EPFL（洛桑联邦理工学院）

VideoFlexTok: Flexible-Length Coarse-to-Fine Video Tokenization

VideoFlexTok: 可变长度粗到细视频标记化

Andrei Atanov, Jesse Allardice, Roman Bachmann, Oğuzhan Fatih Kar, R Devon Hjelm, David Griffiths, Peter Fu, Afshin Dehghan, Amir Zamir

机构 * Apple（苹果公司） ； Swiss Federal Institute of Technology Lausanne (EPFL)（瑞士联邦理工学院洛桑分校（EPFL）） 纠错

AI总结 VideoFlexTok通过可变长度粗到细标记化结构，实现更高效的视频生成，相比传统3D网格标记化，模型更小且生成质量相近。

Comments project page at https://videoflextok.epfl.ch/

Robust Federated Inference

鲁棒联邦推断

Akash Dhasade, Sadegh Farhadkhani, Rachid Guerraoui, Nirupam Gupta, Maxime Jacovella, Anne-Marie Kermarrec, Rafael Pinot

机构 * EPFL（苏黎世联邦理工学院） ； University of Copenhagen（哥本哈根大学） ； Sorbonne Université and Université Paris Cité, CNRS, LPSM（巴黎索邦大学和巴黎cité大学，法国国家科学研究中心，巴黎数学研究所） 纠错

AI总结 本文提出鲁棒联邦推断框架，通过结合对抗训练与测试时鲁棒聚合，提升非线性聚合器的鲁棒性，在多个基准测试中准确率提升4.7-22.2%。

Comments Accepted at ICLR 2026

Navigating the Accuracy-Size Trade-Off with Flexible Model Merging

通过灵活模型合并导航精度-大小权衡

Akash Dhasade, Divyansh Jhunjhunwala, Milos Vujasinovic, Gauri Joshi, Anne-Marie Kermarrec

机构 * EPFL（苏黎世联邦理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出FlexMerge框架，灵活生成不同规模的合并模型，并揭示不同算法在精度与规模权衡中的表现差异，验证了其在视觉和NLP任务中的有效性。

Comments Accepted at ICLR 2026

Gradient flow dynamics of shallow ReLU networks for square loss and orthogonal inputs

浅层ReLU网络在平方损失和正交输入下的梯度流动力学

Etienne Boursier, Loucas Pillaud-Vivien, Nicolas Flammarion

机构 * TML, EPFL（TML，瑞士联邦理工学院） 纠错

AI总结 本文研究了正交输入下单隐层ReLU网络在小初始化时的梯度流动力学，揭示了非凸优化中梯度流收敛至零损失及隐含偏置最小变化范数的特性。

Comments corrected Proposition 1