高校专区
用于跨城市形态的无缝行人级风速预测的修复U-Net
机构 * Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系） ； Department of Earth Science and Engineering, Applied Modelling and Computation Group, Imperial College London（伦敦帝国理工学院地球科学与工程系应用建模与计算组）
AI总结 研究针对行人级风速预测，开发两阶段U-Net框架。先由基线U-Net逐块预测，再用基于修复的U-Net改进，减少块边界不连续性，为跨城市形态的高分辨率行人级风速预测提供了高效灵活的替代模型。
熵正则化提高连续时间强化学习中的策略鲁棒性
机构 * University of Edinburgh（爱丁堡大学） ； J.P. Morgan AI Research（摩根大通人工智能研究） ； Imperial College London（伦敦帝国理工学院）
AI总结 研究连续时间强化学习中熵正则化的策略鲁棒性，建立相关理论保证，分析鲁棒集特性，实验验证其有效性。
拓扑数据分析和局部哈密顿量的归一化持久性问题的复杂性
机构 * Blackett Laboratory, Imperial College London（帝国理工学院伦敦分校黑克特实验室） ； Department of Computing, Imperial College London（帝国理工学院伦敦分校计算系） ； Yukawa Institute for Theoretical Physics & The Hakubi Center, Kyoto University（京都大学山梨研究所及 Hakubi 中心）
AI总结 研究归一化持久性问题，证明其变体是$\mathsf{DQC}_1$-难且含于$\mathsf{BQP}$，揭示与局部哈密顿量低能子空间谱量估计复杂性的联系，还介绍$\mathsf{SDQC}_1$刻画精确核归一化问题的硬度。
Comments 61 pages, 4 figures
MPINeuralODE：多初始条件物理信息神经ODE用于全局一致的动力系统学习
机构 * Department of Chemical Engineering, Imperial College London（帝国理工学院伦敦校区化学工程系）
AI总结 本文提出MPINeuralODE，结合软物理信息残差和多初始条件多步学习策略，有效提升动力系统学习的泛化能力与稳定性，实验显示其在样本外误差、长时域稳定性及哈密顿漂移方面表现优异。
预条件近似随机ADMM用于深度模型
机构 * School of Mathematics and Statistics, Beijing Jiaotong University, China（北京交通大学数学与统计学院，中国） ； ITP Lab, Department of EEE, Imperial College London, UK（帝国理工学院伦敦分校电子工程系ITP实验室，英国） ； National Mobile Communications Research Laboratory, Southeast University, China（东南大学国家移动通信研究实验室，中国）
AI总结 本文提出PISA算法，通过预条件技术解决分布式数据异质性问题，提升深度模型训练效率。
OpenSIR: 开放式自我改进推理器
机构 * University of Edinburgh（爱丁堡大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 提出OpenSIR框架，通过多样性奖励和难度校准实现开放式自我对弈，无需外部验证器或标注数据，在七个数学基准上平均提升指令模型3.6分、推理模型3.1分，且唯一能泛化到通用推理。
SAMoR: 任意骨架和拓扑结构的铰接物体运动建模
机构 * Imperial College London（伦敦帝国学院） ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 提出SAMoR，一种跨拓扑的运动表示方法，将运动片段编码为固定数量的部件令牌，实现任意骨架的精确重建和跨拓扑运动迁移。
Comments 20 pages, 5 figures
几何感知的R结构Kolmogorov-Arnold网络
机构 * Imperial College London（帝国理工学院）
AI总结 提出GRS-KAN混合架构，将R函数集成到KAN中，通过可微逻辑运算编码几何约束，在回归任务中相比标准KAN测试RMSE降低高达67%，并提升可解释性。
Comments 27 pages, 13 figures
带界内存门的稳定自调制量子快速权重编程器
机构 * National Taiwan University（国立台湾大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Seoul National University（首尔国立大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室） ； Imperial College London（伦敦帝国理工学院） ； Wells Fargo（沃尔士·法戈）
AI总结 提出带界旧态调制规则的自调制量子快速权重编程器，消除长序列发散并提升鲁棒性，在量子动力学预测和电信活动预测任务上验证了其有效性。
Comments 16 pages, 8 figures
具有学习相互作用的非局部平均场薛定谔桥
