Accelerated training of Gaussian processes using banded square exponential covariances
利用带状平方指数协方差实现高斯过程加速训练
机构 * Imperial College London（伦敦帝国学院）
AI总结 本文提出利用带状平方指数协方差矩阵加速高斯过程训练，通过减少计算复杂度提升训练效率。
Comments Accepted at IEEE ICASSP 2026
高校专区
Imperial College London（帝国理工学院）
Mitigating Attention Sinks and Massive Activations in Audio-Visual Speech Recognition with LLMs
利用大语言模型缓解音频视觉语音识别中的注意力下沉和大规模激活
机构 * University of British Columbia, Canada（不列颠哥伦比亚大学） ； Imperial College London, UK（伦敦帝国学院）
AI总结 本文提出了一种简单有效的去相关损失，通过减少BOS与其它token的余弦相似性，缓解音频视觉语音识别中的注意力下沉和大规模激活问题，同时在高下采样率下降低词错误率。
Comments IEEE ICASSP 2026. The code is available at https://github.com/umbertocappellazzo/Llama-AVSR
LLM-Generated Explanations Do Not Suffice for Ultra-Strong Machine Learning
LLM生成的解释不足以实现超强机器学习
机构 * Department of Computing, Imperial College London（帝国理工学院计算系）
AI总结 本研究提出LENS框架，通过神经符号方法生成逻辑程序解释，发现LLM生成的解释在人类学习中效果有限，需结合人类认知约束实现超强机器学习。
A simple algorithm for output range analysis for deep neural networks
用于深度神经网络输出范围分析的简单算法
机构 * Department of Mathematics Imperial College London（数学系帝国理工学院伦敦） ； Escuela Profesional de Ciencias de la Computación Universidad Nacional de Ingeniería（计算机科学专业国家工程大学） ； Escuela Profesional de Ingeniería Estadística Universidad Nacional de Ingeniería（统计工程专业国家工程大学）
AI总结 本文提出了一种适用于深度神经网络输出范围分析的简单算法，通过模拟退火算法解决高非线性和复杂约束下的估计问题，具有良好的鲁棒性和广泛适用性。
Omni-AVSR: Towards Unified Multimodal Speech Recognition with Large Language Models
Omni-AVSR：迈向基于大语言模型的统一多模态语音识别
机构 * Imperial College London, UK（伦敦帝国理工学院） ； University of Surrey, UK（萨里大学）
AI总结 Omni-AVSR通过统一多模态语音识别框架，结合高效多粒度训练与参数高效适应，实现跨任务协同，降低资源消耗并提升鲁棒性。
Comments Accepted to IEEE ICASSP 2026 (camera-ready version). Project website (code and model weights): https://umbertocappellazzo.github.io/Omni-AVSR/
