Imperial College London（帝国理工学院）

Exploiting the Prior of Generative Time Series Imputation

利用生成时间序列填补的先验

YuYang Miao, Chang Li, Zehua Chen

机构 * Imperial College London, Department of Electronic and Electrical Engineering（帝国理工学院伦敦校区电子与电气工程系） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University, Department of CST（清华大学计算机科学与技术系） ； Shengshu AI（盛数人工智能） 纠错

AI总结 Bridge-TS通过引入专家先验和组合先验，提升生成时间序列填补的准确性与效率。

Random Controlled Differential Equations

随机控制微分方程

Francesco Piatti, Thomas Cass, William F. Turner

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

AI总结 本文提出随机控制微分方程，结合随机特征与受控微分方程，通过两种变体提升时间序列学习的效率和性能。

Stochastic Siamese MAE Pretraining for Longitudinal Medical Images

随机时序Siamese MAE预训练用于纵向医学图像

Taha Emre, Arunava Chakravarty, Thomas Pinetz, Dmitrii Lachinov, Martin J. Menten, Hendrik Scholl, Sobha Sivaprasad, Daniel Rueckert, Andrew Lotery, Stefan Sacu, Ursula Schmidt-Erfurth, Hrvoje Bogunović

机构 * Institute of Artificial Intelligence, Center for Medical Data Science, Medical University of Vienna（人工智能研究所，医学数据科学中心，维也纳医科大学） ； Department of Ophthalmology and Optometry, Medical University of Vienna（眼科学与视光学系，维也纳医科大学） ； Ophthalmic Image Analysis Group (OPTIMA), Medical University of Vienna（眼科影像分析组（OPTIMA），维也纳医科大学） ； BioMedIA, Department of Computing, Imperial College London（BioMedIA，计算系，伦敦帝国理工学院） ； Chair for AI in Healthcare and Medicine, Technical University of Munich（医学与健康人工智能教授职位，慕尼黑技术大学） ； Moorfields National Institute for Health and Care Biomedical Research Centre, Moorfields Eye Hospital（莫尔菲尔兹国家健康与护理生物医学研究中心，莫尔菲尔兹眼科医院） 纠错

AI总结 STAMP通过随机过程和条件变分推断，提升纵向医学图像中疾病进展的建模能力。

Comments Under review. Code is available in https://github.com/EmreTaha/STAMP

Robust Polyp Detection and Diagnosis through Compositional Prompt-Guided Diffusion Models

通过组成提示引导的扩散模型实现鲁棒的息肉检测与诊断

Jia Yu, Yan Zhu, Peiyao Fu, Tianyi Chen, Junbo Huang, Quanlin Li, Pinghong Zhou, Zhihua Wang, Fei Wu, Shuo Wang, Xian Yang

机构 * Zhejiang University（浙江大学） ； Shanghai Institute for Advanced Study of Zhejiang University（浙江大学上海高等研究院） ； Endoscopy Center, Zhongshan Hospital, Fudan University（复旦大学中山医院内窥镜中心） ； Shanghai Collaborative Innovation Center of Endoscopy（上海内窥镜协同创新中心） ； Digital Medical Research Center, School of Basic Medical Sciences, Fudan University（复旦大学基础医学院数字医疗研究中心） ； Shanghai Key Laboratory of MICCAI（上海MICCAI重点实验室） ； Alliance Manchester Business School, The University of Manchester（曼彻斯特大学联盟商学院） ； Data Science Institute, Imperial College London（伦敦帝国学院数据科学研究所） 纠错

AI总结 本文提出PSDM模型，通过整合多种临床注释生成合成图像，提升息肉检测、分类和分割的鲁棒性和泛化能力。

Journal ref IEEE Trans. Med. Imaging, vol. 44, no. 12, pp. 5245-5257, Dec. 2025

KV-Tracker: Real-Time Pose Tracking with Transformers

KV-Tracker: 基于Transformer的实时姿态跟踪

Marwan Taher, Ignacio Alzugaray, Kirill Mazur, Xin Kong, Andrew J. Davison

机构 * Dyson Robotics Lab, Imperial College London（戴森机器人实验室，帝国理工学院伦敦） 纠错

AI总结 KV-Tracker通过基于Transformer的快速缓存机制实现实时姿态跟踪与场景重建，无需深度信息或物体先验，达到27 FPS的高帧率。

Comments Project Page: https://marwan99.github.io/kv_tracker

Gaussian entropic optimal transport: Schrödinger bridges and the Sinkhorn algorithm

