EPFL（洛桑联邦理工学院）

Sampling Data with Chains of Forward-Backward Diffusion Steps

通过前向-反向扩散步骤链采样数据

Hyunmo Kang, Noam Itzhak Levi, Corinna Elena Wegner, Daniel J. Korchinski, Matthieu Wyart

机构 * Johns Hopkins University（约翰霍普金斯大学） ； EPFL（瑞士联邦理工学院） ； University of Göttingen（哥廷根大学） 纠错

AI总结 提出U-turn链，通过扩散模型的短前向-反向步骤迭代构造马尔可夫链，结合Metropolis-Hastings校正从能量修正目标中采样，并发现最小U-turn动力学经历由数据流形碎片化驱动的遍历性破缺相变。

Polymander II: an amphibious salamander-inspired robot with contact and flow sensors

Polymander II：一种带有接触和流量传感器的两栖蝾螈启发机器人

Qiyuan Fu, Sudong Lee, Andrea Grillo, Jonathan Arreguit, Louis Gevers, Josie Hughes, Auke J. Ijspeert

机构 * Biorobotics Laboratory, EPFL（生物机器人实验室，瑞士联邦理工学院） ； CREATE Lab, EPFL（CREATE实验室，瑞士联邦理工学院） ； Innobridge Services Sàrl（Innobridge Services公司） 纠错

AI总结 本文提出一种基于霍尔效应传感器的两栖机器人，用于感知足部接触力和侧向水动力，实现陆水环境感知与反馈控制。

Comments This work has been accepted for publication in the 2026 International Conference on Robotics and Automation (ICRA), Vienna, Austria

Your Neighbors Know: Leveraging Local Neighborhoods for Backdoor Detection in Decentralized Learning

你的邻居知道：利用局部邻居进行去中心化学习中的后门检测

Sayan Biswas, Antoine Boutet, Davide Frey, Romaric Gaudel, Rachid Guerraoui, Maxime Jacovella, Anne-Marie Kermarrec, Dimitri Lerévérend, François Taïani, Martijn de Vos

机构 * EPFL（瑞士联邦理工学院） ； Inria, INSA Lyon, CITI（法国国家科学研究中心、里昂国立应用科学学院、CITI） ； Univ. Rennes, Inria, CNRS, IRISA（雷恩大学、法国国家科学研究中心、CNRS、IRISA） 纠错

AI总结 提出Argus框架，通过局部邻居协作分析模型更新并利用结构相似性度量区分真实后门与数据异构性导致的误报，实现去中心化学习中的后门检测，并提供理论收敛保证。

Comments 34 pages, 10 figures

Testing Support Size More Efficiently Than Learning Histograms

比学习直方图更高效地测试支撑大小

Renato Ferreira Pinto, Nathaniel Harms

机构 * Columbia University, USA（哥伦比亚大学，美国） ； University of British Columbia, Canada（不列颠哥伦比亚大学，加拿大） ； University of Waterloo（多伦多大学） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 针对未知概率分布p的支撑大小测试问题，提出一种基于切比雪夫多项式的方法，仅需O(n/(ε log n) log(1/ε))个样本，优于学习直方图的Θ(n/(ε^2 log n))样本，并给出支撑大小的更大下界。

Comments 42 pages. This is the TheoretiCS journal version

Journal ref TheoretiCS, Volume 5 (May 21, 2026) theoretics:16717

Geometrically Constrained Outlier Synthesis

几何约束异常合成

Daniil Karzanov, Marcin Detyniecki

机构 * AXA AI Research（AXA人工智能研究） ； EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； Polish Academy of Science, IBS PAN, Warsaw, Poland（波兰科学院，IBS PAN，华沙，波兰） 纠错

AI总结 提出几何约束异常合成（GCOS）方法，通过在隐藏特征空间中生成受几何约束的虚拟异常样本，结合对比正则化，提升图像分类模型对分布外样本的鲁棒性。

Comments 19 pages, accepted to ICML 2026

Constrained Meta Reinforcement Learning with Provable Test-Time Safety

具有可证明测试时安全性的约束元强化学习

Tingting Ni, Maryam Kamgarpour

机构 * Sycamore Lab, EPFL, Lausanne, Switzerland（苏黎世联邦理工学院萨克森实验室，瑞士拉瓦尔） 纠错

AI总结 提出一种约束元强化学习算法，在测试任务上以可证明的安全性和样本复杂度保证学习近似最优策略，并证明样本复杂度下界。

PLAID: A Unified Data Model for Machine Learning on Heterogeneous Physics Simulations

PLAID：面向异构物理模拟的机器学习统一数据模型

Fabien Casenave, Xavier Roynard, Brian Staber, Alexandre Devaux-Rivière, William Piat, Michele Alessandro Bucci, Nissrine Akkari, Abbas Kabalan, Xuan Minh Vuong Nguyen, Luca Saverio, Raphaël Carpintero Perez, Anthony Kalaydjian, Samy Fouché, Thierry Gonon, Ghassan Najjar, Thomas Daniel, Emmanuel Menier, Matthieu Nastorg, Giovanni Catalani, Christian Rey

机构 * EPFL（苏黎世联邦理工学院） ； Inria（法国国家信息与自动化技术研究院） 纠错

AI总结 提出PLAID统一数据层，通过标准化异构物理模拟数据并发布六个基准数据集，解决机器学习代理模型缺乏大规模多样化数据集的问题。

Comments Presented at EuRIPS 2025 and accepted at the AI4Physics Workshop @ ICML 2026