University of Cambridge（剑桥大学）

Towards Spatial Transcriptomics-driven Pathology Foundation Models

迈向基于空间转录组的病理基础模型

Konstantin Hemker, Andrew H. Song, Cristina Almagro-Pérez, Guillaume Jaume, Sophia J. Wagner, Anurag Vaidya, Nikola Simidjievski, Mateja Jamnik, Faisal Mahmood

机构 * Department of Pathology, Mass General Brigham, Harvard Medical School, Boston, MA, USA（病理学系，马萨诸塞州总医院与哈佛医学院，波士顿，马萨诸塞州，美国） ； Department of Computer Science & Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Cancer Program, Broad Institute of Harvard and MIT, Cambridge, MA, USA（癌症计划，哈佛与麻省理工联合学院，剑桥，马萨诸塞州，美国） ； Data Science Program, Dana-Farber Cancer Institute, Boston, MA, USA（数据科学计划，达纳-法伯癌症研究所，波士顿，马萨诸塞州，美国） ； Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology, Cambridge, MA, USA（哈佛-麻省理工健康科学与技术 division，麻省理工学院，剑桥，马萨诸塞州，美国） ； Télécom Paris, Institut Polytechnique de Paris, Paris, France（巴黎电信学院，巴黎理工学院，巴黎，法国） ； Harvard Data Science Initiative, Harvard University, Cambridge, MA, USA（哈佛大学数据科学倡议，哈佛大学，剑桥，马萨诸塞州，美国） 纠错

AI总结 SEAL通过整合局部分子信息提升病理基础模型性能，实现跨模态应用与领域泛化。

Data-driven Bi-level Optimization of Thermal Power Systems with embedded Artificial Neural Networks

数据驱动的热力系统双层优化与嵌入式人工神经网络

Talha Ansar, Muhammad Mujtaba Abbas, Ramit Debnath, Vivek Dua, Waqar Muhammad Ashraf

机构 * Department of Mechanical Engineering, University of Engineering and Technology Lahore（拉合尔工程与技术大学机械工程系） ； University of Engineering and Technology Lahore（拉合尔工程与技术大学） ； Collective Intelligence & Design Group, University of Cambridge（剑桥大学集体智能与设计组） ； The Sargent Centre for Process Systems Engineering, Department of Chemical Engineering, University College London（伦敦大学学院化工系统工程中心） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出基于人工神经网络和KKT条件的双层优化框架，用于高效优化工业热力系统，实现大规模工程系统的节能运行。

Self-Improving World Modelling with Latent Actions

具有潜在动作的自我改进世界建模

Yifu Qiu, Zheng Zhao, Waylon Li, Yftah Ziser, Anna Korhonen, Shay B. Cohen, Edoardo M. Ponti

机构 * University of Edinburgh（爱丁堡大学） ； Nvidia Research（Nvidia研究） ； University of Groningen（格罗宁根大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 SWIRL通过将动作视为潜在变量，结合前向世界建模和逆动态建模，实现了对LLM和VLM的自我改进世界建模，在多个基准测试中取得了显著提升。

Multi-scale Autoregressive Models are Laplacian, Discrete, and Latent Diffusion Models in Disguise

多尺度自回归模型实际上是拉普拉斯、离散和潜在扩散模型的伪装

Steve Hong, Samuel Belkadi

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文将多尺度自回归模型重新诠释为拉普拉斯、离散和潜在扩散模型，通过分析其设计选择揭示其效率与质量的权衡，并展示其在不同任务中的应用。

Better Hessians Matter: Studying the Impact of Curvature Approximations in Influence Functions

更好的Hessian矩阵至关重要：研究曲率近似在影响函数中的影响

Steve Hong, Runa Eschenhagen, Bruno Mlodozeniec, Richard Turner

机构 * University of Cambridge（剑桥大学） ； Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文研究了Hessian近似质量对影响函数归因的影响，发现更精确的Hessian近似能提升归因性能，且K-FAC与GGN的特征值不匹配是主要误差来源。

RAVENEA: A Benchmark for Multimodal Retrieval-Augmented Visual Culture Understanding

RAVENEA：多模态检索增强视觉文化理解的基准

Jiaang Li, Yifei Yuan, Wenyan Li, Mohammad Aliannejadi, Daniel Hershcovich, Anders Søgaard, Ivan Vulić, Wenxuan Zhang, Paul Pu Liang, Yang Deng, Serge Belongie

机构 * University of Copenhagen（哥本哈根大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Cambridge（剑桥大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Singapore Management University（新加坡管理大学） 纠错

AI总结 RAVENEA通过多模态检索增强方法提升视觉文化理解，验证了文化注释对多模态检索和下游任务的增强效果，并揭示了不同国家间性能差异。

Comments ICLR 2026; Project page: https://jiaangli.github.io/ravenea/

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation

累积效用公平性：在间歇性客户端参与下的联邦学习公平性

Stefan Behfar, Richard Mortier

机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，剑桥，英国） 纠错

AI总结 本文提出累积效用公平性，通过评估客户端长期收益来提升联邦学习中的公平性，实验显示其在保持性能的同时改善了长期表示公平性。