机构 * Department of Mathematics, Imperial College London（伦敦帝国学院数学系） ； Shanghai Frontiers Science Center of Artificial Intelligence and Deep Learning（上海前沿人工智能与深度学习科学中心） ； NYU-ECNU Institute of Mathematical Sciences, NYU Shanghai（纽约大学上海数学科学研究所）
AI总结 本文提出一种使用神经网络代理近似非局部相互作用的平均场薛定谔桥方法，将推理时的每步计算成本从二次降低到线性，并推导了代理误差传播的稳定性界限。
Comments 32 pages, 15 figures
对比语言-彩色点图预训练用于统一3D场景理解
机构 * Imperial College London（帝国理工学院伦敦分校）
AI总结 提出UniScene3D，一种基于Transformer的编码器，通过多视图彩色点图联合建模外观和几何，并引入跨视图几何对齐和接地视图对齐，在少样本和任务特定微调中达到SOTA。
Comments 19 Pages, ECCV 2026 Accepted
对比深度学习揭示组织病理学皮肤活检中的年龄生物标志物
机构 * University of Copenhagen, Section of Epidemiology, Department of Public Health（哥本哈根大学流行病学系，公共卫生系） ； Technical University of Denmark, Department of Applied Mathematics and Computer Science（丹麦技术大学应用数学与计算机科学系） ； Department of Pathology, Copenhagen University Hospital- Zealand University Hospital（哥本哈根大学医院- Zealand大学医院病理科） ； Department of Clinical Medicine, University of Copenhagen（哥本哈根大学临床医学系） ； Danmarks Statistik（丹麦统计局） ； Imperial College London（伦敦帝国理工学院）
AI总结 使用对比深度学习，仅凭皮肤活检图像即可确定个体年龄，并构建新的衰老生物标志物，预测死亡率和慢性年龄相关疾病患病率。
Comments 20 pages, 5 tables, 5 figures Under review: npj Digital Medicine
EquiSteer: 面向更公平的文本引导图像生成的交叉注意力引导
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Huawei Noah’s Ark（华为诺亚方舟实验室） ； King’s College London（伦敦国王学院） ； Imperial College London（帝国理工学院）
AI总结 提出EquiSteer，一种无需训练的方法，通过在推理时引导交叉注意力激活来减少文本到图像扩散模型中的性别偏见，平均减少高达87%的性别差异。
当上下文弥补稀疏事件历史：AlphaEarth用于时空点过程预测
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Université Mohammed VI Polytechnique（穆罕默德六世理工大学） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； Rhineland-Palatinate Technical University of Kaiserslautern-Landau (RPTU)（莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学）
AI总结 研究利用AlphaEarth嵌入作为空间上下文，在事件历史稀疏时提升时空点过程模型的跨区域预测性能，实验表明在短历史下预测误差降低2-6倍。
协同感知-推理治理：用可验证解剖证据为医学多模态大语言模型提供基础
机构 * Huazhong University of Science and Technology（华中科技大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院新加坡全球中心） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Anhui University（安徽大学）
AI总结 提出一种无需训练的证据注入框架，通过ROI引导的视觉激活调制和解剖坐标语义标记，协同校准视觉感知与文本推理，动态路由任务特定干预，有效减少医学MLLM的幻觉。
Comments Accepted by MICCAI 2026 (Early Accept, Top 9%)
基于扩散的共生信息交互的联合医学图像增强与分割
机构 * Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院） ； University of Science and Technology of China（中国科学技术大学） ； Imperial Global Singapore, Imperial College London（伦敦帝国学院新加坡分校）
AI总结 提出DiSIINet，利用扩散模型和共生信息交互模块，在统一框架中实现图像增强与分割的相互促进，在多模态医学图像上取得显著性能提升。
Comments Accepted by IJCAI 2026
NeuroCogMap揭示大语言模型的认知组织
机构 * The University of Hong Kong（香港大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； IGS, Imperial College London（伦敦帝国理工学院IGS）
