高校专区
合成角色预训练：从零开始的对齐
机构 * EPFL（洛桑联邦理工学院） ； University of Toronto（多伦多大学） ； Northeastern University（东北大学） ； SJTU（上海交通大学） ； Saarland University（萨尔大学） ； Hereon（亥姆霍兹极地与海洋研究中心） ； TUHH（汉堡工业大学） ； Ontocord AI（Ontocord人工智能公司） ； TUC（德累斯顿工业大学） ； DFKI（德国人工智能研究中心）
AI总结 该研究提出合成角色预训练（SPP），在预训练token零阶段植入助手角色，通过标注反思、预训练及角色绑定，提升模型价值构成遵循度与鲁棒性，降低对齐错误率，证明预训练时角色干预是对齐的有效方法。
PixSDS：潜在SDS为何会产生带噪像素
机构 * EPFL（洛桑联邦理工学院）
AI总结 针对潜在SDS生成3D时的像素漂移问题，提出轻量级VAE一致性梯度修复方法PixSDS，减少结构化伪影并保留语义内容。
神经二次型：用于突发学习与标度律的统一最小模型
机构 * Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 该研究提出神经二次型模型，统一描述感知机等多种架构的突发学习与标度律，通过对称性推导其训练动力学为洛特卡-沃尔泰拉方程，经数值验证符合相关行为。
基于契约的分布式模型预测控制的随时即插即用控制
机构 * Institute for Dynamic Systems and Control, ETH Zurich（动态系统与控制研究所，苏黎世联邦理工学院） ； Institute of Mechanical Engineering, École Polytechnique Fédérale de Lausanne（机械工程研究所，洛桑联邦理工学院）
AI总结 研究多移动机器人应用中通信拓扑时变问题，提出基于局部通信的分布式控制算法，靠距离邻居定义和预测轨迹契约，有效支持智能体随时加入或离开，保证避碰和约束满足。
随机与方差减少立方牛顿方法的统一收敛理论
机构 * Machine Learning and Optimization Laboratory (MLO), EPFL（机器学习与优化实验室（MLO），EPFL）
AI总结 本文提出了一种统一框架，用于分析随机和方差减少的立方牛顿方法，提供了全局复杂性保证，并改进了大规模问题的计算效率。
Comments Published in Transactions on Machine Learning Research
Journal ref Transactions on Machine Learning Research (2024)
从不完整电子健康记录数据中学习表示的双掩码自编码
机构 * Massachusetts Institute of Technology（麻省理工学院） ； EPFL（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Beth Israel Deaconess Medical Center（贝塞斯达医院）
AI总结 AID-MAE通过双掩码技术直接从不完整EHR时间序列中学习表示，有效提升临床任务性能并实现患者群体的自然分层。
Comments MLHC 2026 camera-ready. Spotlight at NeurIPS TS4H 2025
持续大型语言模型智能体中的可控记忆干扰
机构 * China University of Geosciences (Beijing)（中国地质大学（北京）） ； Northwestern Polytechnical University（西北工业大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Chinese Academy of Sciences（中国科学院） ； The Hong Kong Polytechnic University（香港理工大学） ； École polytechnique fédérale de Lausanne（洛桑联邦理工学院） ； National University of Singapore（新加坡国立大学）
AI总结 本研究提出可控记忆干扰（CMI）框架，揭示记忆进化受经验相互作用影响，为持续大型语言模型智能体的记忆系统提供诊断与学习方法，提升记忆更新区分度与任务性能。
无监督解缠无需妥协：函数正交性如何强制可识别性
机构 * EPFL, LTS4 laboratory, Lausanne, Switzerland（瑞士洛桑联邦理工学院，LTS4实验室，洛桑，瑞士）
AI总结 从函数视角出发，通过生成映射雅可比的正交性约束实现无监督解缠，证明该条件在无需统计独立或因果假设下保证非线性生成模型的可识别性，实验验证了理论有效性。
Comments Accepted at ICML 2026
多目标进化融合实现高效推理模型
机构 * Sapienza University of Rome（罗马大学） ； Independent Researcher（独立研究员） ； EPFL（瑞士联邦理工学院洛桑） ； NVIDIA（英伟达）
AI总结 本文提出Evo-L2S框架，通过多目标优化解决长到短推理问题，减少生成推理轨迹长度同时保持或提升推理准确性。
Comments Published as a conference paper at COLM 2026
大型语言模型在创造性思维过程中与人类大脑对齐
机构 * EPFL（瑞士联邦理工学院洛桑） ； Università della Svizzera italiana (USI)（意大利语区大学（瑞士）） ； Wesleyan University（卫斯理大学） ； Paris Brain Institute (ICM)（巴黎大脑研究所） ； Pennsylvania State University（宾夕法尼亚州立大学）
