Imperial College London（帝国理工学院）

Mask-Morph Graph U-Net: A Generalisable Mesh-Based Surrogate for Crashworthiness Field Prediction under Large Geometric Variation

Mask-Morph Graph U-Net：一种通用的基于网格的替代模型，用于在大几何变化下预测碰撞worthiness领域

Haoran Li, Tobias Lehrer, Yingxue Zhao, Haosu Zhou, Philipp Stocker, Tobias Pfaff, Marcus Wagner, Nan Li

机构 * Dyson School of Design Engineering, Imperial College London（帝国理工学院伦敦设计工程学院） ； TUM School of Engineering and Design, Technical University of Munich（慕尼黑技术大学工程与设计学院） ； Faculty of Mechanical Engineering, OTH Regensburg（雷根斯堡机械工程学院） ； NVIDIA（NVIDIA公司） 纠错

AI总结 本文提出Mask-Morph Graph U-Net，通过特征对齐的重心参数化和节点掩码预训练，提升网格模拟的通用性和数据效率，适用于碰撞worthiness设计探索。

Comments 48 pages, 15 figures, jounral paper under review

Robust Convex Model Predictive Control with collision avoidance guarantees for robot manipulators

具有碰撞避免保证的机器人操作器鲁棒凸模型预测控制

Bernhard Wullt, Johannes Köhler, Per Mattsson, Mikeal Norrlöf, Thomas B. Schön

机构 * ABB robotics（ABB机器人公司） ； Department of Mechanical Engineering, Imperial College London（帝国理工学院机械工程系） ； Department of Information Technology, Uppsala University（乌普萨拉大学信息科技系） 纠错

AI总结 提出一种结合鲁棒管MPC与走廊规划算法的凸MPC方案，在模型不确定下实现工业机器人快速无碰撞运动，优于基准方法。

A graph neural network surrogate model for mesh-based crashworthiness prediction of vehicle panel components

基于图神经网络的网格级车辆面板部件耐撞性预测代理模型

Haoran Li, Yingxue Zhao, Haosu Zhou, Tobias Pfaff, Nan Li

机构 * Dyson School of Design Engineering, Imperial College London（迪森设计工程学院，帝国理工学院伦敦分校） ； NVIDIA 纠错

AI总结 提出递归图U-Net (ReGUNet) 代理模型，通过图表示有限元网格，结合层次架构和递归机制，高效准确预测车辆B柱等面板部件的动态变形和耐撞性指标。

Comments Accepted manuscript version. Final published version available in Results in Engineering via DOI: 10.1016/j.rineng.2026.110925

Journal ref Results in Engineering 30 (2026) 110925

Optimal scenario design for climate emulation

气候模拟的最优情景设计

Christopher B. Womack, Shahine Bouabid, Andrei Sokolov, Popat Salunke, Glenn Flierl, Sebastian D. Eastham, Noelle E. Selin

机构 * Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与航天系，麻省理工学院） ； Center for Sustainability Science and Strategy, Massachusetts Institute of Technology（可持续科学与战略中心，麻省理工学院） ； Department of Earth, Atmospheric, and Planetary Sciences, Massachusetts Institute of Technology（地球、大气与行星科学系，麻省理工学院） ； Brahmal Vasudevan Institute for Sustainable Aviation, Department of Aeronautics, Imperial College London（可持续航空研究所，帝国理工学院伦敦校区） ； Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） 纠错

AI总结 针对气候模拟器泛化能力受限的问题，提出通过可微简单气候模型优化训练数据情景，使小数据集训练的模拟器性能优于标准情景集。

Acceleration of an algebraic multigrid pressure solver using graph neural networks

使用图神经网络加速代数多重网格压力求解器

Eric Chillón, Artur K. Lidtke, Nguyen Anh Khoa Doan, Bernat Font

机构 * Faculty of Mechanical Engineering, Delft University of Technology, The Netherlands（荷兰代尔夫特理工大学机械工程学院） ； Maritime Research Institute Netherlands, The Netherlands（荷兰海事研究院） ； Department of Aeronautics, Imperial College London, United Kingdom（英国伦敦帝国理工学院航空系） 纠错

AI总结 提出一种基于图卷积同构网络的代数多重网格平滑器，通过预测最优多项式系数构造稀疏伪逆算子，减少V-cycle迭代次数，在非结构化网格上实现4%-37%的加速，并泛化至训练时未见的大规模网格。

Comments 23 pages, 11 figures

A finite-element-inspired bipartite graph learned simulator for manufacturability assessment in large-deformation sheet forming

