EPFL（洛桑联邦理工学院）

Contextual Scalarisation Thompson Sampling for multi-objective decisions in public media

面向公共媒体多目标决策的上下文标量化汤普森采样

Théo Maëtz, Luc Guillet, Andrea Cavallaro

机构 * Radio Télévision Suisse（瑞士广播电视台） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 提出上下文标量化汤普森采样（CSTS）方法，通过学习上下文相关的目标权重，在公共媒体推荐中平衡多个竞争目标，实验表明其优于固定权重和标准上下文赌博机方法。

Comments 15 pages, 3 figures, 3 tables. Submitted-manuscript version of a paper accepted at ICPR 2026. The Version of Record will be published in the Springer Lecture Notes in Computer Science series; DOI will be added when available

Why Linear Recurrent Memory Works in Partially Observable Reinforcement Learning

为什么线性循环记忆在部分可观测强化学习中有效

Yike Zhao, Onno Eberhard, Malek Khammassi, Ali H. Sayed, Michael Muehlebach

机构 * EPFL（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

AI总结 本文通过构造两种线性滤波器，从理论上证明了线性循环神经网络在部分可观测强化学习中作为记忆单元的有效性，并扩展到动作控制的隐马尔可夫模型。

Fixed-Point Masked Generative Modeling

不动点掩码生成建模

Andrea Miele, Yiming Qin, Alba Carballo-Castro, Justin Deschenaux, Pascal Frossard

机构 * LTS4, EPFL（EPFL LTS4实验室） 纠错

AI总结 提出不动点掩码生成模型(FP-MGM)，通过共享注意力层的不动点求解器实现自适应深度，并引入跨步一致性损失和三态重用(3SR)策略，在降低参数和训练成本的同时提升低预算掩码生成质量。

Retriever Portfolios: A Principled Approach to Adaptive RAG

检索器组合：一种自适应RAG的原则性方法

Miltiadis Stouras, Vincent Cohen-Addad, Silvio Lattanzi, Ola Svensson

机构 * EPFL（瑞士联邦理工学院） ； Google Research（谷歌研究院） 纠错

AI总结 提出从大量候选检索器中自动选择小型多样子集（组合）的方法，通过期望最优k目标优化查询分布，实现自适应RAG，在多个QA基准上优于单检索器和朴素多检索器基线，并降低延迟和令牌成本。

Comments Accepted at ICML 2026. Code available at: https://github.com/mstou/retriever-portfolios

Diversity Matters: Revisiting Test-Time Compute in Vision-Language Models

多样性至关重要：重新审视视觉-语言模型中的测试时计算

Yijie Tong, Yifan Hou, Shaobo Cui, Antoine Bosselut, Mrinmaya Sachan

机构 * ETH Zürich（苏黎世联邦理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 针对视觉-语言模型（VLM）中测试时计算（TTC）策略应用不足的问题，提出基于预测熵的ETTC方法，通过利用模型间的置信度差异提升集成性能，理论证明并实验验证其优于多数投票和最佳单模型。

Comments ICML 2026

Diffusion Models Preferentially Memorize Prototypical Examples or: Why Does My Diffusion Model Love Slop?

扩散模型优先记忆原型样本，或：为什么我的扩散模型喜欢“潦草”？

Marta Aparicio Rodriguez, Anastasia Borovykh, Grigorios A. Pavliotis, Daniel J. Korchinski

机构 * Department of Mathematics, Imperial College London, UK ； ML Lab, Capital Fund Management, France ； Department of Physics, \'Ecole Polytechnique F\'ed\'erale de Lausanne (EPFL), Switzerland 纠错

AI总结 本文通过随机层次模型生成的字符串训练扩散模型，发现模型优先记忆常见子串组成的样本，即使数据完全去重，表明点级去重无法保证隐私，而数据集多样性（尤其是高层抽象）能延缓记忆，并识别出部分记忆的中间状态导致生成均值回归的“潦草”现象。

Fully Open Meditron: An Auditable Pipeline for Clinical LLMs

完全开放的Meditron：临床大语言模型的可审计流水线

Xavier Theimer-Lienhard, Mushtaha El-Amin, Fay Elhassan, Sahaj Vaidya, Victor Cartier-Negadi, David Sasu, Lars Klein, Mary-Anne Hartley

机构 * EPFL（苏黎世联邦理工学院） 纠错

AI总结 提出首个完全开放的临床大语言模型构建流水线Fully Open Meditron，通过可审计的数据集、可复现的训练框架和对齐评估协议，在不牺牲可审计性和可复现性的前提下实现了领域最新性能。

Comments Preprint. 31 pages, 10 figures. Code, models, and data: https://github.com/EPFLiGHT/FullyOpenMeditron

Evaluation of Automatic Speech Recognition Using Generative Large Language Models

使用生成式大语言模型评估自动语音识别

Thibault Bañeras-Roux, Shashi Kumar, Driss Khalil, Sergio Burdisso, Petr Motlicek, Shiran Liu, Mickael Rouvier, Jane Wottawa, Richard Dufour

机构 * Idiap Research Institute（Idiap研究 institute） ； EPFL（瑞士联邦理工学院） ； Brno University of Technology（布拉格技术大学） ； Avignon University（阿维尼翁大学） ； Le Mans University（勒曼大学） ； Nantes University（南特大学） 纠错

AI总结 本文提出利用生成式大语言模型通过假设选择、语义距离计算和错误分类三种方法评估ASR，在HATS数据集上达到92-94%的人类一致性，优于WER和语义指标。

Progress in Formalizing Sphere Packing in Dimension 8

八维球堆积形式化进展

Sidharth Hariharan, Christopher Birkbeck, Seewoo Lee, Ho Kiu Gareth Ma, Bhavik Mehta, Auguste Poiroux, Maryna Viazovska

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of East Anglia（东安格利亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Warwick（沃里克大学） ； Imperial College London（伦敦帝国理工学院） ； Math, Inc（Math公司） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 本文介绍了使用Lean定理证明器形式化验证Viazovska在8维球堆积问题上的解，并讨论了与自动形式化模型Gauss的合作及剩余目标。

Comments 8 pages, title updated

SALAAD: Sparse And Low-Rank Adaptation via ADMM for Large Language Model Inference

SALAAD: 基于ADMM的稀疏低秩适配用于大语言模型推理

Hao Ma, Melis Ilayda Bal, Liang Zhang, Bingcong Li, Niao He, Melanie Zeilinger, Michael Muehlebach

机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） 纠错

AI总结 提出SALAAD框架，通过增广拉格朗日方法在训练中诱导稀疏低秩结构，实现模型容量灵活控制，降低部署内存且无需重训。

Symbolic Intermediaries as a Linguistic-Numerical Interface for LLM-Driven Geometric Reasoning

符号中介作为LLM驱动几何推理的语言-数值接口

João Pedro Gandarela, Thiago Rios, Stefan Menzel, André Freitas

机构 * Idiap Research Institute（Idiap研究 institute） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） ； Honda Research Institute Europe（本田欧洲研究院） ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； National Biomarker Centre, CRUK-MI, University of Manchester（曼彻斯特大学国家生物标记中心） 纠错

AI总结 提出符号中介作为连接物理模拟器数值输出与语言模型推理的接口，通过符号回归将连续数值转化为符号表达式，并在协同优化循环中提升几何推理性能。

Comments 33 pages, 18 figures