高斯熵最优传输：施罗德inger桥与Sinkhorn算法

O. Deniz Akyildiz, Pierre Del Moral, Joaquín Miguez

机构 * Department of Mathematics, Imperial College London, UK ； Centre de Recherche Inria Bordeaux Sud-Ouest, Talence, France ； Department of Signal Theory \& Communications, Universidad Carlos III de Madrid, Spain 纠错

AI总结 本文提出了一种基于高斯多元模型的有限维递归公式，用于解决熵最优传输问题，并开发了自包含的高斯Sinkhorn算法收敛性分析，包括熵传输映射和Schrödinger桥的闭合形式表达式。

Comments Accepted to Foundations of Data Science (FoDS)

Compliance Rating Scheme: A Data Provenance Framework for Generative AI Datasets

合规评分方案：一种面向生成式人工智能数据集的数据溯源框架

Matyas Bohacek, Ignacio Vilanova Echavarri

机构 * Stanford University（斯坦福大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出合规评分方案，用于评估生成式人工智能数据集的透明度、问责制和安全性，同时提供开源库以实现数据溯源，促进负责任的数据集构建与管理。

Wireless Center of Pressure Feedback System for Humanoid Robot Balance Control using ESP32-C3

基于ESP32-C3的无线足部压力反馈系统用于人形机器人平衡控制

Muhtadin, Faris Rafi Pramana, Dion Hayu Fandiantoro, Moh Ismarintan Zazuli, Atar Fuady Babgei

机构 * Department of Computer Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia（印度尼西亚十月份十日理工大学计算机工程系） ； Graduate School of Science and Technology, Kumamoto University, Japan（日本熊本大学研究生院） ； The Science and Technology Center of Artificial Intelligence for Healthcare and Society (PUI AIHeS), Indonesia（印度尼西亚人工智能医疗与社会科技中心） ； Department of Electrical Automation Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia（印度尼西亚十月份十日理工大学电气自动化工程系） ； Department of Computing, Imperial College London, United Kingdom（英国伦敦帝国学院计算系） 纠错

AI总结 本研究提出了一种基于ESP32-C3的无线足部压力反馈系统，通过实时估计压力中心提升人形机器人在不平表面的平衡稳定性，实验表明其具有高精度和100%的成功率。

A Real-World Evaluation of LLM Medication Safety Reviews in NHS Primary Care

对NHS初级医疗中基于LLM的药物安全审查系统的真实世界评估

Oliver Normand, Esther Borsi, Mitch Fruin, Lauren E Walker, Jamie Heagerty, Chris C. Holmes, Anthony J Avery, Iain E Buchan, Harry Coppock

机构 * i.AI, Department for Science, Innovation, and Technology（i.AI，科学、创新与技术部门） ； Centre for Experimental Therapeutics, University of Liverpool（实验治疗中心，利物浦大学） ； Civic Health Innovation Labs, University of Liverpool（公民健康创新实验室，利物浦大学） ； Downing Street（唐宁街10号） ； Department of Statistics, University of Oxford（统计系，牛津大学） ； Ellison Institute of Technology（埃利森技术研究所） ； Centre for Academic Primary Care, University of Nottingham（学术初级护理中心，诺丁汉大学） ； The UK AI Security Institute（英国人工智能安全研究所） ； Department of Computing, Imperial College London（计算系，伦敦帝国学院） 纠错

AI总结 本文评估了基于LLM的药物安全审查系统在真实临床数据中的表现，揭示了其在不同复杂性下的失败模式，强调了上下文推理的重要性及改进方向。

47B Mixture-of-Experts Beats 671B Dense Models on Chinese Medical Examinations

47B混合专家模型在中文医学考试中超越671B密集模型

Chiung-Yi Tseng, Danyang Zhang, Tianyang Wang, Hongying Luo, Lu Chen, Junming Huang, Jibin Guan, Junfeng Hao, Junhao Song, Xinyuan Song, Ziqian Bi

机构 * AI Agent Lab, Vokram Group（AI代理实验室，Vokram集团） ； Purdue University（普渡大学） ； University of Minnesota（明尼苏达大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文评估了多种大语言模型在中文医学考试中的表现，发现47B混合专家模型在准确率上超越了671B密集模型，揭示了模型大小与性能无直接关联，并指出了不同医学专科间性能差异及模型泛化能力。

