高校专区
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。
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。
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。
超越可教内容的搜索：拓展智能体视觉生成的知识边界
机构 * Hong Kong University of Science and Technology（香港科技大学） ； University of Waterloo（滑铁卢大学） ； Qwen Applications（通义千问应用） ； Imperial College London（帝国理工学院）
AI总结 针对视觉生成器的世界知识瓶颈，构建专用数据集与基准，提出教-搜协同训练框架定位动态知识边界，实现知识驱动的可迭代视觉生成性能提升。
MAGS-SLAM：单目多智能体高斯点云SLAM用于几何和光度一致的重建
机构 * ETH Zurich（苏黎世联邦理工学院） ； Harbin Engineering University（哈尔滨工程大学） ； University of Liverpool（利物浦大学） ； University of Macau（澳门大学） ； University of Ottawa（多伦多大学） ； Wuhan University（武汉大学） ； Imperial College London（伦敦帝国学院）
AI总结 MAGS-SLAM通过单目视觉实现多智能体高斯点云SLAM，无需RGB-D传感器即可完成几何和光度一致的场景重建，实验表明其跟踪精度和渲染质量可与现有RGB-D方法媲美。
SkillSieve：一种用于检测恶意AI代理技能的分层分流框架
机构 * Department of Earth Science and Engineering（地球科学与工程系） ； Imperial College London（帝国理工学院伦敦分校） ； Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院） ； Lingban Technology Co., Ltd.（灵伴科技有限公司） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室）
AI总结 提出SkillSieve三层检测框架，通过启发式评分、LLM子任务分析和多LLM陪审团辩论，高效检测恶意AI代理技能，在390个技能基准上达到F1=0.920。
Comments 10 pages, 2 figures, 6 tables
DreamCAD: 通过可微参数曲面实现多模态CAD生成的扩展
机构 * DFKI ； RPTU ； Imperial College London（帝国理工学院伦敦分校） ； Huawei London Research Center（华为伦敦研究中心）
AI总结 DreamCAD通过可微参数曲面直接生成可编辑的BRep，无需CAD特定注释，实现多模态CAD生成的扩展，并在多个基准测试中取得最佳性能。
Comments For Caption Dataset: https://huggingface.co/datasets/SadilKhan/CADCap-1M
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
使用扩散模型进行心脏容积重建的潜在插值学习
机构 * School of Computation, Information and Technology, Technical University Munich（技术大学慕尼黑计算信息学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford（牛津大学生物医学工程研究所） ； Imperial College London（伦敦帝国学院） ； University of Sheffield（谢菲尔德大学） ； NVIDIA（英伟达） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； Department AIBE of Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔兰根-纽伦堡大学AIBE系） ； School of Medicine, Klinikum Rechts der Isar, Technical University of Munich（慕尼黑技术大学医学院，莱纳特医院）
AI总结 针对心脏磁共振成像二维切片采集稀疏致容积信息不完整、现有重建方法有局限的问题，提出CaLID框架，创新采用基于扩散模型的插值方案、潜在空间高效计算法，仅用稀疏二维图像输入达SOTA，扩展到二维加时间数据，提升了重建质量和效率。
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。
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)
诊断推理模型中的病理链式思维
机构 * Department of Epidemiology, CAUSALab, Harvard University, Boston, USA（流行病学系、CAUSALab、哈佛大学） ； Imperial College London, London, UK（伦敦帝国学院） ； McGill University, Montreal, Canada（麦吉尔大学） ； Geodesic Research, Cambridge, UK（Geodesic研究）
AI总结 本文提出了一种评估链式思维推理模型中病态的实用工具，通过定义具体度量标准和训练特定模型生物来识别和区分三种不同的病态现象。
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：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。
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。
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。
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。
全球自动化图谱
机构 * Imperial College London（伦敦帝国学院） ； Bocconi University（博科尼大学） ； University of Oxford（牛津大学）
AI总结 本文提出了一种基于任务和国家特定的方法，用于全球范围内分类自动化暴露，以区分劳动力替代和增强自动化，相关技术渠道以及人工智能的物质作用。研究涵盖了124个国家，生成了覆盖全球99%人口和GDP的233万个任务-国家标签。
Comments 78 pages, 6 figures, 5 Extended Data figures. Substantially revised and expanded. Data and code: https://automationatlas.org/
面向敏捷固定翼无人机的鲁棒协同优化
机构 * Department of Aeronautics, Imperial College London（帝国理工学院伦敦校区航空系） ； Department of Mathematics, Politecnico di Milano（米兰理工学院数学系）
AI总结 本文提出了一种面向敏捷固定翼无人机的鲁棒协同框架，通过整合参数不确定性与风扰动，优化物理设计与控制策略，提升在无结构环境中的鲁棒性和性能表现。
Journal ref 2026 International Conference on Unmanned Aircraft Systems (ICUAS), Corfu, Greece, 2026, pp. 9-17
非理想条件下超越对角线的可重构智能表面：基于学习的架构发现与优化
机构 * Department of Electrical and Electronic Engineering, Imperial College London（电气与电子工程系，帝国理工学院伦敦分校）
AI总结 研究非理想BD-RIS性能与电路复杂度权衡问题，提出基于学习的两层架构发现框架LTTADF，由架构生成器和性能优化器联合发现最优架构，有效探索大架构空间，避免陷入局部最优，为其部署提供有价值见解。
Comments 17 pages, 16 figures, 1 table. Accepted by IEEE Transactions on Wireless Communications
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
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
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：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
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
不应学习的地方：基于子集归因约束的先验对齐训练以实现可靠的决策制定
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） ； Communication University of China（中国传媒大学） ； Imperial College London（伦敦帝国学院） ； 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）
AI总结 本文提出了一种基于归因的先验对齐方法，通过子集选择归因技术约束模型依赖于人类先验区域，从而提升决策的可靠性。
表格基础模型也能进行生存分析
机构 * Department of Computing, Imperial College London（帝国理工学院计算机系） ； Department of Mathematics, Imperial College London（帝国理工学院数学系）
AI总结 本文提出了一种基于分类的框架，通过将生存分析转化为二分类问题，使表格基础模型能够无需显式训练即可进行生存分析，并在多个数据集上验证了其有效性。
STARCaster：用于身份和视图感知的会说话肖像的时空自回归视频扩散
机构 * Imperial College London, UK（伦敦帝国理工学院） ； FAU Erlangen–Nürnberg, Germany（埃朗根-纽伦堡大学）
AI总结 研究提出STARCaster模型，通过重新思考参考和几何范式，采用组合方法及解耦学习，解决语音驱动肖像动画和动态视点控制问题，能有效泛化，超越先前方法。
Comments ICML 2026
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
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
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