Imperial College London（帝国理工学院）

Breaking Symmetry Bottlenecks in GNN Readouts

打破 GNN 读出阶段的对称性瓶颈

Mouad Talhi, Arne Wolf, Anthea Monod

机构 * Department of Computing, Imperial College London, UK（伦敦帝国学院计算机系） ； Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系） ； London School of Geometry（几何与数论研究所） 纠错

AI总结 本文提出基于投影器的不变读出方法，解决 GNN 读出阶段的对称性瓶颈问题，通过保留非平凡对称性信息提升模型表达能力。

Comments 23 pages

Efficient Algorithms for Robust Markov Decision Processes with $s$-Rectangular Ambiguity Sets

高效算法用于具有s-矩形模糊集的鲁棒马尔可夫决策过程

Chin Pang Ho, Marek Petrik, Wolfram Wiesemann

机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Computer Science, University of New Hampshire（新罕布什尔大学计算机科学系） ； Imperial College Business School, Imperial College London（伦敦帝国理工学院商学院） 纠错

AI总结 本文提出了一种高效算法，用于解决具有s-矩形模糊集的鲁棒马尔可夫决策过程，显著提升了求解速度。

SplitWise Regression: Stepwise Modeling with Adaptive Dummy Encoding

SplitWise回归：基于自适应虚拟编码的逐步建模

Marcell T. Kurbucz, Nikolaos Tzivanakis, Nilufer Sari Aslam, Adam M. Sykulski

机构 * Institute for Global Prosperity, The Bartlett（全球繁荣研究所，巴特利特学院） ； University College London（伦敦大学学院） ； Department of Mathematics, Faculty of Natural Sciences（数学系，自然科学学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 SplitWise通过自适应虚拟编码方法，在保持模型可解释性的同时，有效捕捉非线性关系，提升回归模型的简洁性和泛化能力。

Comments 15 pages, 1 figure, 3 tables

Journal ref Scientific Reports 15, 42454 (2025)

Are foundation models useful feature extractors for electroencephalography analysis?

基础模型在脑电图分析中是否有用的特征提取器？

Özgün Turgut, Felix S. Bott, Markus Ploner, Daniel Rueckert

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich（人工智能在医疗与健康中的研究所，慕尼黑技术大学） ； Department of Neurology, Technical University of Munich（神经病学系，慕尼黑技术大学） ； Center for Interdisciplinary Pain Medicine, Technical University of Munich（跨学科疼痛医学中心，慕尼黑技术大学） ； Munich Center for Machine Learning, Munich, Germany（慕尼黑机器学习中心，德国慕尼黑） ； Department of Computing, Imperial College London（计算系，伦敦帝国学院） 纠错

AI总结 本文研究了基础模型在脑电图分析中的有效性，发现通用时间序列模型在特征提取上具有竞争力，能有效捕捉生物标志物特征，减少对大规模数据集的依赖。

Hallucination-Resistant Security Planning with a Large Language Model

具备抗幻觉能力的安全规划与大语言模型

Kim Hammar, Tansu Alpcan, Emil Lupu

机构 * The University of Melbourne（墨尔本大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文提出了一种抗幻觉的安全规划框架，通过迭代循环和上下文学习优化LLM决策，减少恢复时间30%。

Comments Accepted to IEEE/IFIP Network Operations and Management Symposium 2026. To appear in the conference proceedings

Towards Worst-Case Guarantees with Scale-Aware Interpretability

面向尺度感知可解释性的最坏情况保证

Lauren Greenspan, David Berman, Aryeh Brill, Ro Jefferson, Artemy Kolchinsky, Jennifer Lin, Andrew Mack, Anindita Maiti, Fernando E. Rosas, Alexander Stapleton, Lucas Teixeira, Dmitry Vaintrob

机构 * Principles of Intelligence, USA（智能原理研究所，美国） ； Centre for Theoretical Physics, Queen Mary University of London（理论物理中心，伦敦女王大学） ； Universitat Pompeu Fabra, Barcelona, Spain（庞培法布拉大学，巴塞罗那，西班牙） ； Perimeter Institute for Theoretical Physics, Waterloo ON, Canada（皮尔姆研究所，滑铁卢，加拿大） ； Department of Informatics, University of Sussex（信息学院， Sussex 大学） ； Department of Brain Sciences, Imperial College London（脑科学系，伦敦帝国学院） ； Centre for Eudaimonia and human flourishing, University of Oxford（幸福与人类繁荣中心，牛津大学） 纠错

AI总结 本文提出通过物理重整化框架开发具有鲁棒性和忠实性的尺度感知可解释性工具，以提升人工智能的安全性。