基于交叉注意力的二分图神经网络用于大变形板材成形中节点和单元场的耦合预测

Yingxue Zhao, Haoran Li, Haosu Zhou, Tobias Pfaff, Nan Li

机构 * Dyson School of Design Engineering（设计工程学院） ； Imperial College London（帝国理工学院伦敦分校） ； NVIDIA（NVIDIA公司） 纠错

AI总结 提出交叉注意力二分图神经网络（CAtt-BiGNN），通过节点-单元二分图结构和边感知交叉注意力机制，实现大变形板材成形中节点位移增量和单元减薄量的耦合预测。

IsabeLLM: Automated Theorem Proving Applied to Formally Verifying Consensus

IsabeLLM: 自动化定理证明应用于共识的形式化验证

Elliot Jones, William Knottenbelt

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

AI总结 本文改进IsabeLLM自动化定理证明工具，通过检索增强生成、错误追踪和反例生成提升大语言模型上下文，并兼容最新Isabelle和Sledgehammer，用于验证比特币工作量证明共识。

SegDINO: Introducing Multi-Scale Structure into DINO for Efficient Medical Image Segmentation

SegDINO: 将多尺度结构引入DINO以实现高效医学图像分割

Sicheng Yang, Hongqiu Wang, Zhaohu Xing, Sixiang Chen, Qiuxia Yang, Yize Mao, Guang Yang, Lei Zhu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University Cancer Center（中山大学肿瘤防治中心） ； Imperial College London（帝国理工学院） 纠错

AI总结 提出SegDINO框架，通过令牌金字塔适应和尺度感知解码将多尺度结构引入DINO，在保持高效的同时实现医学图像分割的最优性能。

Comments Code: https://github.com/script-Yang/segdino_v2

PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space

PearlVLA：潜在空间中的渐进式具身动作计划精炼

Bochen Yang, Lianlei Shan

机构 * Imperial College London（帝国理工学院） ； Tsinghua University（清华大学） 纠错

AI总结 提出PearlVLA框架，通过在VLM潜在空间中进行迭代计划精炼，平衡动作生成效率与显式推理，在LIBERO基准上达到最先进性能。

Comments 21 pages, 2 figures. Preprint

QueryMarket: Cost-Aware Online Active Learning in Data Markets

QueryMarket: 数据市场中成本感知的在线主动学习

Xiwen Huang, Pierre Pinson

机构 * Dyson School of Design Engineering, Imperial College London（帝国理工学院戴森设计工程学院） ； Halfspace (part of Accenture)（埃森哲旗下Halfspace） ； Technical University of Denmark (DTU Management)（丹麦技术大学（DTU管理系）） ； Aarhus University (CoRE)（奥胡斯大学（CoRE）） 纠错

AI总结 提出QueryMarket框架和OVBAL算法，通过D-最优性准则估计边际效用，在滚动预算约束下实现成本感知的在线主动学习，适应非平稳流和异构标签成本。

Comments 10 pages, 8 figures. Submitted to IEEE Transactions on Neural Networks and Learning Systems

Leveraging Local and Global Knowledge Integration with Time-Frequency Calibrated Distillation for Speech Enhancement

利用局部和全局知识整合与时间频率校准蒸馏进行语音增强

Jiaming Cheng, Ruiyu Liang, Ye Ni, Chao Xu, Jing Li, Wei Zhou, Rui Liu, Björn W. Schuller, Xiaoshuai Hao

机构 * School of Computer Science, Nanjing Audit University（南京审计大学计算机科学学院） ； School of Communication Engineering, Nanjing Institute of Technology（南京工程技术学院通信工程学院） ； School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院） ； Cardiff University（卡迪夫大学） ； Inner Mongolia University（内蒙古大学） ； CHI – the Chair of Health Informatics, TUM University Hospital（健康信息学系，技术大学医院） ； GLAM – the Group on Language, Audio, & Music, Imperial College London（语言、音频与音乐组，伦敦帝国理工学院） ； Xiaomi EV（小米电动车） 纠错

AI总结 本文提出了一种融合框架，通过时间频率校准知识蒸馏提升语音增强性能，结合局部信息聚焦与全局知识流通，改进了低复杂度学生模型的表现。

Comments submitted to IEEE Transactions on Cognitive and Developmental Systems

DVD: Discrete Voxel Diffusion for 3D Generation and Editing

DVD: 用于3D生成和编辑的离散体素扩散

Zhengrui Xiang, Jiaqi Wu, Fupeng Sun, Heliang Zheng, Yingzhen Li

机构 * Imperial College London（伦敦帝国学院） ； Math Magic ； Hitem3D 纠错

AI总结 提出离散体素扩散框架（DVD），通过将体素占用视为离散变量，实现稀疏体素的生成、不确定性估计和编辑，避免连续到离散的阈值处理，并提供可解释的生成动态。

Jacobian Scopes: token-level causal attributions in LLMs

Jacobian Scopes: LLM中的令牌级因果归因

Toni J. B. Liu, Baran Zadeoğlu, Nicolas Boullé, Raphaël Sarfati, Gurbir Arora, Christopher J. Earls

