Imperial College London（帝国理工学院）

Forget to Generalize: Iterative Adaptation for Generalization in Federated Learning

忘却以泛化：用于联邦学习中泛化的迭代适应

Abdulrahman Alotaibi, Irene Tenison, Miriam Kim, Isaac Lee, Lalana Kagal

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard College（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出迭代联邦适应方法，通过生成层面的忘却和进化策略提升联邦学习在非iid数据下的泛化能力，实验表明在多个数据集上平均提升21.5%。

DINO-AD: Unsupervised Anomaly Detection with Frozen DINO-V3 Features

DINO-AD：基于冻结DINO-V3特征的无监督异常检测

Jiayu Huo, Jingyuan Hong, Liyun Chen

机构 * National Heart and Lung Institute, Imperial College London, London, UK（帝国理工学院伦敦心脏和肺研究所） ； Department of Digital Twins for Healthcare, BMEIS, King’s College London, London, UK（King’s College London医疗数字双领域部门） ； SonoScape Medical Corp.（SonoScape医疗公司） 纠错

AI总结 DINO-AD通过冻结DINO-V3特征实现无监督异常检测，利用自监督特征进行精确定位，实验表明其在准确性和鲁棒性上优于现有方法。

Comments Accepted by ISBI 2026, 4 pages, 2 figures, 3 tables

Information Shapes Koopman Representation

信息形状Koopman表示

Xiaoyuan Cheng, Wenxuan Yuan, Yiming Yang, Yuanzhao Zhang, Sibo Cheng, Yi He, Zhuo Sun

机构 * Dynamic Systems Lab, University College London（伦敦大学学院动态系统实验室） ； Department of Earth Science and Engineering, Imperial College London（伦敦帝国理工学院地球科学与工程系） ； Santa Fe Institute（圣达菲研究所） ； CEREA, ENPC and EDF R&D, Institut Polytechnique de Paris（巴黎理工学院CEREA、ENPC和EDF R&D） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海金融学院统计与数据科学学院） ； Institute of Big Data Research, Shanghai University of Finance and Economics（上海金融学院大数据研究所） 纠错

AI总结 本文提出了一种基于信息论的拉格朗日方法，平衡Koopman表示的简洁性与表达性，通过可视化和实验验证提升了动态系统建模的性能。

Comments Published as a conference paper at ICLR 2026