A Unifying Perspective on Causal World Models: From Observations to Representations to Structure
因果世界模型的统一视角：从观测到表征再到结构
机构 * Imperial College London（帝国理工学院）
AI总结 本文从因果视角研究不同抽象层级的世界模型，提出因果世界模型的形式定义，关联相关领域工作并阐明其组件可从数据恢复的条件，为世界模型奠定支持因果推理与决策的基础。
高校专区
Imperial College London（帝国理工学院）
Operationalising Relative Causal Knowledge: Backbone Identifiability from Private Reports on a Shared Outcome
相对因果知识的可操作化：基于共享结果的私人报告的主干可识别性
机构 * Imperial College London（帝国理工学院） ； Fifty One Degrees Ltd（51度公司）
AI总结 本文研究相对因果知识的主干可识别性，针对双智能体共同效应案例，明确局部因果边际无法唯一确定主干，提出需智能体传递因果识别的响应函数方可实现识别，以教育增值示例说明其兼具通信与政策组合属性。
Comments Accepted at Causal Decision Making Workshop, UAI2026. 4 pages + Appendix (13 total)
Dynamic Context Adapters: Efficiently Infusing History into Vision-and-Language Models
动态上下文适配器：将历史信息高效注入视觉-语言模型
机构 * University of Liverpool（利物浦大学） ； National Tsinghua University（国立清华大学） ； Imperial College London（伦敦帝国学院） ； National Taiwan University（国立台湾大学）
AI总结 针对视觉-语言模型整合历史上下文时的计算与信息损失问题，提出动态上下文适配器（DCA），实现高效历史注入，降低注意力FLOPs超25%、内存13%，提升长时序任务性能。
MRIComp4Flow: Compression of 3D Brain MRI for Training Multi-Modal Generative Models
MRIComp4Flow：用于训练多模态生成模型的三维脑部MRI压缩
机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（帝国理工学院） ； Florida State University（佛罗里达州立大学） ； Institute for Advanced Study, TUM (TUM-IAS)（慕尼黑工业大学高等研究院） ； TUM University Hospital（慕尼黑工业大学医院）
AI总结 该研究针对大规模多模态MRI的存储与I/O问题，采用JPEG2000或JPEG-LS压缩三维脑肿瘤MRI，在20:1压缩率下训练Wavelet Flow Matching模型，证实其合成质量与未压缩数据训练的模型相当，为可扩展三维MRI生成建模提供了实用方案。
Comments Accepted: MICCAI 2026 SASHIMI workshop
SR-OPSD: Self-Referenced On-Policy Self-Distillation
SR-OPSD：自引用同策略自蒸馏
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Imperial College London（伦敦帝国学院） ； University of Science and Technology of China（中国科学技术大学） ； University College London（伦敦大学学院） ； Nanyang Technological University（南洋理工大学） ； Technical University of Denmark（丹麦技术大学） ； University of Copenhagen（哥本哈根大学） ； Peking University（北京大学）
AI总结 该研究针对同策略自蒸馏的优化不稳定问题，提出SR-OPSD方法，通过几何插值结合Rényi散度优化蒸馏目标，在多任务大语言模型实验中取得最优或竞争性能。
Robotic Fabric Alignment System for Sewing Using Global Local Weighted ICP
采用全局局部加权迭代最近点（GLW-ICP）的缝纫用机器人布料对位系统
机构 * The University of Hong Kong（香港大学） ； Imperial College London（帝国理工学院） ； Tohoku University（东北大学） ； Fukushima University（福岛大学） ； City University of Hong Kong（香港城市大学）
AI总结 该研究提出采用GLW-ICP方法的机器人布料对位系统，可实现布料全局边缘与局部缝纫线的精准对齐，在有无遮挡下均达毫米级精度，适用于自动缝纫场景。
Comments 16 pages, 10 figures, https://bhattner143.github.io/rfas-glwicp.github.io/
Journal ref IEEE Transactions on Automation Science and Engineering, vol. 23, pp. 13391-13406, July 2026
Depth-adaptive Inference of Looped Language Models via Continuous Depth Batching
基于连续深度批处理的循环语言模型深度自适应推理