A Multicore and Edge TPU-Accelerated Multimodal TinyML System for Livestock Behavior Recognition

一种多核和边缘TPU加速的多模态TinyML系统用于牲畜行为识别

Qianxue Zhang, Eiman Kanjo

机构 * Medical AI Lab, Hebei Provincial Engineering Research Center for AI-Based Cancer Treatment Decision-Making, The First Hospital of Hebei Medical University（医学人工智能实验室，河北省人工智能辅助癌症治疗决策工程研究中心，河北省医科大学第一医院） ； Computing Department, Imperial College London（计算部门，帝国理工学院伦敦分校） ； Professor Pervasive Sensing & TinyML and the Head of the Smart Sensing Lab at Nottingham Trent University（感知与TinyML教授及智能感知实验室主任，诺丁汉特伦特大学） ； Provost’s Visiting Professor in tinyML at Imperial College London（帝国理工学院伦敦分校副校长兼任TinyML客座教授） 纠错

AI总结 本文提出了一种多核和边缘TPU加速的多模态TinyML系统，用于高效识别牲畜行为，实现高模型压缩和低延迟的实时推理。

Comments 12 pages, 10 figures

Journal ref IEEE Internet of Things Journal, vol. 13, no. 1, pp. 666-677, 1 Jan.1, 2026

Simplifying Multi-Task Architectures Through Task-Specific Normalization

通过任务特定归一化简化多任务架构

Mihai Suteu, Ovidiu Serban

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

AI总结 通过任务特定归一化简化多任务学习架构，实现高效且可解释的性能提升。

Learned Digital Codes for Over-the-Air Computation in Federated Edge Learning

为联邦边缘学习中的空天地计算学习数字代码

Antonio Tarizzo, Mohammad Kazemi, Deniz Gündüz

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） 纠错

AI总结 本文提出了一种学习数字OTA框架，通过端到端训练提升FEEL中低信噪比下的通信鲁棒性和性能

Mixture of Experts in Large Language Models

大语言模型中的专家混合架构

Danyang Zhang, Junhao Song, Ziqian Bi, Xinyuan Song, Yingfang Yuan, Tianyang Wang, Joe Yeong, Junfeng Hao

机构 * Department of Research（研究部） ； ByteDance Inc（字节跳动公司） ； Department of CS（计算机科学系） ； Imperial College London（伦敦帝国理工学院） ； Purdue University（普渡大学） ； Emory University（埃默里大学） ； Department of Computer Science（计算机科学系） ； Heriot-Watt University（赫罗特-瓦特大学） ； AI Agent Lab（AI代理实验室） ； Vokram Group（Vokram集团） ； Department of Anatomical Pathology（解剖病理学系） ； Singapore General Hospital（新加坡中央医院） 纠错

AI总结 本文研究了大语言模型中专家混合架构的性能提升与应用挑战，分析了其核心机制与优化方法，探讨了MoE在任务特定性能和模型扩展方面的优势。

Diffusion Self-Weighted Guidance for Offline Reinforcement Learning

扩散自加权引导用于离线强化学习

Augusto Tagle, Javier Ruiz-del-Solar, Felipe Tobar

机构 * Initiative for Data & AI, Universidad de Chile（数据与人工智能倡议，智利大学） ； AMTC & Dept. of Electrical Eng., Universidad de Chile（AMTC与电气工程系，智利大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院） 纠错

AI总结 本文提出自加权引导方法，通过扩散模型直接生成所需分数，无需额外网络，实现高效的离线强化学习

Comments Published in Transactions on Machine Learning Research (TMLR). 21 pages, 6 figures

Journal ref Trans. Mach. Learn. Res. (2025)

Boosted Control Functions: Distribution generalization and invariance in confounded models

增强控制函数：在混杂模型中的分布泛化和不变性

Nicola Gnecco, Jonas Peters, Sebastian Engelke, Niklas Pfister

机构 * University of Copenhagen（哥本哈根大学） ； Imperial College London（伦敦帝国学院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学） 纠错

AI总结 本文提出增强控制函数（BCF）以实现分布变化下的预测鲁棒性，通过强不变性概念和ControlTwicing算法提升模型泛化能力。

SAMSA 2.0: Prompting Segment Anything with Spectral Angles for Hyperspectral Interactive Medical Image Segmentation