AI总结 提出神经认知地图框架，将LLM内部特征组织为功能分区，揭示其与认知能力、行为失败及人类大脑皮层的对应关系。
Comments 79 pages, 6 main figures, 5 extended figures
可解释性感知的视锥攻击：揭示基于LiDAR的3D目标检测器中的结构脆弱性
机构 * Imperial College London（帝国理工学院伦敦分校）
AI总结 提出可解释性引导的对抗分析方法，通过SALL方法生成通用显著性图，并设计EFA攻击，仅扰动最关键的视锥区域，在KITTI和nuScenes上使检测召回率下降超15个百分点，同时减少25-50%的扰动视锥数。
Comments European Conference on Computer Vision (ECCV), September 2026
SemEval-2026任务9：多语言、多文化、多事件在线极化检测
机构 * Macquarie University（麦考瑞大学） ； University of Hamburg（汉堡大学） ； Zayed University（扎耶德大学） ； HKBK College of Engineering（HKBK工程学院） ； University of Turin（都灵大学） ； aequa-tech ； University of Pretoria（比勒陀利亚大学） ； Bielefeld University（比勒费尔德大学） ； Jagiellonian University（雅盖隆大学） ； Bahir Dar University（巴赫达尔大学） ； AIRI ； KFU（喀山联邦大学） ； HSE University（高等经济大学） ； Virginia Tech（弗吉尼亚理工大学） ； IIT Delhi（印度理工学院德里分校） ； ABV-IIITM（ABV-印度信息技术与管理学院） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Language Understanding Lab., Myanmar（缅甸语言理解实验室） ； AMD Silo AI ； Lahore University of Management Sciences（拉合尔管理科学大学） ； Maseno University（马塞诺大学） ； Centrum Wiskunde & Informatica（数学与计算机科学中心） ； Bayero University Kano（卡诺巴耶罗大学） ； Northeastern University（东北大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文介绍了SemEval-2026任务9，旨在检测在线极化，涵盖22种语言，包含超过11万标注实例。任务包含三个子任务，吸引全球1000多参与者和10000多提交，最终有67支队伍提交了系统描述论文。
冗长性权衡与规模对LLM自我解释忠实度的影响
机构 * Google DeepMind（谷歌DeepMind） ； Centre for AI, University College London（伦敦大学学院人工智能中心） ； Imperial College London（伦敦帝国学院） ； University College London（伦敦大学学院）
AI总结 本文分析13个模型家族共75个模型的反事实忠实度，提出phi-CCT和F-AUROC两个新指标，发现更大更强的模型在所有指标上更忠实。
Comments ICLR 2026 Workshop on Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities 67 pages, 13 figures
自然是否总是合适的？探讨TTS评估中不同领域的自然性与合适性
机构 * Iconic, United Kingdom（Iconic，英国） ； Technische Universität München, Germany（慕尼黑工业大学，德国） ； KTH Royal Institute of Technology, Sweden（瑞典皇家理工学院，瑞典） ； Imperial College London, United Kingdom（伦敦帝国理工学院，英国）
AI总结 研究五个SOTA TTS系统在五个领域的合适性与自然性，发现合适性随领域变化且独立于自然性，表明TTS性能未解决，需上下文感知评估。
Comments Accepted at Interspeech 26'
使用旋转视图EPI和高斯原型的联合场图/图像估计的畸变校正扩散MRI
机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, and the School of Computation, Information and Technology, TUM（慕尼黑工业大学(TUM)医疗与医学人工智能教席、TUM大学医院、计算信息与技术学院） ； Neuroimaging Technology Research Center, Department of Radiology and Biomedical Imaging, University of California, San Francisco（加州大学旧金山分校放射与生物医学影像系神经影像技术研究中心） ； Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences（中国科学院精密测量科学与技术创新研究院） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心(MCML)） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 提出一种物理信息框架，直接从k空间联合估计B0场和无畸变图像，避免中间并行成像重建，通过高斯原型的连续参数化表示图像和场，支持旋转视图EPI，在高b值和高加速下显著改善畸变校正质量。