机构 * Cornell University（康奈尔大学） ； Imperial College London（伦敦帝国理工学院） ； Goodfire AI 纠错

AI总结 提出Jacobian Scopes，一种基于梯度的令牌级因果归因方法，用于解释LLM预测，揭示政治偏见、翻译策略和上下文学习机制。

Comments 25 pages, 16 figures

Adversarial Attacks Leverage Interference Between Features in Superposition

对抗攻击利用特征叠加中的干扰

Edward Stevinson, Lucas Prieto, Melih Barsbey, Tolga Birdal

机构 * Department of Computer Science, Imperial College London, London, United Kingdom（帝国理工学院伦敦校区计算机科学系） 纠错

AI总结 本文揭示神经网络中特征叠加导致的干扰是对抗脆弱性的根源，通过理论推导和实验验证了干扰模式决定攻击成功与迁移性。

Comments Forty-third International Conference on Machine Learning

Vision-Language Models as Zero-Annotation Oracles in Histopathology

视觉-语言模型作为组织病理学中的零标注预言机

Vishal Jain, Giorgio Buzzanca, Sarah Cechnicka, Maarten Naesens, Priyanka Koshy, Tri Nguyen, Jesper Kers, Candice Roufosse, Bernhard Kainz

机构 * Imperial College London（帝国理工学院） ； Leiden University Medical Center（莱顿大学医学中心） ； KU Leuven（鲁汶大学） ； University Hospitals Leuven（鲁汶大学医院） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） 纠错

AI总结 提出一种粗到细方法，利用通用视觉-语言模型作为零标注预言机进行前景分割，在特殊染色上优于监督基线，并通过伪标签蒸馏轻量学生模型。

Comments 11 pages, 1 figure, 6 tables. Code available at https://github.com/VishalJ99/vlm-wsi-auto-context

HATS: A Human-Agent Teleoperation System for Multi-Arm Data Collection

HATS：用于多臂数据收集的人-智能体遥操作系统

Zesen Lin, Jian-Jian Jiang, Haoming Cen, Xiao-Ming Wu, Dandan Zhang, Wei-Shi Zheng

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Nanyang Technological University（南洋理工大学） ； Imperial College London（帝国理工学院） 纠错

AI总结 提出HATS系统，由单操作员借助MLLM智能体控制两主臂和两辅助臂，实现高效多臂数据收集，性能媲美双人专家团队。

Unified Multimodal Model for Brain MRI Imputation and Understanding

统一多模态模型用于脑MRI补全与理解

Zhiyun Song, Che Liu, Tian Xia, Avinash Kori, Wenjia Bai

机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算机系） ； Department of Brain Sciences, Imperial College London（伦敦帝国理工学院脑科学系） 纠错

AI总结 提出UniBrain模型，通过统一训练策略联合处理脑MRI模态补全与图像理解，采用自对齐和动态隐藏状态机制，在多疾病数据集上实现高性能。

Comments Early accepted to MICCAI 2026

Generative Modeling on Metric Graphs via Neural Optimal Transport

基于神经最优传输的度量图生成建模

Alessandro Micheli, Yueqi Cao, Anthea Monod, Samir Bhatt

机构 * Imperial College London（帝国理工学院伦敦分校） ； KTH Royal Institute of Technology（皇家理工学院） ； Statens Serum Institut（丹麦国家血清研究所） ； University of Copenhagen（哥本哈根大学） 纠错

AI总结 提出首个深度生成建模框架，用于度量图上连续分布，通过图嵌入、神经半对偶求解熵Kantorovich问题并投影回原图，理论证明收敛性，实验优于离散图OT基线。

XAI-Grounded Explanation Generation for Speech Deepfake Detection with Training-Free Multimodal Large Language Models

基于XAI的语音深度伪造检测解释生成：使用免训练多模态大语言模型

Yupei Li, Qiyang Sun, Xiaoliang Wu, Chenxi Wang, Berrak Sisman, Björn W. Schuller

机构 * Imperial College London（帝国理工学院） ； Technical University of Munich（慕尼黑工业大学） ； University of Southampton（南安普顿大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 针对语音深度伪造检测缺乏可解释性的问题，提出一种免训练框架，融合XAI证据与多模态大语言模型，生成基于证据的特定解释，在PartialSpoof数据集上内部准确率提升超45%。

