EPFL（洛桑联邦理工学院）

The Rules-and-Facts Model for Simultaneous Generalization and Memorization in Neural Networks

规则与事实模型：神经网络中同时泛化与记忆的规则

Gabriele Farné, Fabrizio Boncoraglio, Lenka Zdeborová

机构 * Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院统计物理与计算实验室） 纠错

AI总结 本文提出规则与事实模型，通过结合泛化和记忆的理论框架，探讨神经网络如何同时学习规则和记忆事实，分析过参数化对两者平衡的影响。

Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale

迈向具身体验AI的MuscleMimic：解锁大规模全身体质运动学习

Chengkun Li, Cheryl Wang, Bianca Ziliotto, Merkourios Simos, Jozsef Kovecses, Guillaume Durandau, Alexander Mathis

机构 * EPFL（瑞士联邦理工学院洛桑分校） ； McGill University（麦吉尔大学） ； Feil & Oberfeld CRIR-Jewish Rehabilitation Hospital Research Center（Feil & Oberfeld CRIR-犹太康复医院研究中心） ； NVIDIA（英伟达） 纠错

AI总结 MuscleMimic通过生理真实的人形机器人模型，实现了大规模全身体质运动学习，结合并行GPU模拟，提升了训练效率，验证了运动再现的准确性。

Mario: Multimodal Graph Reasoning with Large Language Models

Mario：基于大语言模型的多模态图推理

Yuanfu Sun, Kang Li, Pengkang Guo, Jiajin Liu, Qiaoyu Tan

机构 * New York University Shanghai（上海纽约大学） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑） 纠错

AI总结 Mario通过多模态图推理框架解决跨模态一致性与异构模态偏好问题，实现对多模态图的有效推理，优于现有图模型。

Comments CVPR 2026

A Geolocation-Aware Multimodal Approach for Ecological Prediction

一种面向地理定位的多模态方法用于生态预测

Valerie Zermatten, Chiara Vanalli, Gencer Sumbul, Diego Marcos, Devis Tuia

机构 * ECEO, Ecole Polytechnique Fédérale de Lausanne (EPFL)（ECEO，洛桑联邦理工学院（EPFL）） ； INRIA, University of Montpellier（法国国家信息与自动化研究所（INRIA），蒙彼利埃大学） 纠错

AI总结 本文提出GAMMA方法，通过显式空间上下文融合异构生态数据，提升环境预测性能，并展示其在大规模环境制图和生物多样性监测中的潜力。

Comments under review

Kernel Density Machines

核密度机

Andrea Della Vecchia, Damir Filipovic, Paul Schneider

机构 * EPFL, Swiss Finance Institute（EPFL，瑞士金融学院） ； Università della Svizzera italiana and Swiss Finance Institute（意大利语区大学和瑞士金融学院） 纠错

AI总结 核密度机通过最小假设学习概率测度间的Radon-Nikodym导数，提供通用可测空间下的密度估计方法，具有可扩展性和高精度。