Imperial College London（帝国理工学院）

Riemannian Neural Optimal Transport

黎曼神经最优传输

Alessandro Micheli, Yueqi Cao, Anthea Monod, Samir Bhatt

机构 * Imperial College London, London, UK（伦敦帝国理工学院） ； University Of Copenhagen, Copenhagen, Denmark（哥本哈根大学） ； KTH Royal Institute of Technology, Stockholm, Sweden（瑞典皇家理工学院） 纠错

AI总结 本文提出黎曼神经OT方法，通过连续神经网络参数化在黎曼流形上避免离散化，实现亚指数复杂度的最优传输近似，并在实验中展示了更高的可扩展性和性能。

Comments 58 pages

MultiMAE for Brain MRIs: Robustness to Missing Inputs Using Multi-Modal Masked Autoencoder

MultiMAE用于脑部MRI：通过多模态掩码自编码器提高对缺失输入的鲁棒性

Ayhan Can Erdur, Christian Beischl, Daniel Scholz, Jiazhen Pan, Benedikt Wiestler, Daniel Rueckert, Jan C Peeken

机构 * Department of Radiation Oncology, TUM University Hospital, Munich, Germany（辐射肿瘤科，技术大学慕尼黑医院，慕尼黑，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)（医疗与医学人工智能教研室，技术大学慕尼黑（TUM）） ； TUM University Hospital, Munich, Germany（技术大学慕尼黑医院，慕尼黑，德国） ； Chair for AI for Image-Guided Diagnosis and Therapy, Technical University of Munich (TUM)（图像引导诊断与治疗人工智能教研室，技术大学慕尼黑（TUM）） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），慕尼黑，德国） ； Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，伦敦，英国） ； Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site Munich, Munich, Germany（德国转化癌症研究联盟（DKTK），慕尼黑合作伙伴站点，慕尼黑，德国） ； Institute of Radiation Medicine (IRM), Department of Radiation Sciences (DRS), Helmholtz Center Munich, Munich, Germany（辐射医学研究所（IRM），辐射科学部门（DRS），慕尼黑海德堡中心，慕尼黑，德国） 纠错

AI总结 MultiMAE通过多模态掩码自编码器提升脑部MRI在缺失输入下的鲁棒性，实现分割和分类任务的性能提升。

Comments Official implementation: https://github.com/chris-beischl/multimae-for-brain-mri

How Does the Lagrangian Guide Safe Reinforcement Learning through Diffusion Models?

如何通过扩散模型使拉格朗日量引导安全强化学习？

Xiaoyuan Cheng, Wenxuan Yuan, Boyang Li, Yuanchao Xu, Yiming Yang, Hao Liang, Bei Peng, Robert Loftin, Zhuo Sun, Yukun Hu

机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kyoto University（京都大学） ； King's College London（伦敦国王学院） ； University of Sheffield（谢菲尔德大学） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

AI总结 本文提出ALGD算法，通过增强拉格朗日方法解决安全强化学习中的稳定性问题，实现稳定有效的政策生成。

Aggregation Queries over Unstructured Text: Benchmark and Agentic Method

无结构文本上的聚合查询：基准测试与代理方法

Haojia Zhu, Qinyuan Xu, Haoyu Li, Yuxi Liu, Hanchen Qiu, Jiaoyan Chen, Jiahui Jin

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

AI总结 本文提出DFA方法，用于在无结构文本上进行完整性导向的聚合查询，通过模块化设计提升证据覆盖能力。

Multi-Level Monte Carlo Training of Neural Operators

神经算子的多级蒙特卡洛训练

James Rowbottom, Stefania Fresca, Pietro Lio, Carola-Bibiane Schönlieb, Nicolas Boullé

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mechanical Engineering, University of Washington（机械工程系，华盛顿大学） ； Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Mathematics, Imperial College London（数学系，伦敦帝国学院） 纠错

AI总结 本文提出了一种基于多级蒙特卡洛方法的神经算子训练框架，通过多分辨率数据减少计算成本并提高训练效率。

Comments Accepted in Computer Methods in Applied Mechanics and Engineering