Comments Accepted at Interspeech 2026

SciOrch: Learning to Orchestrate Expert LLMs for Solving Frontier Multimodal Scientific Reasoning Tasks

SciOrch: 学习编排专家大语言模型以解决前沿多模态科学推理任务

Jingru Guo, Xiangyuan Xue, Lian Zhang, Wanghan Xu, Siki Chen, Philip Torr, Wanli Ouyang, Lei Bai, Zhenfei Yin

机构 * Imperial College London（伦敦帝国学院） ； The Chinese University of Hong Kong（香港中文大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 提出SciOrch框架，训练轻量级8B模型编排多个前沿大语言模型，通过MCTS和GRPO优化，在科学推理任务上超越最强单模型和多智能体基线。

Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation

Metis: 一种用于自动驾驶和城市导航的通用高效世界-动作模型

Jingyu Li, Zhe Liu, Dongnan Hu, Junjie Wu, Zipei Ma, Wenxiao Wu, Chao Han, Zhihui Hao, Zhikang Liu, Kun Zhan, Jiankang Deng, Xiatian Zhu, Li Zhang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； The University of Hong Kong（香港大学） ； Tongji University（同济大学） ； Li Auto Inc.（理想汽车） ； Huazhong University of Science and Technology（华中科技大学） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

AI总结 提出Metis框架，通过解耦视频生成与动作预测，采用混合专家架构和不对称注意力掩码，实现高效推理与泛化，在多个导航基准上取得最优性能。

MambAdapter: Lightweight Mamba-Based Adapters for Parameter-Efficient Transfer Learning in Speech and Audio

MambAdapter：基于轻量级Mamba适配器的语音和音频参数高效迁移学习

Salman Hussain Ali, Umberto Cappellazzo, Mirco Ravanelli

机构 * Université de Montréal（蒙特利尔大学） ； Imperial College London（伦敦帝国理工学院） ； Concordia University（康科迪亚大学） ； Mila – Quebec AI Institute（魁北克AI研究院） 纠错

AI总结 提出MambAdapter方法，将Mamba状态空间模型集成到低秩瓶颈适配器中，通过参数共享和轻量级Mamba模块实现音频特征的高效建模，在四个音频分类和五个语音识别任务上匹配或超越现有PETL方法。

Comments Accepted to Interspeech 2026. Code available at: https://github.com/salman-ha/MambAdapter

Poster: EdgeCitadel -- Hybrid NATS-MQTT Orchestration for Edge Multi-Agent Systems

海报：EdgeCitadel——面向边缘多智能体系统的混合NATS-MQTT编排

Zhonghao Zhan, Yefan Zhang, Hamed Haddadi

机构 * Imperial College London（帝国理工学院伦敦分校） ； Independent Researcher（独立研究员） 纠错

AI总结 针对边缘AI智能体协调依赖云传输或中央中继的问题，提出基于NATS 2.10服务器与内置MQTT适配器的混合编排平台EdgeCitadel，实现异构智能体连接、持久化存储、直接委托和被动聚合，并在ARM64、x64和Android设备上验证。

Overcoming Rank Collapse in Feedback Alignment

克服反馈对齐中的秩坍缩

Gauthier Boeshertz, Razvan Pascanu, Claudia Clopath

机构 * Imperial College London（伦敦帝国理工学院） ； Mila（Mila研究所） 纠错

AI总结 研究发现反馈对齐（FA）在深层网络中因误差信号秩低而失效，提出通过Muon优化器和隐藏活动归一化提升信号维度，在CIFAR100上ResNet-18准确率提升9个百分点。

Comments 9 pages and 4 figures, 1 table for main text. Total of 21 pages and 13 figures with appendix

Wasserstein Equilibrium Decoding for Reliable Medical Visual Question Answering

Wasserstein均衡解码用于可靠的医疗视觉问答

Luca Hagen, Johanna P. Müller, Weitong Zhang, Mengyun Qiao, Bernhard Kainz

机构 * Friedrich-Alexander University Erlangen-Nürnberg（弗里德里希-亚历山大厄林根-纽伦堡大学） ； Imperial College London（伦敦帝国理工学院） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出了一种基于Wasserstein距离的均衡解码方法，用于改进医疗视觉问答系统，通过语义感知的停止准则提高解码效率和准确性，同时在VQA-RAD和PathVQA数据集上实现了显著的性能提升。

Virtual Speech Therapist: A Clinician-in-the-Loop AI Speech Therapy Agent for Personalized and Supervised Therapy

