高校专区
通过学习神经集函数的松弛来推进最优子集预言机
机构 * Fuzhou University（福州大学） ； Imperial College London（伦敦帝国学院） ； National University of Singapore（新加坡国立大学）
AI总结 研究神经集函数学习，针对现有最优子集预言机框架依赖蒙特卡罗采样估计梯度导致计算开销大且轨迹不稳定的问题，提出将证据下界重新解释为连续松弛并学习替代目标，实验证明该方法能减少开销、加速推理并优于现有基线。
CHARM：基于大语言模型的多模态讽刺检测中的电荷校准与声学救援
机构 * GLAM – the Group on Language, Audio, & Music, Imperial College London（伦敦帝国理工学院语言、音频和音乐小组） ； College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学通信与信息工程学院） ； College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； Shenzhen Research Institute, Hunan University（湖南大学深圳研究院） ； CHI – Chair of Health Informatics, TUM University Hospital（慕尼黑工业大学医院健康信息学主席） ； relAI – the Konrad Zuse School of Excellence in Reliable AI（康拉德·楚泽可靠人工智能卓越学院） ； MDSI – Munich Data Science Institute（慕尼黑数据科学研究所） ； MCML – Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 研究针对大语言模型在讽刺检测中过度预测积极类别及韵律线索利用不足的问题，提出CHARM框架，含双向电荷校准和声学后期融合救援两个模块，无需微调主干，提升检测性能，揭示跨文化韵律解耦，产生可解释的跨语言多模态检测器。
Comments under review
SETA：终端智能体的扩展环境
机构 * Imperial College London（帝国理工学院） ； University College London（伦敦大学学院） ； SambaNova（桑巴诺瓦公司） ； KAUST（阿卜杜拉国王科技大学） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） ； University of Waterloo（滑铁卢大学） ； RadixArk（基数方舟公司）
AI总结 研究针对终端智能体训练扩展难的问题，提出SETA框架，含SETA - Synth和SETA - Evol两个管道及统一验证机制，构建了SETA - Env数据集。实验显示该数据集能为终端智能体提供优质训练环境，推动相关研究发展。
用于减轻机器人基础模型中捷径学习的人工中央凹感知
机构 * Yale University（耶鲁大学） ； University of Connecticut（康涅狄格大学） ； Peking University（北京大学） ； Imperial College London（帝国理工学院） ； Digients
AI总结 研究机器人基础模型因捷径学习难以稳健部署的问题，提出人工中央凹感知模块AFP，通过预测任务条件掩码辅助微调，使策略关注任务相关区域，实验证明其能减少微调时间、抑制过拟合并提升泛化能力。
在域转移下对用于乳腺钼靶成像的基础模型的稳健性进行基准测试
机构 * College of Engineering and Computer Science, VinUniversity（工程与计算机科学学院，文大大学） ； Imperial College London（伦敦帝国理工学院） ； Radiology Department, Vietnam National Cancer Hospital（越南国家癌症医院放射科） ； VinUni-Illinois Smart Health Center, VinUniversity（文大大学 - 伊利诺伊智能健康中心，文大大学） ； The Computer Vision and Medical AI Lab, VinUniversity（计算机视觉与医学人工智能实验室，文大大学）
AI总结 研究在域转移下乳腺钼靶成像基础模型的稳健性，用统一协议在多数据集上训练评估15种模型主干，发现特定视觉语言模型性能强，DINOv3是有竞争力基线，适应预训练未持续提升泛化，强调数据集级OOD评估是核心标准。
Comments Under Review. Giang Nguyen and Raghav Mehta contributed equally
GRC-ProbNet：用于心血管疾病分类的不确定性感知特征提取
机构 * Imperial College London（伦敦帝国学院） ； Medical University of Vienna（维也纳医科大学）
