Imperial College London（帝国理工学院）

LungEvaty: A Scalable, Open-Source Transformer-based Deep Learning Model for Lung Cancer Risk Prediction in LDCT Screening

LungEvaty: 一种可扩展、开源的基于Transformer的深度学习模型，用于LDCT筛查中的肺癌风险预测

Johannes Brandt, Maulik Chevli, Rickmer Braren, Georgios Kaissis, Philip Müller, Daniel Rueckert

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； TUM University Hospital（慕尼黑技术大学医院） ； Imperial College London（伦敦帝国学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 LungEvaty是一种基于Transformer的深度学习模型，利用LDCT扫描预测肺癌风险，通过全肺输入和解剖学指导注意力实现高效且准确的预测。

Cloud4D: Estimating Cloud Properties at a High Spatial and Temporal Resolution

Cloud4D: 高空间和时间分辨率下云特性估计

Jacob Lin, Edward Gryspeerdt, Ronald Clark

机构 * Department of Computer Science University of Oxford（计算机科学系牛津大学） ； Department of Physics Imperial College London（物理系伦敦帝国学院） 纠错

AI总结 Cloud4D通过同步地面相机和2D-3D变换器，实现了高空间和时间分辨率的云特性估计，提升空间-时间分辨率并保持高精度。

Comments NeurIPS 2025 Spotlight, project page: https://cloud4d.jacob-lin.com/

Identifiable learning of dissipative dynamics

可识别性学习耗散动力学

Aiqing Zhu, Beatrice W. Soh, Grigorios A. Pavliotis, Qianxiao Li

机构 * Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； Department of Chemical and Biomolecular Engineering, National University of Singapore（新加坡国立大学化学与生物分子工程系） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Institute for Functional Intelligent Materials, National University of Singapore（新加坡国立大学功能智能材料研究所） 纠错

AI总结 本文提出了一种可识别的神经框架，用于直接从轨迹学习耗散随机动力学，并提供非平衡动力学的原理性度量。

Are Large Brainwave Foundation Models Capable Yet? Insights from Fine-tuning

大规模脑电基础模型是否已具备能力？来自微调的洞察

Na Lee, Konstantinos Barmpas, Yannis Panagakis, Dimitrios Adamos, Nikolaos Laskaris, Stefanos Zafeiriou

机构 * Imperial College London（伦敦帝国学院） ； Archimedes / Athena Research Unit（阿基米德/雅典娜研究单位） ； Aristotle University of Thessaloniki（雅典娜大学） ； Kapodistrian University of Athens（雅典kapodistrian大学） 纠错

AI总结 本文通过微调实验评估了大规模脑电基础模型的能力，发现其在BCI任务中效率有限，提出LoRA技术可提升性能，强调需重新设计架构以提升脑电分析效果。

Journal ref International Conference on Machine Learning (ICML) 2025

Large Language Models in Argument Mining: A Survey

大型语言模型在论证挖掘中的应用：综述

Hao Li, Viktor Schlegel, Yizheng Sun, Riza Batista-Navarro, Goran Nenadic

机构 * University of Manchester（曼彻斯特大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文综述了大型语言模型对论证挖掘领域的影响，分析了LLM如何改变任务设计、数据集构建和评估方法，并提出了未来研究方向。

Comments Work draft