虚拟言语治疗师：一种临床医生参与的AI言语治疗代理，用于个性化和监督式治疗

Shakeel Sheikh, Patrick Marmaroli, MD Sahidullah, Slim Ouni, Fabrice Hirsch, Goncalo Leal, Bjorn W Schuller

机构 * The Kashmir Hub for Artficial Intelligence（喀布尔人工智能中心） ； Microsoft / Vocametrix（微软 / Vocametrix） ； IAI, TCG CREST（IAI，TCG CREST） ； Université de Lorraine, CNRS, Inria, LORIA（洛林大学，CNRS，Inria，LORIA） ； Laboratoire Praxiling, UMR5267, CNRS et Université Paul-Valéry Montpellier 3（Praxiling实验室，UMR5267，CNRS及蒙彼利埃Paul-Valéry大学） ； Speechcare iStutter, Portuguese Catholic University（Speechcare iStutter，葡萄牙天主教大学） ； CHI – Chair of Health Informatics, TUM University Hospital（健康信息学系，TUM大学医院） ； GLAM – Group on Language, Audio, & Music, Imperial College London（语言、音频与音乐小组，伦敦帝国理工学院） 纠错

AI总结 提出虚拟言语治疗师（VST）平台，集成深度学习口吃分类与多智能体大语言模型推理，自动生成个性化治疗方案，并通过临床医生反馈优化，实验证明其高质量推荐。

Comments Under Review

Sustainable Materials Discovery in the Era of Artificial Intelligence

人工智能时代的可持续材料发现

Sajid Mannan, Rupert J. Myers, Rohit Batra, Rocio Mercado, Lothar Wondraczek, N. M. Anoop Krishnan

机构 * Department of Civil and Environmental Engineering, Indian Institute of Technology Delhi（印度理工学院德里分校土木与环境工程系） ； Department of Civil and Environmental Engineering, Imperial College London（帝国理工学院伦敦分校土木与环境工程系） ； Department of Metallurgical and Materials Engineering, Indian Institute of Technology Madras（印度理工学院马德拉斯分校冶金与材料工程系） ； Department of Computer Science and Engineering, Chalmers University of Technology & University of Gothenburg（查尔姆斯理工大学与哥德堡大学计算机科学与工程系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里分校亚里学校人工智能系） 纠错

AI总结 本文提出ML-LCA框架，将上游机器学习材料发现与下游生命周期评估整合，通过信息提取、统一数据库、多尺度建模、制造路径预测和不确定性优化，实现性能与可持续性协同优化。

VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery

VCDF：一种验证性共识驱动的时间序列因果发现框架

Gene Yu, Ce Guo, Wayne Luk

机构 * Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系） 纠错

AI总结 本文提出VCDF框架，通过评估时间序列阻断子集的因果关系稳定性，提升因果发现的鲁棒性，实验显示其在VAR-LiNGAM等方法上显著提高了F1分数，尤其在长序列中效果更佳。

Comments This paper has been accepted to PAKDD 2026. Please cite the proceedings version when available

Journal ref LNCS vol. 16599, pp. 29-41, Springer, 2026

Efficient Reinforcement Learning by Guiding World Models with Non-Curated Data

通过非策划数据引导世界模型的高效强化学习

Yi Zhao, Aidan Scannell, Wenshuai Zhao, Yuxin Hou, Tianyu Cui, Le Chen, Dieter Büchler, Arno Solin, Juho Kannala, Joni Pajarinen

机构 * Aalto University（阿alto大学） ； University of Edinburgh（爱丁堡大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Deep Render ； Imperial College London（伦敦帝国理工学院） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； CIFAR AI Chair（CIFAR人工智能主席） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所（Amii）） ； University of Oulu（奥卢大学） 纠错

AI总结 提出利用无奖励、混合质量、多本体的非策划离线数据，通过经验回放和执行引导技术解决分布偏移问题，显著提升在线强化学习的样本效率。

When Language Representations Interact: Separability and Cross-Lingual Effects in LLMs

当语言表示交互时：LLM中的可分离性与跨语言效应

Boris Marinov, Angira Sharma, Christian Schroeder de Witt, Philip Torr, Anisoara Calinescu, Jialin Yu

机构 * University of Oxford（牛津大学） ； Imperial College London（帝国理工学院） ； University of York（约克大学） 纠错

AI总结 通过因果几何分析，研究多语言LLM中语言表示的线性可分离性及跨语言结构依赖，发现语言概念在协方差调整内积下可分离，同语系语言呈现单纯形几何结构。

Comments Trustworthy AI for Good (AI4Good) Workshop @ ICML 2026