高校专区
SwarmCoDe：一种通过动态种群划分实现异构机器人群规模化协同设计的框架
机构 * Department of Mechanical Engineering, École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校机械工程系）
AI总结 本文提出SwarmCoDe框架，通过动态种群划分自动扩展机器人群异质性以匹配任务复杂度，实现大规模异构机器人群的协同设计优化。
Comments 8 pages, 9 figures
图学习在因果老虎机中是次优的
机构 * College of Management of Technology, EPFL（EPFL技术管理学院） ； Department of Computer Science, TU Munich（慕尼黑技术大学计算机科学系）
AI总结 本文研究了在因果充分性条件下因果老虎机的 regrets 最小化问题，发现学习父集并非最优策略，并提出无需图学习的近优算法。
Comments 32 pages, accepted at AISTATS 2026
时间序列显著图：跨多个领域的模型解释
机构 * EPFL（苏黎世联邦理工学院）
AI总结 本文提出跨域集成梯度方法，用于时间序列模型的跨领域解释，通过复杂域扩展实现频率基属性分配，在三个真实任务中展示了可解释的领域特定属性。
地球系统基础模型（ESFM）：一个用于异质数据整合和预测的统一框架
机构 * Swiss Data Science Center (SDSC), ETH Zurich & EPFL（瑞士数据科学中心（SDSC）、苏黎世联邦理工学院与洛桑联邦理工学院） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院人工智能中心） ； Federal Office for Meteorology and Climatology MeteoSwiss（联邦气象与气候办公室MeteoSwiss） ； Institute of Geodesy and Photogrammetry, ETH Zurich（苏黎世联邦理工学院测绘与摄影测量研究所） ； Computational and Applied Mathematics Laboratory, ETH Zurich（苏黎世联邦理工学院计算与应用数学实验室） ； Institute for Atmospheric and Climate Science (IAC), ETH Zurich（大气与气候科学研究所（IAC）、苏黎世联邦理工学院） ； Scalable Parallel Computing Lab, ETH Zurich（可扩展并行计算实验室、苏黎世联邦理工学院） ； Dep. of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系、剑桥大学）
AI总结 本文提出ESFM，一个基于3D Swin UNet的开放模型，通过扩展编码方案和轴向注意力机制，实现对多源异质数据的整合与预测，提升气候科学应用性能。
Comments ESFM is available on https://github.com/swiss-ai/ESFM. 48 pages, 29 figures, 18 tables
2026 年人工智能与机器学习在智能制造中的路线图
机构 * Center for Industrial Artificial Intelligence, Department of Mechanical Engineering, University of Maryland, College Park（工业人工智能中心，机械工程系，马里兰大学College Park分校） ； Department of Management, Economics and Industrial Engineering, Politecnico di Milano（管理、经济与工业工程系，米兰理工学院） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； Centre for Advanced Manufacturing & Supply Chains, World Economic Forum（先进制造与供应链研究中心，世界经济论坛） ； Department of Mechanical Engineering, Indian Institute of Technology Indore（机械工程系，印度理工学院Indore分校） ； Future Information Innovative College, Fudan University（未来信息创新学院，复旦大学） ； Department of Mechanical Engineering, Seoul National University（机械工程系，首尔国立大学） ； Department of Mechanical and Information Engineering, University of Seoul（机械与信息工程系，首尔大学） ； Onepredict Corp.（Onepredict公司） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） ； Singapore Centre for 3D Printing, Nanyang Technological University（新加坡3D打印中心，南洋理工大学） ； Mechanical Engineering, Purdue University（机械工程系，普渡大学） ； Digital Twin International Research Center, International Institute for Interdisciplinary and Frontiers, Beihang University（数字孪生国际研究中心， interdisciplinary and Frontiers 国际研究院，北京航空航天大学） ； School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） ； Center