Provably avoiding over-optimization in Direct Preference Optimization without knowing the data distribution
可证明地避免在不了解数据分布的情况下直接偏好优化中的过度优化
机构 * EPFL（苏黎世联邦理工学院）
AI总结 PEPO通过训练不同数据子集的偏好优化策略并聚合最坏情况，避免了过度优化问题，其样本复杂度仅依赖单策略集中性系数，保持了DPO的简洁性和实用性。
高校专区
EPFL（洛桑联邦理工学院）
MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence
MyoChallenge 2025: 人类运动智能的新基准
机构 * McGill University（麦吉尔大学） ； National University of Singapore（国立新加坡大学） ； Imperial College London（伦敦帝国理工学院） ； King’s College London（伦敦国王学院） ； Tsinghua University（清华大学） ； EPFL（苏黎世联邦理工学院） ； CASIA（中国科学院自动化所） ； University of Twente（代尔夫特理工大学） ； MyoLab
AI总结 本文提出MyoChallenge 2025基准，通过高保真骨骼肌模型与机器学习算法结合，推动运动控制智能研究，包含乒乓球和足球点球两个任务，促进多学科交叉研究。
Where to Perch in a Tree: Vision-Guidance for Tree-Grasping Drones
在树上何处栖息：用于树抓取无人机的视觉引导
机构 * Department of Civil, Aerospace and Design Engineering, University of Bristol（布里斯托大学土木、航空航天与设计工程系） ； Laboratory of Sustainability Robotics at Swiss Federal Laboratories for Materials Science and Technology (EMPA)（瑞士材料科学与技术联邦实验室可持续机器人实验室） ； Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
AI总结 本文提出一种视觉引导方法，用于确定树上理想的栖息点，通过图像处理算法评估树的形状和结构，基于枝条宽度、坡度和曲率选择适宜栖息的枝条。
Comments Work in progress version accepted to the Recent Advances in Robotic Perception for Forestry
Social-Mamba: Socially-Aware Trajectory Forecasting with State-Space Models
Social-Mamba：基于状态空间模型的社会感知轨迹预测
机构 * EPFL, Switzerland（瑞士联邦理工学院）
AI总结 本文提出Social-Mamba，通过将社会互动视为结构化序列过程，结合循环Mamba模块和社交三元组分解，实现高效准确的轨迹预测，实验表明其在多个基准上表现优异。
PACER: Acyclic Causal Discovery from Large-Scale Interventional Data
PACER：从大规模干预数据中进行无环因果发现
机构 * Swiss Federal Technology Institute of Lausanne (EPFL), Switzerland（瑞士联邦理工学院洛桑分校） ； Cornell University, USA（康奈尔大学） ； ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院）
AI总结 PACER通过构建无环性保证的因果发现框架，在大规模高维干预数据中实现高效且准确的因果结构推断，优于现有方法。
Comments Accepted at the 43rd International Conference on Machine Learning (2026)