AI总结 研究旨在从CT图像自动检测和分类心血管疾病，提出GRC-ProbNet利用深度集成生成多个分割掩码以提取不确定性特征，实验表明该方法能提高CVD分类的AUROC，优于基线GRC-Net模型。
Comments Under Review
模型指导绘图：用于统一多模态推理的自适应视觉门控
机构 * Imperial College London（伦敦帝国理工学院） ； Tsinghua University（清华大学）
AI总结 针对统一多模态模型在视觉推理中存在的问题，提出基于生成意图和视觉保真度两个内部信号的AdaViG方法，可动态评估视觉步骤，避免误导性视觉证据进入推理过程，提升了准确率并降低计算量和延迟。
具有确定性策略的扩展平均场控制的演员-评论家学习
机构 * University of California, Berkeley（加州大学伯克利分校） ； Ecole Polytechnique, CMAP（巴黎政治经济学院（École Polytechnique）） ； Imperial College London（伦敦帝国学院）
AI总结 针对连续时间扩展平均场控制问题，提出无模型强化学习框架，采用确定性反馈策略，建立灵敏度公式并推导策略梯度公式，经细化后得到含相关导数项的策略梯度，结合多种方法形成算法，数值实验验证了该方法的有效性。
人工神经网络中通过表征学习实现的涌现式泛化
机构 * I-X Centre for AI in Science, Imperial College London（AI科学中心，帝国理工学院伦敦分校） ； 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 研究探讨人工神经网络中低维表征对泛化的作用，通过信息瓶颈使循环神经网络学习低维表征，借助信息论度量刻画其动态，发现非单调轨迹，小鼠实验也有类似结果，表明学习表征对泛化有功能优势及因果作用。
计数存在但未对齐：理解和纠正视觉语言模型中的计数失败
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Imperial College London（伦敦帝国学院）
AI总结 研究视觉语言模型计数失败问题，通过对VLM激活进行探测训练及分析，发现其虽常编码正确计数但输出错误，提出探测器引导的自校正方法，在不更新参数时提高计数准确率，揭示内部知识与模型输出差距并提供改进工具。
KV-PRM：通过KV缓存转移实现高效的过程奖励建模以进行多智能体测试时扩展
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国理工学院） ； City University of Hong Kong（香港城市大学）
AI总结 研究针对现有基于文本的过程奖励模型在长多智能体展开中评分成本高的问题，提出KV-PRM，通过读取KV缓存降低评分成本，经理论证明和实验验证，该模型在多基准测试及多种TTS方法下表现优异，大幅减少计算资源消耗。
基于合约的组合屏蔽实现安全多智能体强化学习
机构 * Imperial College London（伦敦帝国学院） ； University of Manchester（曼彻斯特大学）
AI总结 提出一种去中心化屏蔽方法，通过合约机制协调智能体局部LTL安全义务，在无集中运行时控制下保证全局安全并优化团队奖励。
Comments Accepted to EUMAS 2026, the 23rd European Conference on Multi-Agent Systems
当评判者改变时，测量结果也会改变：评估大语言模型作为评判者的可靠性
机构 * Dyson School of Design Engineering, Imperial College London（伦敦帝国理工学院戴森设计工程学院） ； 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） ； School of Electronic Information, Nanchang Institute of Technology（南昌工程学院电子信息学院）
AI总结 研究大语言模型作为评判者时分数因评估者变化而改变的问题，通过在四个数据集上比较两种升级路径，发现评判者升级不可互换，强评判者可减偏差，重复采样陪审团作用有限，结构化辩论能改决策，提出报告应含多方面内容。
Comments 6 pages, 6 figures, 4 tables
家庭环境中机器人辅助个体认知刺激疗法（iCST）对话参与度的影响因素
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 研究家庭环境中机器人辅助个体认知刺激疗法（iCST）对话参与度的影响因素，通过Co-STAR系统分析对话指标，发现个性化提示、交互阶段和参与者特征影响对话参与度，为自适应对话机器人设计提供参考。
Comments Accepted for publication at the IEEE RO-MAN Conference 2026
扩散策略学习中的表达能力与统计权衡
