35 pages
异构计算：AI代理推理未来的关键
机构 * Imperial College London（伦敦帝国理工学院） ； Microsoft Research（微软研究院）
AI总结 本文提出运算强度和容量足迹指标，揭示AI代理推理中内存瓶颈问题，并提出异构计算和硬件协同设计以提升大规模AI推理效率。
SMKC：基于变量基数时间序列异常检测的草图基于核相关图像
机构 * Imperial College London（伦敦帝国学院）
AI总结 SMKC 提出了一种基于草图的核相关图像框架，用于处理变量基数时间序列异常检测，通过动态输入结构解耦和鲁棒特征表示实现高效检测。
MADE：用于闭环材料发现的基准环境
机构 * OATML, Department of Computer Science, University of Oxford（OATML，计算机科学系，牛津大学） ； Diffractive Labs ； Machine Learning Research Group, Department of Engineering Science, University of Oxford（机器学习研究组，工程科学系，牛津大学） ； Thomas Young Centre（托马斯·杨中心） ； Department of Materials, Imperial College London（材料系，伦敦帝国学院）
AI总结 MADE提出了一种闭环材料发现的基准框架，通过模拟受限预算下的材料发现流程，评估发现算法的有效性和效率，并支持灵活的工作流研究。
利用图变换器和稳态流数据增强实现颅内动脉瘤形态的实时脉动流预测
机构 * Department of Biomedical Engineering, National University of Singapore（国立新加坡大学生物医学工程系） ； Department of Biomedical Engineering, Imperial College London（帝国理工学院伦敦校区生物医学工程系） ； Imperial College Healthcare NHS Trust（帝国理工医疗信托） ； Department of Medicine, National University Hospital（国立大学医院医学部）
AI总结 本文提出利用图变换器和稳态流数据增强方法，实现颅内动脉瘤形态的实时脉动流预测，有效提升生物力学标记物的计算效率。
通过热带托里拆尼映射的度量图核
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出基于热带代数几何的度量图核，通过几何和拓扑特性进行图比较，适用于无标签设置下的城市道路网络分类。
Comments 26 pages, 11 figures
EVEREST：一种证据感知、尾部意识的Transformer用于稀有事件时间序列预测
机构 * Imperial College London（伦敦帝国学院） ； Czech Technical University in Prague（布拉格捷克技术大学）
AI总结 EVEREST通过结合证据头和极值头，实现稀有事件时间序列预测的高精度与可解释性，适用于高风险领域。
Comments Updated author affiliation. No changes to technical content
Journal ref 14th International Conference on Learning Representations, 2026
为验证条件进行神经定理证明：一个现实世界的基准测试
机构 * Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； MBZUAI ； Imperial College London（帝国理工学院） ； East China Normal University（华东师范大学） ； University of Edinburgh（爱丁堡大学）
AI总结 本研究提出NTP4VC，首个现实世界多语言基准测试，评估LLMs在自动验证条件证明中的表现，揭示程序验证中的挑战与未来研究方向。
Comments Accepted in ICLR'26
DiffRatio: 无需教师监督训练一步扩散模型
机构 * Bosch (China) Investment Ltd.（博世（中国）投资有限公司） ； University of Cambridge（剑桥大学） ； Imperial College London（伦敦帝国理工学院） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根）
AI总结 DiffRatio通过直接估计分数差来训练一步扩散模型，减少梯度偏差并提升生成质量，同时提高计算效率。
Comments 22 pages, 8 figures, 5 tables, 2 algorithms
超越以GEMM为中心的NPUs：使高效的扩散LLM采样成为可能
机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种针对扩散LLM采样的NPU架构优化方案，通过轻量级向量原语、内存重用策略和混合精度内存层次结构，实现了2.53倍的加速性能。
SegRap2025：鼻咽癌放疗计划中GTV和淋巴结临床靶区体积分割的基准测试
机构 * School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China（电子科技大学机械与电子工程学院） ； Department of Radiation Oncology, Sichuan Cancer Center, Radiation Oncology Key Laboratory of Sichuan Province, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital and Institute, University of Electronic Science and Technology of China（四川省肿瘤医院放射肿瘤科） ； Shanghai AI Lab, Shanghai, China（上海人工智能实验室） ； The Affiliated Hospital of Qingdao University, Qingdao, China（青岛大学附属医院） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong, China（香港中文大学计算机科学与工程系） ； Faculty of Information Technology, Monash University, Melbourne, Australia（墨尔本大学信息科技学院） ； Department of Computing and Department of Brain Sciences, Imperial College London, United Kingdom（伦敦帝国理工学院计算机系和脑科学系） ； School of Computer Science and Engineering, Northwestern Polytechnical University, Xi'an, China（西北工业大学计算机科学与工程学院） ； UMIT Tirol - Private University for Health Sciences and Health Technology, Austria（蒂罗尔大学（私人健康科学与健康技术大学）） ； School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院） ； National Heart and Lung Institute, Imperial College London, London, United Kingdom（伦敦帝国理工学院国家心脏和肺研究所） ； Hawkes Institute, Department of Computer Science, University College London, London, United Kingdom（伦敦大学学院霍克斯研究所） ； Shanghai MediWorks Precision Instruments Co., Ltd., China（上海 MediWorks 精密仪器有限公司） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（上海交通大学自动化与智能感知学院） ； Department of Systems Hub, Hong Kong University of Science and Technology (Guangzhou), Guangzhou, China（香港科技大学（广州）系统中心）
AI总结 SegRap2025旨在通过多中心、多模态的基准测试提升鼻咽癌放疗计划中GTV和LN CTV分割的通用性和鲁棒性。
高动态范围动态新视角合成
机构 * Nanjing University of Science and Technology（南京理工大学） ； Imperial College London（帝国理工学院） ； University of Surrey（萨里大学）
AI总结 本文提出HDR-4DGS方法，通过动态色调映射模块实现高动态范围动态新视角合成，提升时间辐射一致性和空间颜色准确性。
Comments It has been accepted by ICLR 2026
利用带状平方指数协方差实现高斯过程加速训练
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出利用带状平方指数协方差矩阵加速高斯过程训练，通过减少计算复杂度提升训练效率。
Comments Accepted at IEEE ICASSP 2026
利用大语言模型缓解音频视觉语音识别中的注意力下沉和大规模激活
机构 * University of British Columbia, Canada（不列颠哥伦比亚大学） ； Imperial College London, UK（伦敦帝国学院）
AI总结 本文提出了一种简单有效的去相关损失，通过减少BOS与其它token的余弦相似性，缓解音频视觉语音识别中的注意力下沉和大规模激活问题，同时在高下采样率下降低词错误率。
Comments IEEE ICASSP 2026. The code is available at https://github.com/umbertocappellazzo/Llama-AVSR
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