Imperial College London（帝国理工学院）

Transformers learn factored representations

Transformer 学习因式分解表示

Adam Shai, Loren Amdahl-Culleton, Casper L. Christensen, Henry R. Bigelow, Fernando E. Rosas, Alexander B. Boyd, Eric A. Alt, Kyle J. Ray, Paul M. Riechers

机构 * Simplex, Astera Institute ； Sussex Centre for Consciousness Science, University of Sussex ； Centre for Complexity Science ； Center for Psychedelic Research, Department of Brain Sciences, Imperial College London ； Center for Eudaimonia ； Human Flourishing, University of Oxford ； Beyond Institute for Theoretical Science (BITS) 纠错

AI总结 Transformer通过预训练学习将世界分解为部分，并在正交子空间中表示因素，即使在条件独立性被破坏时仍倾向于保持这种因式分解表示。

Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data

多视角狭窄分类：基于变换器的多实例学习方法利用真实世界临床数据

Nikola Cenikj, Özgün Turgut, Alexander Müller, Alexander Steger, Jan Kehrer, Marcus Brugger, Daniel Rueckert, Eimo Martens, Philip Müller

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital（人工智能在医疗与健康中的chair，慕尼黑技术大学及慕尼黑技术大学医院） ； Department of Computing, Imperial College London, UK, and Munich Center for Machine Learning (MCML)（计算系，伦敦帝国学院，英国，以及慕尼黑机器学习中心） ； Department of Internal Medicine, TUM University Hospital（内科系，慕尼黑技术大学医院） 纠错

AI总结 本文提出SegmentMIL，一种基于变换器的多视角多实例学习框架，利用真实世界临床数据实现患者级别的冠状动脉狭窄分类，无需视图级注释，有效提升诊断性能。

Preference-Conditioned Gradient Variations for Multi-Objective Quality-Diversity

基于偏好条件的梯度变化的多目标质量多样性

Hannah Janmohamed, Maxence Faldor, Thomas Pierrot, Antoine Cully

机构 * Imperial College London, InstaDeep（帝国理工学院伦敦分校，InstaDeep） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出了一种基于偏好条件的策略梯度和拥挤机制的多目标质量多样性算法，通过高效发现目标空间中的优质区域并促进非支配前沿的均匀分布，从而在六个机器人运动任务中优于现有方法。

UniMorphGrasp: Diffusion Model with Morphology-Awareness for Cross-Embodiment Dexterous Grasp Generation

UniMorphGrasp: 基于形态意识的扩散模型用于跨躯体灵巧抓取生成

Zhiyuan Wu, Xiangyu Zhang, Zhuo Chen, Jiankang Deng, Rolandos Alexandros Potamias, Shan Luo

机构 * Department of Engineering, King’s College London, Strand, London, WC2R 2LS, United Kingdom（伦敦国王学院工程系） ； Imperial College London, London, SW7 2AZ, United Kingdom（伦敦帝国学院） 纠错

AI总结 UniMorphGrasp通过融合手部形态信息的扩散模型，实现跨躯体灵巧抓取的统一生成与强泛化能力。

Dynamic Expert Sharing: Decoupling Memory from Parallelism in Mixture-of-Experts Diffusion LLMs

动态专家共享：解耦内存与并行性在混合专家扩散语言模型中的方法

Hao Mark Chen, Zhiwen Mo, Royson Lee, Qianzhou Wang, Da Li, Shell Xu Hu, Wayne Luk, Timothy Hospedales, Hongxiang Fan

机构 * Imperial College London, London, UK（伦敦帝国学院） ； Samsung AI Center, Cambridge, UK（三星人工智能中心） 纠错

AI总结 本文提出动态专家共享方法，通过序列层面的coreset选择，减少MoE dLLMs中专家激活数量和延迟，同时保持高准确性。

Latent Debate: A Surrogate Framework for Interpreting LLM Thinking

潜在辩论：一种解释大语言模型思维的代理框架

Lihu Chen, Xiang Yin, Francesca Toni

机构 * Imperial College London, United Kingdom（伦敦帝国学院） 纠错

AI总结 本文提出潜在辩论框架，通过捕捉单个模型内部隐含的论点信号，解释LLM的思维过程并检测幻觉。

Comments Preprint

Zero-Shot Video Deraining with Video Diffusion Models

无监督视频去雨与视频扩散模型

Tuomas Varanka, Juan Luis Gonzalez, Hyeongwoo Kim, Pablo Garrido, Xu Yao

机构 * University of Oulu（奥卢大学） ； Flawless AI ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出了一种无需合成数据和模型微调的无监督视频去雨方法，通过预训练文本到视频扩散模型，利用注意力切换机制提升动态场景中的去雨效果。

Comments WACV 2026

FastTTS: Accelerating Test-Time Scaling for Edge LLM Reasoning

FastTTS: 加速边缘LLM推理的测试时扩展

Hao Mark Chen, Zhiwen Mo, Guanxi Lu, Shuang Liang, Lingxiao Ma, Wayne Luk, Hongxiang Fan

机构 * Imperial College London（帝国学院伦敦） ； Microsoft Research（微软研究院） 纠错

AI总结 FastTTS通过三种新方法提升边缘LLM推理效率，实现与云模型相当的准确性和延迟，减少38%-68%的延迟。

Comments Accepted at ASPLOS 2026