机构 * Stanford University（斯坦福大学） ； Chinese University of Hong Kong（香港中文大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究扩散策略学习中表达能力与统计权衡，确定漂移Lipschitz预算K为核心量，通过近似量化表达能力，证明其与统计复杂性的关系，给出有限样本性能差距，数值实验验证，还提出根据样本大小选K及对应神经网络架构的实现原则。
普法夫式集的管状邻域及其在神经网络中的应用
机构 * London School of Geometry and Number Theory, Imperial College London, UK（几何与数论学校，帝国学院伦敦，英国） ； Warwick Mathematical Institute, University of Warwick, UK（沃里克数学研究所，沃里克大学，英国）
AI总结 研究普法夫超曲面管状邻域体积界，推广代数簇相关结果。通过普法夫格式给出界，并应用于神经网络分类器，在均匀和高斯设置下得到条件数概率分布尾部界，特殊单隐藏层 sigmoid 网络有宽度多项式界。
Comments 32 pages, 1 figure
持久状态AI控制中的分布式攻击
机构 * Constellation Astra Fellowship（Constellation Astra 奖学金） ； Imperial College London（帝国理工学院） ； UK AI Security Institute（英国人工智能安全研究所）
AI总结 研究AI编码代理在持久代码库中跨拉取请求分布攻击的威胁，提出Iterative VibeCoding基准，发现单一监控器无法同时防御渐进与非渐进攻击，而状态跟踪监控器可显著降低渐进攻击成功率。
HIVE：理解视觉语言模型中的幻觉后推理
机构 * Purdue University（普渡大学） ； Rutgers University（罗格斯大学） ； Meta AI ； Kent State University（肯特州立大学） ； Imperial College London（伦敦帝国学院）
AI总结 研究视觉语言模型中幻觉后推理阶段，引入HIVE评估基础设施，通过九个任务和九个模型观察到模态依赖模式，发现幻觉线索能拓宽语义覆盖并重塑推理动态，强调理解此阶段对提升多模态推理系统可靠性和可解释性的重要性。
Comments Accepted by ECCV 2026
用于鲁棒多机器人操作的闭环多智能体框架
机构 * Sun Yat-sen University（中山大学） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China（教育部机器智能与先进计算重点实验室） ； Imperial College London（帝国理工学院） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 针对多机器人操作中高级推理应用于实际执行的挑战，提出基于分层闭环智能体的LLM框架，含规划、操作、验证智能体。经实际实验验证，该框架成功率高、适应性强，为多样操作任务提供可推广方法。
Comments RSS 2026
SPEAR：用于逼真的具身人工智能研究的模拟器
机构 * Adobe Research（Adobe研究院） ； Intel Labs（英特尔实验室） ； Manycore Tech Inc（众核科技公司） ； Adobe（Adobe公司） ； NVIDIA（英伟达公司） ； ETH Zurich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国学院）
AI总结 研究针对现有逼真模拟器局限，提出SPEAR这一Python库，通过模块化插件架构连接控制UE应用程序，提升可编程性与渲染速度，还提供新图像模态和高级编程模型，经多样示例应用展示了其效用。
Comments Accepted for publication at the European Conference on Computer Vision (ECCV) 2026
无信任代理能否被信任？ERC-8004 去中心化 AI 代理生态系统的实证研究
机构 * Imperial College London（伦敦帝国学院） ； Ohio State University（俄亥俄州立大学） ； University of Bristol（布里斯托大学） ； The University of Manchester（曼彻斯特大学）
AI总结 本研究首次实证分析 ERC-8004 协议在三条链上的身份、声誉和验证注册表，发现大多数注册为占位符，声誉不可比且易被操纵，大量评论者存在 Sybil 行为，表明该协议目前无法提供可信决策基础。
Co-STAR：用于痴呆症的自主机器人认知刺激疗法——为期一周的家庭研究
机构 * Imperial College London（伦敦帝国学院）
AI总结 研究针对痴呆症患者认知疗法应用受限问题，开发并部署能在家自主提供认知刺激疗法的社交机器人，九名患者参与一周研究，结果显示该疗法可行且能提高依从率，凸显家庭成员作用，为痴呆症护理提供可扩展方法。