基于知识接地LLM代理的自主容错控制教程
机构 * Autonomous Industrial Systems Laboratory, Imperial College London（帝国理工学院自主工业系统实验室） ； Institute of Automation Technology, Helmut Schmidt University（赫尔穆特·施密特大学自动化技术研究所）
AI总结 提出利用LLM代理作为约束监督规划器，通过外部验证器确保安全，辅助过程工厂故障恢复决策，并提供了可执行的Python环境。
利用知识图谱和大语言模型自动化因果规范生成
机构 * Autonomous Industrial Systems Lab, Imperial College London（帝国理工学院自主工业系统实验室）
AI总结 提出一种语义AI框架，结合知识图谱与约束大语言模型，自动生成因果逻辑和操作安全叙述，减少手动工作。
稳定且近可逆的图像编辑扩散ODE求解器
机构 * Department of Computing, Imperial College London, London, United Kingdom（帝国理工学院伦敦分校计算机系，伦敦，英国） ； Department of Mathematics, Imperial College London, London, United Kingdom（帝国理工学院伦敦分校数学系，伦敦，英国）
AI总结 本文提出近可逆Runge-Kutta方法以提升图像编辑的稳定性与精度，平衡可逆性与数值稳定性，保留背景保真优势。
Comments ICML 2026 Workshop on Structured Probabilistic Inference & Generative Modeling (SPIGM)
面向生成和逆问题的流匹配模型的物理约束微调
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Department of Computer Science, University of Kaiserslautern–Landau (RPTU)（凯泽斯劳滕-兰道大学计算机科学系） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
AI总结 提出一种微调流匹配生成模型以强制执行物理约束并解决科学系统逆问题的框架，通过微分后训练最小化偏微分方程弱形式残差，并联合优化可学习潜参数预测器，实现物理一致性与潜系数准确恢复。
SPFSplatV2: 基于稀疏视图的高效自监督无姿态3D高斯泼溅
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）
AI总结 提出SPFSplatV2，一种从稀疏多视图图像进行3D高斯泼溅的前馈框架，无需真实姿态，通过共享特征提取、掩码注意力机制和重投影损失实现高效姿态估计和新视图合成，在域内外均达到最先进性能。
SIGMA: 基于显著性引导的稀疏掩码攻击用于语音情感识别
机构 * GLAM, Department of Computing, Imperial College London（GLAM部门，计算学院，伦敦帝国理工学院） ； College of Computer Science and Electronic Engineering, Hunan University（计算机科学与电子工程学院，湖南大学） ； Shenzhen Research Institute, Hunan University（深圳研究院，湖南大学） ； CHI – Chair of Health Informatics, Technical University of Munich（健康信息学主席，慕尼黑技术大学） ； relAI – the Konrad Zuse School of Excellence in Reliable AI, Germany（可靠人工智能卓越学校，德国） ； MDSI – Munich Data Science Institute, Germany（慕尼黑数据科学研究所，德国） ； MCML – Munich Center for Machine Learning, Germany（慕尼黑机器学习中心，德国）
AI总结 提出SIGMA方法，利用自监督语音特征上的可解释AI生成显著性图，引导稀疏掩码攻击，在IEMOCAP和TESS数据集上实现攻击效果与解释一致性的平衡。
Comments Under review
FIL假说：归纳偏置有助于核工程
机构 * NLP Department, MBZUAI（自然语言处理部门，MBZUAI） ； Ubiquitous Knowledge Processing, TU Darmstadt（普遍知识处理，图腾斯达特大学） ； Department of Computing, Imperial College London（计算部门，伦敦帝国理工学院）
AI总结 提出反馈信息循环（FIL）假说，认为未来AI应用将面临长反馈循环的缩放极限，并引入基于归纳偏置的方法，在GPU编程任务中验证其优于纯数据驱动方法。
Comments 10 pages main, 17 pages abstract, pre-print
B3O：可扩展的玻尔兹曼批量贝叶斯优化
机构 * Imperial College London（帝国理工学院伦敦分校） ； Secondmind
AI总结 提出B3O框架，将批量生成重构为从采集函数定义的玻尔兹曼分布中直接采样，理论证明其额外遗憾可忽略，实验表明在合成基准和复杂应用任务中优于现有方法。
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