AI总结 研究探讨了在创造性思维过程中，fMRI数据揭示了大脑与不同规模LLM之间的对齐关系，发现模型大小和想法原创性影响对齐程度，且训练目标影响表示与人类创造力神经几何的匹配程度。
Comments Accepted at COLM 2026
CresOWLve：基于现实世界知识的创造性问题解决基准测试
机构 * EPFL（瑞士联邦理工学院洛桑） ； Università della Svizzera italiana (USI)（意大利语区瑞士大学）
AI总结 本文提出CresOWLve基准测试，评估创造性问题解决能力，通过现实世界知识中的谜题，发现模型在事实性问题与创造性问题上的表现差异显著。
Comments Accepted at COLM 2026
一个可解的高维模型，其中非线性自编码器学习到结构对PCA不可见，而测试损失与泛化不一致
机构 * Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL)（计算统计物理实验室，瑞士联邦理工学院（EPFL））
AI总结 本文提出一个高维模型，展示非线性自编码器能学习线性方法如PCA无法捕捉的结构，尽管其测试损失与泛化性能不一致。
Journal ref ICML 2026
协作差距：开放世界智能体协作的探索与基准测试
机构 * EPFL（瑞士联邦理工学院） ； Microsoft Research（微软研究院）
AI总结 该研究提出协作迷宫求解基准，评估32个模型的协作能力，发现模型存在协作差距，提出中继推理等缓解措施，强调协作相关评估、训练与交互设计的重要性。
Comments Accepted to COLM 2026, code available at https://github.com/trdavidson/collaboration_gap
带惯性的Dirac-Frenkel动力学用于演化问题的非线性参数化解
机构 * Scientific Computing and Uncertainty Quantification - CADMOS Chair, EPFL（科学计算与不确定性量化——CADMOS Chair，EPFL） ； Courant Institute of Mathematical Sciences, New York University（数学科学学院，纽约大学）
AI总结 针对冗余非线性参数化（如神经网络或混合模型）导致的参数动力学非唯一或病态问题，提出在Dirac-Frenkel动力学中加入惯性，使弱信息方向保留历史速度，强信息方向保持原动力学，证明良定性并给出后验误差界。
利用MPCC实现精确轨迹跟踪的扑翼微型飞行器
机构 * Laboratory of Intelligent Systems, Ecole Polytechnique Federale de Lausanne (EPFL)（智能系统实验室，瑞士联邦理工学院（EPFL））
AI总结 本文提出MPCC方法，通过在线优化轨迹跟踪，解决扑翼飞行器动力学耦合问题，实现在复杂机动中的高精度跟踪。
Comments 9 pages, 7 figures
贝叶斯最优学习注意力索引模型
机构 * Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL)（计算物理学实验室，瑞士联邦理工学院（EPFL））
AI总结 本文提出注意力索引模型，通过理论分析和算法设计，探讨深度注意力层的贝叶斯最优学习问题。
Journal ref NeurIPS 2025
机构 * Information, Learning and Physics Laboratory. Ecole Polytechnique Fédérale de Lausanne (EPFL), CH-1015 Lausanne, Switzerland.（信息、学习与物理实验室。瑞士洛桑联邦理工学院（EPFL）） ； Statistical Physics of Computation Laboratory. Ecole Polytechnique Fédérale de Lausanne (EPFL), CH-1015 Lausanne, Switzerland.（计算统计物理实验室。瑞士洛桑联邦理工学院（EPFL））
Journal ref NeurIPS 2025 (Spotlight)
机构 * Statistical Physics of Computation Laboratory (SPOC), EPFL, Switzerland（计算统计物理实验室（SPOC），瑞士联邦理工学院） ； Information, Learning, and Physics Laboratory (IDEPHICS), EPFL, Switzerland（信息、学习与物理实验室（IDEPHICS），瑞士联邦理工学院）
Journal ref NeurIPS 2025
逆强化学习的快速收敛率
机构 * EPFL（瑞士联邦理工学院）
AI总结 本文研究了熵正则化min-max逆强化学习在有限时间 horizon MDPs中的结构和统计特性，证明了在有限样本下，轨迹级KL散度和参数误差以O(n^{-1})速度收敛。
浅层神经网络在特征学习 regime 中的缩放定律与谱特性
机构 * Departement d’Informatique, École Normale Supérieure, PSL & CNRS（信息学院，巴黎高等师范学院，PSL与CNRS） ； Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（计算统计物理实验室，洛桑联邦理工学院（EPFL）） ； Information, Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息、学习与物理实验室，洛桑联邦理工学院（EPFL））
