高校专区
金融新闻NLP中的时间泄露：针对特定 regime 并购信号的多架构审计
机构 * Predictive Labs Ltd（Predictive实验室有限公司） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院）
AI总结 该研究针对金融新闻NLP的时间泄露问题，在多模型架构上审计了其影响，发现并购信号具有时间局限性，主张将泄露审计作为金融NLP基准的必备披露项。
跨语音与面部的情感：多模态基础模型中的共享情感机制
机构 * Center for Language and Speech Processing (CLSP), Johns Hopkins University（约翰霍普金斯大学语言与语音处理中心） ； Group on Language, Audio & Music (GLAM), Imperial College London（伦敦帝国理工学院语言、音频与音乐组）
AI总结 该研究在Gemma-4-12B-it等3款多模态基础模型中识别出情感敏感神经元，发现语音与面部情感识别的表征在解码器级部分汇聚，且存在双向因果迁移，为跨模态情感机制提供了新分析。
Comments 9 pages, 4 figures
神经符号具身智能体
机构 * Imperial College London（帝国理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； City, University of London（伦敦城市大学）
AI总结 该研究提出一种神经符号具身智能体，将长周期家庭任务分解为视觉探索与符号规划，在VirtualHome、ALFWorld基准测试中表现优异，约束与搜索结合可大幅提升任务解决率，且无需专门训练。
解释何时能帮助上下文学习？自然语言解释类型与忠实度的比较研究
机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（伦敦帝国学院） ； Technical University of Munich（慕尼黑工业大学） ； MaiNLP lab, CIS, LMU Munich（慕尼黑大学CIS研究所MaiNLP实验室）
AI总结 该研究通过在6个基准和4个指令调优模型上的比较评估，探究不同来源与选择方式的自然语言解释对上下文学习下游性能的影响，为实际提示流程中解释的选择和报告提供了见解。
低资源语言下的大语言模型安全对齐：系统文献综述
机构 * African Institute for Mathematical Sciences (AIMS)（非洲数学科学研究所） ； Bayero University Kano（卡诺贝罗大学） ； Brown University（布朗大学） ； Centrum Wiskunde & Informatica（数学与计算机科学中心） ； University of Pretoria（比勒陀利亚大学） ； University of Hamburg（汉堡大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文通过PRISMA 2020方法学开展系统文献综述，分析50项相关研究，揭示低资源语言下LLM存在多语言安全差距，提出安全对齐分类，并给出未来研究方向。
Comments The paper was accepted at LM4UC workshop organize by IJCAI. I added a screenshot of the decision (Open Review)
通过部分消息交换进行去中心化联邦学习
机构 * School of Mathematics and Statistics, Beijing Jiaotong University（北京交通大学数学与统计学学院） ； Department of Electrical and Electronic Engineering, Faculty of Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系）
AI总结 研究去中心化联邦学习面临的挑战，提出PaME算法，通过允许相邻节点仅交换随机选择的稀疏坐标，降低通信成本、保护隐私且不牺牲准确性，经分析在温和假设下线性收敛，数值实验证明性能优越。
多模态大语言模型中用于视觉归因的证据重组与预测上下文残差化
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Zhongguancun Academy（中关村学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系）
AI总结 研究多模态大语言模型token级视觉证据难检查问题，提出基于证据重组和预测上下文残差化的ERCR框架，经实验验证该框架能改善目标token视觉证据、减轻上下文干扰，为视觉证据检查提供实用改进。
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
物理修复：用于上下文驱动流体模拟的自监督学习
机构 * AI for Image-Guided Diagnosis and Therapy, Technical University of Munich（图像引导诊断与治疗人工智能，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； AI in Healthcare and Medicine, Technical University of Munich（医疗人工智能，慕尼黑技术大学） ； Imperial College London（伦敦帝国学院）
AI总结 提出将稳态CFD推理重构为修复问题，通过自监督学习速度场先验并在推理时施加边界约束，利用局部邻域分词器处理大规模3D网格，在颅内动脉瘤血流动力学中优于监督代理模型。
CodeOCR: 关于视觉语言模型在代码理解中的有效性
机构 * Shanghai Jiao Tong University China ； Hohai University China ； Singapore Management University Singapore ； Imperial College London United Kingdom ； East China Normal University \& Shanghai Innovation Institute China ； Chongqing University China ； Shanghai Jiao Tong University ； Hohai University ； Singapore Management University ； Imperial College London ； East China Normal University \& Shanghai Innovation Institute ； Chongqing University
AI总结 本文探讨多模态大语言模型在代码理解中的有效性，发现其可通过图像压缩显著提升效率，并在代码克隆检测等任务中表现出更强的抗压缩能力。
Comments ISSTA 2026 camera ready. Code and data are available at https://github.com/YerbaPage/CodeOCR
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。
一种用于腔隙和扩大血管周围空间联合检测的统一框架
