RePercENT: Scaling Disentangled Representation Learning Beyond Two Modalities
RePercENT：将解耦表示学习扩展到两种模态之外
机构 * EPFL（瑞士联邦理工学院）
AI总结 提出RePercENT框架，通过多模态即插即用架构和联合优化目标，实现超过两种模态的可扩展成对解耦，无需联合预训练并降低计算复杂度。
高校专区
EPFL（洛桑联邦理工学院）
Boosting Self-Consistency with Ranking
通过排序提升自洽性
机构 * AIRI ； Skoltech（斯克利切夫斯基因工大学） ； EPFL（瑞士联邦理工学院）
AI总结 提出RISC方法，将自洽性中的答案选择转化为排序问题，使用轻量级LambdaRank模型结合五个特征，在多个数据集上实现了比标准自洽性更好的准确率-效率权衡。
Comments 16 pages, 13 figures, accepted at ACL Student Research Workshop 2026
Data Attribution in Large Language Models via Bidirectional Gradient Optimization
通过双向梯度优化实现大型语言模型中的数据归因
机构 * EPFL, Switzerland（瑞士联邦理工学院） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院）
AI总结 提出一种基于双向梯度优化的训练数据归因方法，用于自动回归大型语言模型，以识别影响模型输出的关键训练数据，提升模型可解释性。
Comments Presented at the AI Governance (AIGOV) Workshop at AAAI 2026
R-APS: Compositional Reasoning and In-Context Meta-Learning for Constrained Design via Reflective Adversarial Pareto Search
R-APS：基于反思性对抗帕累托搜索的组合推理与上下文元学习用于约束设计
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（本田欧洲研究机构） ； 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志物中心）
AI总结 提出R-APS方法，通过推理模式分解、分阶段组合推理、敏感性引导对抗测试和元归纳规则提取，联合解决LLM在代理设置中的错误传播、最坏情况扰动和知识失效问题，在平面机构合成任务上实现更紧的鲁棒性证书和更快的迭代速度。
Metric-Aware Hybrid Forecasting for the CTF4Science Lorenz Challenge
CTF4Science Lorenz挑战的度量感知混合预测
机构 * EPFL & Idiap Research Institute（瑞士联邦理工学院（EPFL）及Idiap研究所）
AI总结 针对CTF4Science Lorenz挑战，提出一种度量感知混合系统，通过为不同度量族分配专用预测器（去噪器、ODE拟合、直方图替换），在九项任务对上取得高分。
Tight Long-Term Tail Decay of (Clipped) SGD in Non-Convex Optimization
非凸优化中（裁剪）SGD的严格长期尾衰减
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） ； University of Novi Sad（诺维萨德大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 通过大偏差理论，研究非凸优化中SGD和裁剪SGD的长期尾衰减，给出梯度范数平方的指数级上界和下界，证明衰减率可达$e^{-t/\log(t)}$量级，比现有有限时间界快一个数量级。
Comments 34 pages
Learning Randomized Reductions
学习随机归约
机构 * Yale University, USA（耶鲁大学） ； EPFL, Switzerland（瑞士联邦理工学院） ； George Mason University, USA（乔治·梅onn大学）
AI总结 提出 Bitween 框架自动学习随机自归约（RSR），通过线性回归、遗传编程等后端和 LLM 代理，在 80 个函数中分别发现 54% 和 80% 的 RSR，包括首个 sigmoid 归约。
Comments Accepted at ICML 2026 (Spotlight). 9 pages main text + appendix
Journal ref Proceedings of the 43rd International Conference on Machine Learning, PMLR 306, 2026
Data driven approximation of parametrized PDEs by Reduced Basis and Neural Networks
基于降阶基和神经网络的数据驱动参数化PDE近似
机构 * SCI-SB-SD, École Polytechnique Fédérale de Lausanne (EPFL), Station 8, 1015 Lausanne, Switzerland（SCI-SB-SD，瑞士联邦理工学院（洛桑联邦理工学院），8号站，1015洛桑，瑞士）
AI总结 本文提出一种结合降阶基方法和神经网络的数据驱动方法，用于近似参数化偏微分方程，通过减少物理参数的计算成本来估计感兴趣的场，如材料样本的温度或流体的速度。
A Universal Sampling Method for Reconstructing Signals with Simple Fourier Transforms
一种适用于使用简单傅里叶变换重建信号的通用采样方法
机构 * Tel Aviv University（特拉维夫大学） ； EPFL（瑞士联邦理工学院） ； Microsoft Research（微软研究院） ； Princeton University（普林斯顿大学） ； Google Research（谷歌研究院）
AI总结 本文提出了一种通用采样方法，用于通过少量离散样本重建连续信号，该方法基于信号的傅里叶结构约束，并展示了其在多带信号重建和高斯过程回归等任务中的有效性。
Training DNNs with Hybrid Block Floating Point
用混合块浮点数训练DNNs
机构 * EPFL（苏黎世联邦理工学院）
AI总结 本文提出了一种混合块浮点数（HBFP）方法，通过在块浮点数中执行所有点积运算，其他运算使用浮点数，从而在保持高精度的同时提高硬件密度和吞吐量。
Comments 9 pages, 3 figures. Accepted in Neural Information Processing Systems 2018 (NeurIPS 2018)
Personalized and Private Peer-to-Peer Machine Learning
个性化与隐私保护的点对点机器学习
机构 * INRIA ； EPFL（瑞士联邦理工学院） ； Université de Lille（里尔大学）
AI总结 本文提出一种高效算法，实现去中心化且异步的个性化机器学习，在强隐私要求下保证收敛性。通过差分隐私保护数据隐私，并分析隐私与效用的平衡。实验表明，在非隐私情况下优于先前方法，隐私约束下可显著提升模型性能。
Comments 20 pages, to appear in the Proceedings of the 21st International Conference on Artificial Intelligence and Statistics (AISTATS 2018)
SVM via Saddle Point Optimization: New Bounds and Distributed Algorithms
通过鞍点优化实现SVM：新的界和分布式算法
机构 * Tsinghua University（清华大学） ； EPFL（苏黎世联邦理工学院）
AI总结 本文提出基于鞍点优化的新算法，为硬边距SVM和ν-SVM提供近线性时间复杂度的解决方案，并在分布式环境下实现高效通信。
Balancing Sparsity and Rank Constraints in Quadratic Basis Pursuit
在二次基追踪中平衡稀疏性和秩约束
机构 * INRIA, Centre Inria Rennes - Bretagne Atlantique（INRIA，里昂-大西洋研究中心） ； Inst. of Electrical Eng., Ecole Polytechnique Federale de Lausanne (EPFL)（电气工程研究所，瑞士洛桑联邦理工学院） ； Institut Langevin, CNRS UMR 7587, UPMC, Univ. Paris Diderot, ESPCI（Langevin研究所，法国国家科学研究中心UMR 7587，巴黎-萨特大学，巴黎理工学院）
AI总结 本文研究了同时 enforcing 稀疏性和低秩结构的方法，提出了一种分析稀疏性和低秩约束之间权衡的新方法，并通过仿真验证了其有效性。