机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； Imperial College London（帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Potsdam（波茨坦大学） ； Hasso Plattner Institute for Digital Engineering（哈索·普拉特纳数字工程研究所）
AI总结 本文针对循环语言模型深度自适应推理中标准批处理失效的问题，提出连续深度批处理（CDB）方案，在两个模型上实现了接近理论上限的加速比，显著提升了吞吐量并降低了延迟。
Control-Oriented Scenario Tree Construction through Reinforcement Learning
面向控制的场景树构建：强化学习方法
机构 * IDLab Ghent university – imec（IDLab 根特大学 – imec） ； Imperial College London（帝国理工学院）
AI总结 该研究针对多阶段随机MPC的场景树构建，提出基于强化学习的面向控制的方法，在电池套利问题上验证其收益、鲁棒性及尾部风险特性均优于传统方法。
Three Necessary Principles for Self-Supervised Visual Representation Learning
自监督视觉表征学习的三条必要原则
机构 * Imperial College London（帝国理工学院） ； CERTH, ITI（CERTH ITI）
AI总结 该研究提出自监督视觉表征学习的三条必要原则，通过理论证明与受控实验分析各原则的作用，表明主流自监督方法可纳入统一框架，且任意两个原则无法替代第三个。
Comments Accepted at the 19th European Conference on Computer Vision (ECCV 2026) Workshops
Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
Towards an Argumentative Foundation for Evaluative AI
面向评估型人工智能的论辩基础
机构 * Imperial College London（伦敦帝国学院） ； The University of Queensland（昆士兰大学） ； Cardiff University（卡迪夫大学） ； King’s College London（伦敦国王学院）
AI总结 该研究提出以计算论辩为基础，为具备可解释性和可争议性的评估型人工智能（EAI）提供正式可计算基础，推动构建分布式、以人类为中心的EAI系统。
Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models
大的、明亮的还是不可见的：3D CT基础模型的冻结特征基准测试
机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； UKE Hamburg（汉堡大学医院）
AI总结 本研究对10个冻结CT编码器开展基准测试，发现性能主要取决于异常的对比度与空间范围，小型低对比度病变仍是挑战，需区域或病变级预训练。
Robust Control under Stationary Ambiguity
平稳歧义下的鲁棒控制
机构 * Imperial College London（伦敦帝国学院） ； JPMorgan Chase & Co.（摩根大通公司） ； University of St. Gallen（圣加仑大学）
AI总结 本文针对模拟控制策略在真实系统中易因潜在因素变化丧失鲁棒性的问题，提出平稳歧义的建模原则，构建对应模拟器训练策略，在对冲任务中验证其能持续保持鲁棒性。
SurgNarrator: A Generative Retrieval Framework for Surgical Video Understanding
SurgNarrator：面向手术视频理解的生成式检索框架
机构 * University of Liverpool（利物浦大学） ； City University of Hong Kong（香港城市大学） ； University of Oxford（牛津大学） ； University of Strasbourg（斯特拉斯堡大学） ； IHU Strasbourg（斯特拉斯堡大学医院研究所） ； Imperial College London（帝国理工学院）
AI总结 SurgNarrator是专为手术视频理解设计的生成式检索框架，通过构建手术词汇表、适配Qwen3-VL-Embedding-8B并采用分层检索策略，在零样本设置下于12个基准上实现性能提升且延迟大幅降低。
Comments This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
Eliciting Intrinsic Hallucinations in LLMs via Semantically Equivalent Adversarial Attacks
通过语义等价对抗攻击引出大语言模型的内在幻觉
机构 * Imperial College London（帝国理工学院） ； Safe Intelligence（安全智能研究院）
AI总结 本文提出新框架，通过语义等价对抗攻击测试LLMs鲁棒性，发现先进模型易受语义保留扰动影响致忠实度大幅下降，凸显需开发鲁棒接地的LLM架构与训练目标。
Comments To be presented at COLM 2026
A Graph Signal Processing Perspective on Numerical Sequence Representations in LLM In-Context Learning
大语言模型上下文学习中数值序列表示的图信号处理视角
机构 * Cornell University（康奈尔大学） ； Goodfire AI（古德火人工智能公司） ； Imperial College London（伦敦帝国学院）
AI总结 本文从图信号处理视角研究LLM上下文学习中数值序列的表示，发现数值推理的内部特征随上下文长度和输入动态复杂性变化，且在不同模型家族间一致。