SAMSA 2.0：基于光谱角度的提示分割任意事物用于超光谱交互医学图像分割

Alfie Roddan, Tobias Czempiel, Chi Xu, Daniel S. Elson, Stamatia Giannarou

机构 * The Hamlyn Centre for Robotic Surgery, Department of Surgery and Cancer Imperial College London（哈姆林机器人手术中心、外科与癌症系帝国理工学院伦敦） 纠错

AI总结 SAMSA 2.0通过引入光谱角度提示，提升超光谱医学图像分割的准确性和鲁棒性，实现比RGB-only模型和先前光谱融合方法更高的Dice分数。

TabRep: Training Tabular Diffusion Models with a Simple and Effective Continuous Representation

TabRep: 通过简单有效的连续表示训练表格扩散模型

Jacob Si, Zijing Ou, Mike Qu, Zhengrui Xiang, Yingzhen Li

机构 * Imperial College London（伦敦帝国学院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 TabRep通过统一连续表示训练表格扩散模型，实现高效生成高质量表格数据并保持隐私。

Comments TMLR 2026

Overcoming Growth-Induced Forgetting in Task-Agnostic Continual Learning

克服任务无关持续学习中的增长性遗忘

Yuqing Zhao, Jiannong Cao, Divya Saxena, Xiaoyun Liu, Changlin Song, Bo Yuan, Julie McCann

机构 * Hong Kong Polytechnic University（香港理工大学） ； Indian Institute of Technology（印度理工学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 SparseGrow通过梯度和参数稀疏性解决持续学习中的增长性遗忘问题，提升模型适应性与知识保留能力。

No Pose at All: Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views

无姿态：从稀疏视图实现自监督的无姿态3D高斯点云渲染

Ranran Huang, Krystian Mikolajczyk

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

AI总结 SPFSplat通过自监督方法实现无姿态的3D高斯点云渲染，无需真实姿态信息即可在稀疏视图下实现高质量的视点合成和姿态估计。

Comments Project Page: https://ranrhuang.github.io/spfsplat/

Data for Mathematical Copilots: Better Ways of Presenting Proofs for Machine Learning

用于数学助手的数据：为机器学习呈现证明的更好方式

Simon Frieder, Jonas Bayer, Sam Looi, Jacob Loader, Julius Berner, Katherine M. Collins, András Juhász, Fabian Ruehle, Sean Welleck, Gabriel Poesia, Ryan-Rhys Griffiths, Adrian Weller, Anirudh Goyal, Cameron Freer, Thomas Lukasiewicz, Timothy Gowers

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Caltech（加州理工学院） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； FutureHouse Inc.（未来房屋公司） ； Meta ； Vienna University of Technology（维也纳技术大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Collège de France（法兰西学院） 纠错

AI总结 本文提出改进数学助手数据集的设计，以更真实反映数学研究实践，从而提升大语言模型的证明学习能力。

Comments 59 pages

Adjusting Model Size in Continual Gaussian Processes: How Big is Big Enough?

在持续学习中调整模型大小：有多大才够大？

Guiomar Pescador-Barrios, Sarah Filippi, Mark van der Wilk

机构 * Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系） ； Department of Computer Science, University of Oxford, UK（牛津大学计算机科学系） 纠错

AI总结 本文提出了一种在持续学习中自动调整高斯过程模型大小的方法，以在保持高性能的同时减少超参数调整需求。

Comments 9 pages main, 27 pages total, 13 figures, 9 tables, conference paper, minor correction

Journal ref PMLR 267:48974-49000 (2025)

HGQ: High Granularity Quantization for Real-time Neural Networks on FPGAs

HGQ：面向FPGA上的实时神经网络的高粒度量化

Chang Sun, Zhiqiang Que, Thea K. Årrestad, Vladimir Loncar, Jennifer Ngadiuba, Wayne Luk, Maria Spiropulu

机构 * California Institute of Technology（加利福尼亚理工学院） ； Imperial College London（伦敦帝国理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Institute of Physics Belgrade（贝尔格莱德物理研究所） ； Fermilab（费米实验室） 纠错

AI总结 HGQ通过高粒度量化方法优化神经网络参数位宽，实现低延迟高精度的实时模型部署，适用于FPGA平台的复杂模型压缩与加速。

An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges

视觉-语言-动作模型的解剖：从模块到里程碑与挑战

Chao Xu, Suyu Zhang, Yang Liu, Baigui Sun, Weihong Chen, Bo Xu, Qi Liu, Juncheng Wang, Shujun Wang, Shan Luo, Jan Peters, Athanasios V. Vasilakos, Stefanos Zafeiriou, Jiankang Deng

