EPFL（洛桑联邦理工学院）

Adaptive Confidence Regularization for Multimodal Failure Detection

多模态故障检测的自适应置信度正则化

Moru Liu, Hao Dong, Olga Fink, Mario Trapp

机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） ； Fraunhofer IKS（弗劳恩霍夫研究所） 纠错

AI总结 本文提出自适应置信度正则化方法，通过检测多模态预测中的置信度退化，提升故障识别的可靠性。

Comments Accepted by CVPR 2026

Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols

对可信监控的自适应攻击颠覆AI控制协议

Mikhail Terekhov, Alexander Panfilov, Daniil Dzenhaliou, Caglar Gulcehre, Maksym Andriushchenko, Ameya Prabhu, Jonas Geiping

机构 * MATS ； EPFL（瑞士联邦理工学院） ； ELLIS Institute Tübingen & Max Planck Institute for Intelligent Systems（图宾根ELLIS研究所及图宾根马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学） 纠错

AI总结 本文提出针对AI控制协议中监控模型的自适应攻击方法，通过嵌入提示注入技术规避监控并完成恶意任务，揭示了当前控制协议的安全漏洞。

Control Tax: The Price of Keeping AI in Check

控制税：保持AI受控的成本

Mikhail Terekhov, Zhen Ning David Liu, Caglar Gulcehre, Samuel Albanie

机构 * EPFL（瑞士联邦理工学院） ； MATS 纠错

AI总结 本文提出控制税概念，通过理论框架量化控制成本，评估语言模型在对抗性环境下的安全性，并开发优化的监控策略以平衡安全与成本效益。

When Bias Meets Trainability: Connecting Theories of Initialization

当偏见遇见可训练性：连接初始化理论

Alberto Bassi, Marco Baity-Jesi, Aurelien Lucchi, Carlo Albert, Emanuele Francazi

机构 * ETH Zurich（苏黎世联邦理工学院） ； Eawag (ETH)（埃瓦格（ETH）） ； University of Basel（巴塞尔大学） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文通过理论证明，揭示了深度神经网络初始化偏见与可训练性之间的联系，表明优化可训练性的初始化本质上具有偏见。

A Multi-Objective Evaluation Framework for Analyzing Utility-Fairness Trade-Offs in Machine Learning Systems

一种用于分析机器学习系统中效用-公平性权衡的多目标评估框架

Gökhan Özbulak, Oscar Jimenez-del-Toro, Maíra Fatoretto, Lilian Berton, André Anjos

机构 * Idiap Research Institute（Idiap研究 institute） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） ； Federal University of São Paulo（圣保罗联邦大学） 纠错

AI总结 本文提出了一种多目标评估框架，用于分析机器学习系统中效用与公平性之间的权衡，适用于医疗影像等对公平性要求较高的领域。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:050

Journal ref Machine.Learning.for.Biomedical.Imaging. 2025 (3)

GrapHist: Graph Self-Supervised Learning for Histopathology

GrapHist: 基于图的病理学自监督学习

Sevda Öğüt, Cédric Vincent-Cuaz, Natalia Dubljevic, Carlos Hurtado, Vaishnavi Subramanian, Pascal Frossard, Dorina Thanou

机构 * EPFL（瑞士联邦理工学院） ； LTS4 纠错

AI总结 GrapHist通过基于图的自监督学习方法，在病理学中实现高效的表示学习，适用于多种下游任务，且参数更少，性能更优。