Forbidden Region Dynamic Active Constraints in Robot-Assisted Minimally Invasive Surgery
机器人辅助微创手术中的禁区动态主动约束
机构 * Imperial College London（帝国理工学院）
AI总结 本研究针对机器人辅助微创手术中禁区主动约束（FRAC）的动态组织变形等挑战，提出能量耗散型FRAC策略，经体外实验验证其鲁棒性、有效性及时间效率优于对比方法。
Comments 8 pages, 12 figures
Journal ref Volume: 10, Issue: 3, March 2025, Page(s): 2950 - 2957
Verifier-Guided Model Discovery for Physical Dynamical Systems with Pretrained Symbolic Transformers
基于预训练符号 Transformer 的物理动力系统验证器引导式模型发现
机构 * Imperial College London（伦敦帝国学院）
AI总结 该研究提出了一种验证器引导式（VG）工作流程，基于预训练符号 Transformer ODEFormer 实现物理动力系统的可解释预测，在范德波尔振荡器和涡旋脱落场景中展现出优于原方法的性能与泛化能力。
Comments 33 pages, 13 figures, 10 tables
Self-Organising Digital Circuits
自组织数字电路
机构 * IT University of Copenhagen（哥本哈根信息技术大学） ； Imperial College London（帝国理工学院） ； Google（谷歌公司）
AI总结 该研究受生物自组织特性启发，提出自组织数字电路，采用拓扑掩码Transformer结合神经细胞自动机范式，实现电路的自组装与故障容错，还具备跨电路规模的泛化能力。
Comments 9 pages, 10 figures
Evolving in the Agent Jungle via History-Informed Opponent Awareness
在智能体丛林中通过历史感知的对手意识进化
机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。
Cluster-Aware Over-the-Air Federated Learning with Energy-Harvesting Devices: From Global Training to Model Personalization
面向带能量收集设备的集群感知空中联邦学习：从全局训练到模型个性化
机构 * Bilkent University（比尔肯特大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； CentraleSupélec（中央理工学院） ； Imperial College London（帝国理工学院）
AI总结 本研究针对带能量收集设备的异质性数据分布场景，提出统一集群感知空中联邦学习框架，可分别实现全局训练的公平性优化与模型个性化，同时降低通信开销。
Comments 17 pages
Cognitive Demand Steering for Adaptive Meta-Reasoning in Large Language Models
大语言模型自适应元推理的认知需求引导
机构 * Thomson Reuters Foundational Research（汤森路透基础研究部） ； Imperial College London（帝国理工学院）
AI总结 该研究提出无需训练的元推理框架CDS，通过认知量表刻画需求，在三类大模型和六个基准上较直接调用、标准CoT分别提升21.9%、9%准确率，难数学编码任务增益显著。
Comments 21 pages, 3 figures
NISF++: Geometrically-grounded implicit representations of 3D+time cardiac function from 2D short- and long-axis MR views
NISF++：基于几何基础的、从2D短轴和长轴MR视图重建心脏3D+时间功能的隐式表示
机构 * Technical University Munich（慕尼黑工业大学） ； TUM University Hospital（慕尼黑工业大学附属医院） ； Aix-Marseille Université（艾克斯-马赛大学） ； Imperial College London（伦敦帝国学院）
AI总结 该研究提出NISF++架构，从2D短轴和长轴MR视图构建心脏3D+时间隐式表示，实现时空一致性与运动校正，在UK-Biobank120人队列中获良好分割与运动校正效果。
RadPRISM: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding
RadPRISM：用于概念解耦图像表示与视觉定位的模式分层放射学报告监督方法
机构 * Technical University of Munich (TUM)（慕尼黑工业大学（TUM）） ； TUM University Hospital（慕尼黑工业大学医院） ； Technical University of Munich, School of Medicine and Health（慕尼黑工业大学医学与健康学院） ； Klinikum rechts der Isar（右伊萨尔医院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Freie Universität Berlin（柏林自由大学） ； Humboldt Universität zu Berlin（柏林洪堡大学） ； Imperial College London（伦敦帝国理工学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； University Hospital Essen (AöR)（埃森大学医院（AöR）） ； Institute for Artificial Intelligence in Medicine (IKIM)（医学人工智能研究所（IKIM）） ； Institute of Interventional and Diagnostic Radiology and Neuroradiology（介入与诊断放射学及神经放射学研究所） ； National Center for Tumor Diseases West（西部肿瘤疾病国家中心）