机构 * IROOTECH TECHNOLOGY（IROOTECH技术公司） ； Wolf 1069 b Lab, Sany Group（Sany集团沃尔夫1069b实验室） ； Department of Engineering, King’s College London（伦敦国王学院工程系） ； Hong Kong Polytechnic University（香港理工大学） ； Computer Science Department of the Technische Universität Darmstadt（德累斯顿技术大学计算机科学系） ； Department of ICT and Center for AI Research, University of Agder (UiA)（阿格德大学信息与通信技术系及人工智能研究中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 本文系统分析了视觉-语言-动作模型的核心挑战，从模块构建到里程碑发展，为研究者提供结构化指南和未来研究方向。

Comments project page: https://suyuz1.github.io/VLA-Survey-Anatomy/

Tracing the Roots: Leveraging Temporal Dynamics in Diffusion Trajectories for Origin Attribution

追溯根源：利用扩散轨迹的时间动态性进行起源归因

Andreas Floros, Seyed-Mohsen Moosavi-Dezfooli, Pier Luigi Dragotti

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

AI总结 本文提出利用扩散轨迹的时间动态性，解决图像起源归因问题，挑战现有成员推断方法，并提出统一的数据来源框架。

Non-Perturbative Trivializing Flows for Lattice Gauge Theories

非扰动的退化流用于格点规范理论

Mathis Gerdes, Pim de Haan, Roberto Bondesan, Miranda C. N. Cheng

机构 * Institute of Physics, University of Amsterdam（阿姆斯特丹大学物理研究所） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； Institute for Mathematics, Academia Sinica, Taiwan（台湾“中央研究院”数学研究所） ； Korteweg-de Vries Institute for Mathematics, University of Amsterdam（阿姆斯特丹大学柯尔特韦格-德维尔斯数学研究所） 纠错

AI总结 本文提出了一种适用于矩阵李群的连续归一化流架构，用于二维格点规范理论，展示了其在格点计算中的应用潜力。

Comments 7+7 pages, 5 figures, 4 tables; expanded published version, added 2 appendices with computational cost analysis and numerical evaluations (added 1 table and 2 figures)

Journal ref Phys. Rev. D 112, 094516 (2025)

4D Primitive-Mâché: Glueing Primitives for Persistent 4D Scene Reconstruction

4D 原始-马歇：粘合原始以实现持久的4D场景重建

Kirill Mazur, Marwan Taher, Andrew J. Davison

机构 * Dyson Robotics Lab, Imperial College London（戴森机器人实验室，帝国理工学院伦敦） 纠错

AI总结 本文提出一种4D场景重建方法，通过分解场景为刚体3D原始并推断其运动，实现持久的4D重建，优于现有方法。

Comments For project page, see https://makezur.github.io/4DPM/

Beyond Rate Coding: Surrogate Gradients Enable Spike Timing Learning in Spiking Neural Networks

超越速率编码：代理梯度使脉冲神经网络能够学习脉冲时间编码

Ziqiao Yu, Pengfei Sun, Danyal Akarca, Dan F. M. Goodman

机构 * Department of Electrical and Electronic Engineering（电子与电气工程系） ； Imperial College London（帝国理工学院） ； Imperial-X ； MRC Cognition and Brain Sciences Unit（英国医学研究理事会认知与脑科学单位） 纠错

AI总结 本研究通过代理梯度方法验证了脉冲神经网络在时间编码中的有效性，并发现延迟可显著提升性能。

Is GPT-OSS All You Need? Benchmarking Large Language Models for Financial Intelligence and the Surprising Efficiency Paradox

GPT-OSS真的足够吗？对大型语言模型进行金融智能评估及令人惊讶的效率悖论

Ziqian Bi, Danyang Zhang, Junhao Song, Chiung-Yi Tseng

机构 * Purdue University（普渡大学） ； Independent Researcher（独立研究者） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文评估了GPT-OSS在金融NLP任务中的表现，发现较小的模型在效率和性能上优于更大的竞争对手。

LCMem: A Universal Model for Robust Image Memorization Detection

LCMem: 一种通用的图像记忆检测模型

Mischa Dombrowski, Felix Nützel, Bernhard Kainz

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 LCMem通过两阶段训练策略，实现跨域隐私审计，提升记忆检测的可靠性和可扩展性。