EPFL（洛桑联邦理工学院）

S2MDF: A Plug-And-Play Layer for Intersection-Free Multi-Object Signed Distance Fields

S2MDF：用于无交叉多物体有符号距离场的即插即用层

Deniz Sayin Mercadier, Federico Stella, Aurel Bizeau, Nicolas Talabot, Pascal Fua

机构 * CVLab, Ecole Polytechnique Fédérale de Lausanne (EPFL)（计算机视觉实验室，瑞士联邦理工学院（EPFL）） 纠错

AI总结 提出S2MDF模块，通过硬约束强制向量值有符号距离场避免物体间几何交叉，无需修改网络架构，在训练或后处理中均可使用，显著减少交叉至数值精度且保持重建质量。

Enhancing LLM Training via Spectral Clipping

通过谱裁剪增强大语言模型训练

Xiaowen Jiang, Andrei Semenov, Sebastian U. Stich

机构 * CISPA Helmholtz Center for Information Security（信息安全研究中心） ； EPFL（瑞士联邦理工学院） 纠错

AI总结 提出SPECTRA框架，通过对优化器更新进行谱裁剪以约束谱范数、对梯度进行预谱裁剪以抑制噪声尖峰，从而提升多种优化器在大语言模型预训练中的性能。

Comments v2: ICML 2026

RAT+: Train Dense, Infer Sparse -- Recurrence Augmented Attention for Dilated Inference

RAT+：密集训练，稀疏推理——用于扩张推理的循环增强注意力

Xiuying Wei, Caglar Gulcehre

机构 * CLAIRE lab at EPFL, Lausanne, Switzerland（EPFL 拉沃斯实验室） 纠错

AI总结 提出RAT+架构，通过密集预训练和循环增强注意力，使模型在推理时可灵活切换为稀疏扩张注意力，大幅降低计算和缓存开销，同时保持高精度。

Comments Accepted by ICML2026

Bridging Maximum Likelihood and Optimal Transport for Efficient Inference and Model Selection in Stochastic Block Models

桥接最大似然与最优传输：随机块模型中的高效推理与模型选择

Simon Queric, Cédric Vincent-Cuaz, Charles Bouveyron, Marco Corneli

机构 * Université Côte d’Azur（法国蔚蓝海岸大学） ； Inria（法国国家信息与自动化技术研究院） ； CNRS LJAD（法国国家科学研究中心LJAD实验室） ； Maasai Nice, France（法国尼斯马萨伊研究所） ； EPFL Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； CNRS CEPAM（法国国家科学研究中心CEPAM实验室） 纠错

AI总结 本文通过最优传输视角研究随机块模型，提出正则化与未正则化的半松弛Gromov-Wasserstein估计器，实现聚类与模型参数的联合推断及簇数自动选择。

Comments 10 pages, 8 figures

Tracking Capabilities for Safer Agents

更安全智能体的追踪能力

Martin Odersky, Yaoyu Zhao, Yichen Xu, Oliver Bračevac, Cao Nguyen Pham

机构 * EPFL（苏黎世联邦理工学院） 纠错

AI总结 提出通过Scala 3的捕获检查类型系统静态追踪能力，构建基于编程语言的智能体安全约束，防止信息泄露和恶意副作用。

Procedural Pretraining: Warming Up Language Models with Abstract Data

程序化预训练：用抽象数据预热语言模型

Liangze Jiang, Zachary Shinnick, Anton van den Hengel, Hemanth Saratchandran, Damien Teney

机构 * EPFL（苏黎世联邦理工学院） ； Idiap Research Institute（伊迪普研究机构） ； AIML, Adelaide University（人工智能实验室，阿德莱德大学） 纠错

AI总结 提出程序化预训练方法，通过在抽象结构化数据（如形式语言生成的程序数据）上预训练语言模型，显著提升其推理能力并加速后续语义知识学习，实验表明仅需0.1-0.3%的程序数据即可超越标准预训练。

Comments ICML 2026. Project page: https://zlshinnick.github.io/procedural-pretraining-page/