EPFL（洛桑联邦理工学院）

Self-supervised local learning rules learn the hidden hierarchical structure of high-dimensional data

自监督局部学习规则学习高维数据的隐藏层次结构

Ariane Delrocq, Wu S. Zihan, Guillaume Bellec, Wulfram Gerstner

机构 * School of Life Science and School of Computer and Communications Sciences, EPFL（生命科学学院和计算机与通信科学学院，瑞士联邦理工学院） ； Machine Learning Research Unit, TU Wien（机器学习研究单位，维也纳技术大学） 纠错

AI总结 本文研究了自监督局部学习规则在随机层次模型上的表现，发现第一类规则因输入特定的非线性（masking）失效，而第二类规则能有效学习层次结构并具备数据效率和生物合理性。

Probing Persona-Dependent Preferences in Language Models

探测语言模型中依赖人格的偏好

Oscar Gilg, Pierre Beckmann, Daniel Paleka, Patrick Butlin

机构 * MATS ； EPFL（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Eleos AI Research（Eleos AI研究） 纠错

AI总结 本文通过训练线性探针来探测语言模型中不同人格下的偏好表示，发现偏好向量在不同人格间具有共享特性，并能通过调整偏好向量来影响模型的输出选择。

Comments 41 pages, 45 figures. Code: https://github.com/oscar-gilg/Preferences. Earlier write-up on LessWrong: https://www.lesswrong.com/posts/pxC2RAeoBrvK8ivMf/models-have-linear-representations-of-what-tasks-they-like-1

Split the Differences, Pool the Rest: Provably Efficient Multi-Objective Imitation

拆分差异，融合其余：可证明高效的多目标模仿

Ziyad Sheebaelhamd, Luca Viano, Volkan Cevher, Claire Vernade

机构 * University of Tübingen（图宾根大学） ； EPFL（苏黎世联邦理工学院） ； University of Technology Nuremberg（纽伦堡技术大学） 纠错

AI总结 本文研究了多目标模仿学习问题，即在多目标马尔可夫决策过程（MOMDP）中，根据多个帕累托最优专家的演示数据恢复位于帕累托前沿的策略。传统模仿方法无法应对这一场景，因为简单地聚合冲突的专家轨迹可能导致被支配的策略。为此，我们引入了多输出增强行为克隆（MA-BC）算法，该算法系统地划分分歧的专家数据，同时融合无行为冲突的状态-动作对。理论上，我们证明MA-BC以比单独考虑每个专家数据集的学习器更快的统计速率收敛到帕累托最优策略。此外，我们建立了多目标模仿学习的新下界，证明MA-BC是最小最大最优的。最后，我们在多样化的离散环境和连续线性二次调节器（LQR）控制任务中经验验证了我们的算法。

Reactive Motion Generation via Phase-varying Neural Potential Functions

通过相变神经势函数实现反应性运动生成

Ahmet Tekden, Dimitrios Kanoulas, Aude Billard, Yasemin Bekiroglu

机构 * Chalmers AI Research Center (CHAIR)（查尔姆斯人工智能研究中心（CHAIR）） ； Chalmers Gender Initiative for Excellence (Genie)（查尔姆斯卓越性别倡议（Genie）） ； Wallenberg AI, Autonomous Systems and Software Program (WASP)（瓦兰贝格人工智能、自主系统和软件计划（WASP）） ； University College London（伦敦大学学院） ； Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院（EPFL）） 纠错

AI总结 本文提出了一种基于相变神经势函数（PNPF）的运动生成框架，通过直接从状态进展估计相变量来条件势函数，从而在点到点、周期性和全6D运动任务中实现更有效的泛化，并在有交点轨迹和外部干扰下表现出更强的鲁棒性。

Comments Accepted by IEEE Robotics and Automation Letters (RAL)

The MixCount Dataset: Bridging the Data Gap for Open-Vocabulary Object Counting

MixCount数据集：弥合开放词汇物体计数的数据缺口

Corentin Dumery, Niki Amini-Naieni, Shervin Naini, Pascal Fua

机构 * EPFL（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Northwestern University（西北大学） 纠错

AI总结 本文提出MixCount数据集，通过自动生成管道解决开放词汇物体计数中混合物体场景下的数据不足问题，展示了在真实世界基准上的显著提升。

Comments Co-first authors. Dataset and project page https://corentindumery.github.io/projects/mixcount.html

Causal Influences over Social Learning Networks

社交学习网络中的因果影响

Mert Kayaalp, Ali H. Sayed

机构 * Dalle Molle Institute for Artificial Intelligence (IDSIA USI-SUPSI)（达勒莫勒人工智能研究所（IDSIA USI-SUPSI）） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文研究了由社交图连接的智能体之间的时间动态因果影响，分析了社交学习模型和分布式决策协议的动力学，并推导出揭示智能体对之间因果关系的表达式，解释了网络中的影响流动。结果依赖于图拓扑和每个智能体对推理问题的信息水平。基于这些结论，本文提出了一种算法来对智能体的整体影响进行排名，以发现具有高度影响力的智能体，并提供了一种从原始观测数据中学习必要模型参数的方法。结果和所提算法通过考虑合成数据和真实社交媒体数据进行了示例说明。

Comments Accepted to the Journal of Machine Learning Research

Scale Determines Whether Language Models Organize Representation Geometry for Prediction

尺度决定语言模型是否为预测组织表示几何

Weilun Xu

机构 * School of Computer and Communication Sciences（计算机与通信科学学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 研究探讨了语言模型中表示几何是否为预测组织，通过Subspace PGA指标发现，模型规模影响表示几何的组织程度，小模型在训练后期逐渐失去这种组织，而大模型则保持稳定。

The Diffusion Duality, Chapter II: $Ψ$-Samplers

扩散对偶性，第二章：Ψ-采样器

Justin Deschenaux, Caglar Gulcehre, Subham Sekhar Sahoo

机构 * EPFL, Lausanne, Switzerland（苏黎世联邦理工学院，洛桑分校） ； Microsoft AI（微软人工智能） ； Cornell Tech, NY（康奈尔科技） 纠错

AI总结 本文提出了一种通用的预测-校正采样器，用于离散扩散模型，提升了语言和图像建模的生成质量，并展示了其在训练效率上的优势。

Orthologic for SAT Solving

正交逻辑用于SAT求解

Vladislas de Haldat, Simon Guilloud, Viktor Kunčak

机构 * EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种新的正交逻辑公式蕴含判定算法，避免了先前方法的高成本预处理阶段，同时保持相同的最坏复杂度。通过合成SAT基准测试，展示了正交逻辑归一化在某些难题中的提升效果。