AI总结 RadPRISM将放射学模式作为分层轴，通过专用视觉子空间对齐临床概念，提升零样本分类与视觉定位性能，实现可透明检查的概念解耦医学图像表示。
Reasoning in Real World Clinical Care: Why Large Language Models Are Not Yet Safe for Autonomous Clinical Decision Support
现实世界临床护理中的推理：为何大型语言模型（LLM）尚不适合自主临床决策支持
机构 * Atman Labs（阿特曼实验室） ； Oxford University Hospitals（牛津大学医院） ； University of Oxford（牛津大学） ； NIHR Oxford Biomedical Research Centre（英国国立卫生研究院牛津生物医学研究中心） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Massachusetts General Hospital（麻省总医院） ； Mass General Brigham（麻省总医院布里格姆医疗系统） ； Harvard Medical School（哈佛医学院） ； Barts Health NHS Trust（巴特保健国民保健信托基金会） ； the University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文指出，尽管LLM在医学考试和部分病例推理上表现出色，但因存在信息收集缺陷等问题，尚不适合用于无医生参与的自主临床分诊。
Comments 3 figures
A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports
基于28万份常规报告的肠镜报告驱动的视觉-语言基础模型
机构 * Digital Medical Research Center, School of Basic Medical Sciences, Fudan University（复旦大学基础医学院数字医学研究中心） ； Shanghai Collaborative Innovation Center of Endoscopy（上海内镜诊疗协同创新中心） ； 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） ； Alliance Manchester Business School, The University of Manchester（曼彻斯特大学联盟曼彻斯特商学院） ； Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 该研究开发了肠镜视觉-语言基础模型EndoCLIP，利用28万份常规肠镜记录恢复的图像-文本对训练，在多项任务中优于通用模型，良恶性分类性能接近专家，可实现临床目标的语言指定。
FinSMART: Financial Sentiment Analysis for Algorithmic Trading through Market-Aligned Reinforcement Learning
FinSMART：基于市场对齐强化学习的算法交易金融情感分析
机构 * Imperial College London（帝国理工学院）
AI总结 FinSMART是首个基于市场对齐强化学习的金融情感分析框架，通过市场感知数据过滤与非对称交易奖励优化情感信号，在交易回报等指标上较基线提升220%，可自适应市场动态。
Chem World: A Large-Scale Benchmark and Physics-Informed Framework for Trustworthy Chemical Property Prediction
Chem World：用于可信赖化学性质预测的大规模基准及物理信息框架
机构 * Cleer Science（克利尔科学公司） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Imperial College London（伦敦帝国学院） ； Tsinghua University（清华大学）
AI总结 本研究推出整合17类超80万分子样本的Chem World化学性质预测基准，并提出Mixture-PINN物理信息神经网络框架，经实验验证其可提升预测性能，为可信赖AI系统研发奠定基础。
PanDent: Toward Comprehensive Tooth-Level Structure-Language Consistency in Dental Radiology
PanDent：面向牙科放射学中全面的牙级结构-语言一致性
机构 * Faculty of Dentistry, The University of Hong Kong（香港大学牙医学院） ； Imperial College London（帝国理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系）
AI总结 本研究推出PanDent牙科OPG基准，经实验发现现有MLLM生成的牙科报告流畅但临床一致性差，在PanDent上微调可提升其结构-语言一致性，该基准可用于评估MLLM的牙级临床推理能力。
BayesAME: Bayesian Active Model Evaluation
BayesAME：贝叶斯主动模型评估
机构 * Imperial College London（帝国理工学院） ； Google DeepMind（谷歌DeepMind）
AI总结 BayesAME是一种序列贝叶斯框架，可自动确定核心集大小以高效评估大型生成模型，其性能优于现有方法，且证实非随机核心集选择及连续响应对数似然的优势。