机构 * Hawkes Institute, University College London, UK Unit for Lifelong Health ； Aging, University College London, UK Bioengineering Department ； Imperial-X, Imperial College London, UK Department of Diagnostic Radiology, Copenhagen University Hospital, Denmark Department of Radiology \& Nuclear Medicine, Amsterdam UMC, Vrije Universiteit, The Netherlands Department of Radiology ； Nuclear Medicine, Erasmus MC, Rotterdam, The Netherlands Queen Square Institute of Neurology, University College London, UK Institute of Cardiovascular Sciences, University College London, UK Barts Heart Centre, St Bartholomew's Hospital, London, UK
AI总结 本文提出了一种统一框架，通过形态解耦和混合监督策略，提高EPVS和腔隙的联合检测性能，并在大规模数据集上验证了其鲁棒性。
Comments Accepted to the 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026)
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)
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：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
具有个性的患者：通过受控多样性与选择性披露实现逼真的患者模拟
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； TUM University Hospital（慕尼黑技术大学医院） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Imperial College London（伦敦帝国学院）
AI总结 提出PatientsWithPersonality框架，通过HEXACO人格参数化控制患者对话风格、合作性和信息披露，生成逼真且多样化的虚拟患者，在临床评估中接近真实演员表现。
Comments 22 pages, 11 figures
利用大语言模型进行因果发现：一种基于约束和论证的方法
机构 * Department of Computing（计算系） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 本文提出利用大语言模型作为不完美的专家，结合语义结构先验和条件独立性证据，实现因果发现的先进方法。
Comments Accepted at UAI 2026. 37 pages, including appendix
高维线性回归中低维参数推断的变分贝叶斯方法
机构 * Sorbonne Université（索邦大学） ； Imperial College London（帝国理工学院伦敦分校）
AI总结 针对高维线性回归的低维参数推断问题，提出一种结合平均场近似的可扩展变分贝叶斯方法，兼具计算优势与准确推断能力，且理论与数值表现均具竞争力。
Comments We have strengthened the Bernstein-von Mises results to hold in total variation and for growing parameter subsets, and generally improved the presentation
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。
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
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。
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。
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
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
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。
两层线性自回归模型估计潜在状态
机构 * Cornell（康奈尔大学） ； Washington（华盛顿大学） ； Imperial College London（伦敦帝国理工学院） ； Amazon（亚马逊）
AI总结 本文证明两层线性自回归模型通过经验风险最小化训练时，能近似卡尔曼滤波，恢复潜在状态估计，并提供有限样本保证。
Comments ICML 2026
Wasserstein分布鲁棒遗憾优化用于人类反馈的强化学习
机构 * Department of Statistics and Operations Research, University of North Carolina（统计与运筹学系，北卡罗来纳大学） ； Imperial Business School, Imperial College London（帝国理工学院伦敦商学院） ； Department of Management Science and Engineering, Stanford University（管理科学与工程系，斯坦福大学）
AI总结 本文提出Wasserstein分布鲁棒遗憾优化（DRRO）用于强化学习从人类反馈，通过简单分配模型研究提示问题，展示在ℓ1-地面成本Wasserstein模糊集下，内最坏遗憾有精确解，最优策略具有水填充结构，从而实现高效政策梯度算法。
在大型音频-语言模型中发现并因果验证情绪敏感神经元
机构 * Center for Language and Speech Processing (CLSP)（语言与语音处理中心） ； Johns Hopkins University（约翰霍普金斯大学） ； Group on Language, Audio & Music (GLAM)（语言、音频与音乐小组） ； Imperial College London（伦敦帝国学院）
AI总结 本研究通过神经元层面的干预验证了大型音频-语言模型中情绪敏感神经元的存在，并揭示了情绪识别的因果机制。
Comments Accepted to ACL 2026
机构 * Imperial College London（伦敦帝国学院）
Comments Accepted at the 19th European Conference on Computer Vision (ECCV 2026) Workshops
LoCA：基于局部信用分配的一次性校准后仅前向的大语言模型调优
机构 * 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） ； Tencent（腾讯） ； University of Edinburgh（爱丁堡大学） ； University of Southern California（南加州大学） ； 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 本文提出LoCA方法，通过一次性校准替换大语言模型调优的重复反向传播，在多个基准上优于LoRA，降低了GPU峰值内存、CPU稳态内存与前向传递时间。
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