AI总结 本文研究了浅层神经网络在特征学习 regime 中的缩放定律与谱特性，通过分析二次和对角神经网络的缩放规律，揭示了样本复杂度和权重衰减对过剩风险缩放指数的影响，并建立了这些 regime 与训练网络权重谱性质的精确联系。
Journal ref ICLR 2026
思维链监控在隐含影响场景中可能不可靠
机构 * EPFL（洛桑联邦理工学院） ； UK AI Security Institute（英国人工智能安全研究院）
AI总结 该研究引入首个基准对比显式与隐含影响场景下思维链监控的可检测性，发现显式场景下检测率为60%-94%，隐含场景下下降41-46个百分点，善意部署选择还会进一步降低检测率。
透视箱子：基于雷达信号的非视距三维重建
机构 * École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑校区）
AI总结 提出统一视距与非视距神经几何重建框架GeRaF 2.0，利用外部视距几何约束引导射频信号传播，实现稳定训练和物理一致的重建，在射频几何重建中达到新最优。
Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026
GeRaF: 从射频信号进行神经几何重建
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院）
AI总结 提出GeRaF方法，利用神经隐式学习从射频信号重建近距3D几何，通过滤波渲染、物理射频体渲染和无透镜采样策略解决低分辨率、噪声和镜面反射问题。
Comments Accepted at NeurIPS 2025 (Spotlight)
Journal ref Advances in Neural Information Processing Systems 38 (2026): 94200-94230
SEAR: 一种简单且高效的视觉几何变换器在RGB+热成像3D重建中的适应
机构 * Schindler EPFL Lab（施耐德EPFL实验室） ； EPFL（瑞士联邦理工学院） ； Örebro University（奥雷布罗大学）
AI总结 SEAR通过简单高效的微调策略，使预训练的几何变换器适应多模态RGB-热成像输入，显著提升了3D重建和姿态估计性能，尤其在低光照和浓烟等挑战条件下表现优异。
偏好而非安全：成对偏好并非临床安全的可靠替代指标
机构 * EPFL（洛桑联邦理工学院） ； LiGHT Laboratory（LiGHT实验室）
AI总结 研究表明临床医生成对偏好并非LLM临床安全的可靠替代指标，其排名靠前的模型仍存在大量临床安全失败，提出结合偏好与安全反馈的临床调整排名方法，支持分离偏好与安全的评估实践。
Comments 27 pages,10 figures
REC中对比学习的合适嵌入空间是什么？
机构 * Stony Brook University（斯通布鲁克大学） ； EPFL（苏黎世联邦理工学院）
AI总结 该研究针对REC任务现有对比学习策略的局限，提出视觉嵌入空间的C-REX框架，作为即插即用模块提升REC及类别无关计数任务性能，在REC上MAE最高提升28%、RMSE提升24.5%。
Comments 15 pages, 4 figures
基于深度学习的帕金森步态地面反作用力估计：使用优化的IMU数据集
机构 * University of Exeter（埃克塞特大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； University of Cambridge（剑桥大学） ； University of Exeter Medical School（埃克塞特大学医学院） ； NIHR Exeter BRC（英国国立卫生研究院埃克塞特生物医学研究中心）
AI总结 本研究首次提出混合CNN-BiLSTM深度学习框架，用优化的IMU数据集估计帕金森患者垂直地面反作用力，仅需2个IMU即可实现稳健估计，为相关可穿戴系统提供实用方案。
Comments 13 pages, 5 figures, 6 tables. Published in IEEE Transactions on Neural Systems and Rehabilitation Engineering
Journal ref IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 34, pp. 2729-2740, 2026
样条策略：机器人策略的结构化表示
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院（EPFL）） ； Idiap Research Institute（Idiap研究 institute）
AI总结 提出样条策略（SP），用样条参数替代动作块，保留策略主干，支持连续轨迹解码、时域重采样、参数空间编辑及下游控制，并具有局部修正机制。
Comments This work has been submitted to the IEEE for possible publication
(如何) 学习率调节灾难性过训练
机构 * EPFL（瑞士联邦理工学院）
AI总结 研究通过隐式正则化分析学习率对微调中灾难性遗忘的影响，发现学习率大小影响模型收敛方向，并揭示学习率衰减加剧预训练模型尖锐性从而导致灾难性过训练。
Comments COLM 2026
面向大语言模型安全的在线策略蒸馏：一种针对模板鲁棒性的重对齐路由方法
机构 * Tsinghua University（清华大学） ； Swinburne University of Technology（斯威本科技大学） ； EPFL（洛桑联邦理工学院）
AI总结 针对现有LLM安全防御的模板鲁棒性不足等问题，提出ROPD框架，通过建模输出分布差异实现重对齐，大幅降低模板不匹配风险，在防御有效性和能力保留上优于基线方法，建立了新的鲁棒重对齐标准。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