Comments Accepted for publication at the IEEE RO-MAN Conference 2026
引导扩散表示学习中的优化轨迹
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 该研究探究扩散自编码器图像质量相近但潜在结构差异大的成因，提出SteeringDRL方法，通过门控残差U-Net和噪声水平课程引导优化，提升表示质量并降低种子敏感性。
基于站点引导伪监督的空气质量降尺度方法
机构 * Imperial College London（伦敦帝国理工学院） ； The Cyprus Institute（塞浦路斯研究所） ； Northeastern University London（伦敦东北大学） ； University of Cyprus（塞浦路斯大学）
AI总结 针对粗粒度大气场超分PM₂.₅的空间支持失配问题，该研究结合多源侧信息，提出站点引导框架实现高分辨率PM₂.₅降尺度与偏差校正，有效还原细粒度空间结构。
无附带损害擦除：扩散模型中的精确概念移除
机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 针对无训练概念擦除易损害相关非目标概念的问题，提出CARE闭式算子，在交叉注意力值空间实现精确擦除，无模型微调，可更好保留非目标概念。
贝叶斯优化需要多少初始点？
机构 * Korea Advanced Institute of Science & Technology (KAIST)（韩国科学技术院） ； HayanMind Inc.（哈扬思维公司） ； Technical University of Nuremberg (UTN)（纽伦堡工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Helmholtz Munich（亥姆霍兹慕尼黑中心） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究贝叶斯优化初始点数量选择问题，发现初始点数量与总成本呈U型关系，不同超参数和采集函数都存在此权衡，汤普森采样是例外，还给出实用建议。
Comments 4 pages. Accepted at the ICML 2026 Workshop on Decision-Making from Offline Datasets to Online Adaptation
SoftVTBench：用于物理约束下可变形物体机器人操作的安全感知视觉触觉基准测试
机构 * Tuojing Intelligence（拓景智能） ； Tsinghua University（清华大学） ； King’s College London（伦敦国王学院） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Manchester（曼彻斯特大学） ； Simple AI（简单人工智能公司） ； Imperial College London（伦敦帝国学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； The University of Hong Kong（香港大学）
AI总结 研究物理约束下可变形物体操作，提出SoftVTBench基准测试，通过有限元模拟可变形物体，定义任务套件，分别报告目标成功和安全成功，实现基线并实验，表明仅成功评估高估策略性能，触觉传感可提升安全性。
神经激光雷达光束平差
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 研究探索RGB NeRFs和LiDAR NeRFs关键设计差异，发现体素采样密度对LiDAR NeRF重要，据此提出Neural LiDAR Bundle Adjustment算法，实验证明其在多视点云配准和3D映射中有出色性能。
Comments 8 pages, 8 figures, 4 tables
使用概念图在文本到图像扩散模型中有效减轻偏差
机构 * Department of Computing Imperial College London（伦敦帝国理工学院计算系）
AI总结 研究文本到图像扩散模型偏差问题，提出基于概念图对齐的CO-ALIGN方法，在模型内部概念本体上操作，能有效减轻偏差并保留生成完整性，性能优于现有技术。
通过扩散和随机码实现可扩展的差分隐私数据压缩
机构 * Imperial College London（帝国理工学院）
AI总结 针对高维数据压缩难题，提出结合随机码与扩散模型的DP-DiPP压缩管道，通过扩展泊松私有表示并结合DiffC，实现差分隐私图像压缩，实验表明其性能远超基线。
Comments To appear in ICML 2026 Workshop on Structured Probabilistic Inference & Generative Modeling
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