EPFL（洛桑联邦理工学院）

Scalable and Explainable Learner-Video Interaction Prediction using Multimodal Large Language Models

基于多模态大语言模型的可扩展且可解释的学习者-视频交互预测

Dominik Glandorf, Fares Fawzi, Tanja Käser

机构 * EPFL（瑞士联邦理工学院洛桑） 纠错

AI总结 本文提出利用多模态大语言模型预测学习者观看、暂停、跳过和回放行为，以评估视频内容的认知负荷，通过7700万次视频控制事件验证了模型的可扩展性和解释性。

Comments Accepted as long paper to the 27th International Conference on Artificial Intelligence in Education (AIED 2026)

Robots Need Some Education: On the complexity of learning in evolutionary robotics

机器人需要一些教育：关于在进化机器人学中学习复杂性的研究

Fuda van Diggelen

机构 * University of Oslo（奥斯陆大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Leiden University（莱顿大学） ； Edinburgh Napier University（爱丁堡龙比亚大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） 纠错

AI总结 本文探讨了在进化机器人学中整合学习技术的复杂性，提出并分析了多种学习算法以优化机器人控制器设计。

Comments PhD thesis

Brittlebench: Quantifying LLM robustness via prompt sensitivity

Brittlebench: 通过提示敏感性量化大语言模型的鲁棒性

Angelika Romanou, Mark Ibrahim, Candace Ross, Chantal Shaib, Kerem Oktar, Samuel J. Bell, Anaelia Ovalle, Jesse Dodge, Antoine Bosselut, Koustuv Sinha, Adina Williams

机构 * FAIR at Meta（Meta FAIR） ； EPFL（瑞士联邦理工学院洛桑） ； Northeastern University（东北大学） 纠错

AI总结 本文提出Brittlebench框架，通过提示变异量化大语言模型的鲁棒性，揭示模型在真实输入下的性能波动，强调对更鲁棒模型和评估的需求。

ACT: Agentic Classification Tree

ACT：代理分类树

Vincent Grari, Tim Arni, Thibault Laugel, Sylvain Lamprier, James Zou, Marcin Detyniecki

机构 * AXA AI Research（AXA人工智能研究） ； Stanford University（斯坦福大学） ； EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； Polish Academy of Sciences, IBS PAN, Warsaw, Poland（波兰科学院计算机科学研究所） 纠错

AI总结 ACT通过将决策树扩展到非结构化输入，利用自然语言问题和LLM反馈提升透明度和可解释性，实验证明其在文本基准上优于基于提示的方法。

Comments 25 pages, 8 figures

Quantum Convolutional Neural Networks are Effectively Classically Simulable

量子卷积神经网络可以被经典地模拟

Pablo Bermejo, Paolo Braccia, Manuel S. Rudolph, Zoë Holmes, Lukasz Cincio, M. Cerezo

机构 * Information Sciences, Los Alamos National Laboratory（信息科学部，洛斯阿拉莫斯国家实验室） ； Donostia International Physics Center（多诺斯蒂亚国际物理中心） ； Department of Applied Physics, Gipuzkoa School of Engineering, University of the Basque Country (UPV/EHU)（应用物理系，吉普斯夸工程学院，巴斯克大学） ； Theoretical Division, Los Alamos National Laboratory（理论部，洛斯阿拉莫斯国家实验室） ； Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） 纠错

AI总结 本文指出量子卷积神经网络在经典计算上可被高效模拟，其成功源于对简单数据集的基准测试，而非量子优势。

Comments 12 + 15 pages , 6 + 7 figures, 1 table, updated to published version

Journal ref PRX Quantum 7, 020304 (2026)

Studying Lobby Influence in the European Parliament

研究欧洲议会中游说团体的影响

Aswin Suresh, Lazar Radojevic, Francesco Salvi, Antoine Magron, Victor Kristof, Matthias Grossglauser

机构 * EPFL（瑞士联邦理工学院） 纠错

AI总结 本文通过自然语言处理方法分析欧洲议会中游说团体在立法过程中的影响，利用语义相似性和蕴含性发现可解释的联系，并通过间接验证提高透明度。

Comments 11 pages, 5 figures. Under review for presentation at ICWSM 2024

Evolutionary Search for Automated Design of Uncertainty Quantification Methods

为不确定性量化方法的自动化设计应用进化搜索

Mikhail Seleznyov, Daniil Korbut, Viktor Moskvoretskii, Oleg Somov, Alexander Panchenko, Elena Tutubalina

机构 * AIRI ； Skoltech（斯科尔科沃科学技术学院） ； Amazon（亚马逊） ； EPFL（瑞士联邦理工学院洛桑） ； MIPT（莫斯科物理技术学院） 纠错

AI总结 本文通过LLM驱动的进化搜索自动发现无监督的不确定性量化方法，其在原子声明验证任务中优于手动设计的基线方法，且在分布外泛化方面表现稳健。

Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration

超越真实数据：利用图像质量先验进行现实场景图像修复

Fengyang Xiao, Peng Hu, Lei Xu, XingE Guo, Guanyi Qin, Yuqi Shen, Chengyu Fang, Rihan Zhang, Chunming He, Sina Farsiu

机构 * Duke University（杜克大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑分校） 纠错

AI总结 本文提出IQPIR框架，通过引入图像质量先验指导图像修复，提升感知质量。方法整合代码本先验，采用Transformer和双分支结构优化修复效果。

Comments Accepted by CVPR 2026

Chain-of-Frames: Advancing Video Understanding in Multimodal LLMs via Frame-Aware Reasoning

链式帧：通过帧感知推理推进多模态大语言模型的视频理解

Sara Ghazanfari, Francesco Croce, Nicolas Flammarion, Prashanth Krishnamurthy, Farshad Khorrami, Siddharth Garg

机构 * New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校） 纠错

AI总结 本文提出一种单阶段视频LLM，通过显式引用相关帧减少推理中的时间不一致性，利用COF-DATA数据集提升视频理解性能，发现合成数据显著提升模型准确率。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

Graph State-Space Models and Latent Relational Inference

图状态-空间模型与潜在关系推断

Daniele Zambon, Andrea Cini, Cesare Alippi

机构 * Università della Svizzera italiana, IDSIA, Switzerland（瑞士意大利语区大学，IDSIA，瑞士） ； EPFL, IMOS Lab, Switzerland（瑞士洛桑联邦理工学院，IMOS实验室，瑞士） ； Politecnico di Milano, Italy（米兰理工大学，意大利） 纠错

AI总结 本文提出图状态-空间模型，通过联合学习状态空间动态和潜在关系结构，提升时空数据的预测准确性。