for Advanced Manufacturing, University of Southern California（先进制造中心，南加州大学） ； School of Sustainability Engineering and Environmental Engineering, Purdue University（可持续工程与环境工程系，普渡大学） ； School of Mechanical Engineering, Sungkyunkwan University（机械工程系，全南大学） ； Intelligent Maintenance and Operations Systems, EPFL（智能维护与运营系统，苏黎世联邦理工学院） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学） ； Department of Mechanical and Process Engineering, ETH Zürich（机械与工艺工程系，苏黎世联邦理工学院）
AI总结 本文探讨人工智能与机器学习在智能制造中的发展现状与未来方向，涵盖基础理论、应用领域及新兴技术，旨在推动创新与产业应用。
Comments This paper has been accepted for publication in the Journal Machine Learning: Engineering
神经细胞自动机：从细胞到像素
机构 * EPFL（瑞士联邦理工学院） ； Google Research（谷歌研究）
AI总结 本文提出混合模型，通过粗网格NCA与轻量隐式解码器结合，实现高分辨率实时输出并保留NCA的自组织特性。
Comments 9 pages, 14 figures, +8 pages of Appendix (20 figures in total)
Journal ref SIGGRAPH 2026
为最优经济成本自动调优建筑MPC控制器
机构 * Laboratoire d'Automatique, EPFL, 1015 Lausanne, Switzerland.（自动化实验室，EPFL，瑞士拉沃斯纳，1015）
AI总结 本文提出利用约束贝叶斯优化自动调优MPC控制器，通过案例研究展示其在降低电力成本和优化需求侧管理程序方面的显著效果。
Comments 11 pages, 5 figures
Journal ref Control Engineering Practice 174 107023 (2026)
Dirac-Frenkel-Onsager原理：利用规范动量的瞬时残差最小化用于非线性参数化PDE解
机构 * EPFL（瑞士洛桑联邦理工学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所）
AI总结 本文提出基于Dirac-Frenkel原理的Onsager扩展，通过引入规范动量提升非线性参数化PDE解的时间稳定性与鲁棒性。
为什么LLMs在战略博弈中表现不佳？观察、信念和行动之间的断裂链接
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； EPFL（苏黎世联邦理工学院）
AI总结 本文探讨了LLMs在不完全信息博弈中决策失败的原因，揭示了观察-信念和信念-行动之间的两大内在缺陷，通过实验验证了LLMs在多步推理中的信念不稳定性及行动转换的不足。
扩散模型实际上是秘密的零样本3DGS和谐者
机构 * Computer Vision Laboratory, EPFL（EPFL 计算机视觉实验室）
AI总结 本文提出D3DR方法，通过扩散模型隐含理解场景光照，实现3DGS场景中物体的自然插入与光照修正，提升视图合成质量。
时间交叉编码：在LLM预训练过程中追踪语言表示的出现与巩固
机构 * EPFL（瑞士联邦理工学院） ； Boston University（波士顿大学）
AI总结 通过稀疏交叉编码器追踪LLM预训练中语言表示的演变，引入RelIE指标分析特征对任务性能的因果影响，实现对表示学习的可解释性分析。
Comments Accepted to ACL 2026
L2RU: 一种具有预设L2界的状态空间模型
机构 * Institute of Mechanical Engineering, Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院机械工程学院）
AI总结 本文提出L2RU状态空间模型，通过预设L2界保证系统稳定性与鲁棒性，改进了传统SSM在系统辨识和最优控制中的应用效果。
基于高斯过程的贝叶斯优化教程：加速平稳点搜索
机构 * Institute IMX and Lab-COSMO（IMX研究所和COSMO实验室） ； École polytechnique fédérale de Lausanne (EPFL)（日内瓦联邦理工学院（EPFL））
AI总结 本文通过统一的贝叶斯优化框架，探讨了最小化、单点鞍点搜索和双端路径搜索，展示了高斯过程回归、逆距离核和主动学习在加速势能面平稳点搜索中的应用。
Comments 66 pages, 24 figures (main). Accepted article for ACS Physical Chemistry Au
大规模神经科学时代的整合神经计算建模
机构 * Champalimaud Centre for the Unknown（Champalimaud 未知中心） ； Janelia Research Campus（Janelia 研究campus） ； Harvard University（哈佛大学） ； Yale University（哥伦比亚大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院） ； RyvivyR Inc（RyvivyR 公司）
AI总结 本文提出整合神经计算模型，通过结合非线性状态空间模型和元动力学扩展，实现对脑体环境闭环耦合的建模，旨在推断神经和行为动态的组织原则。
Comments Perspective
在LLM推理中，SFT-然后-RL优于混合策略方法
机构 * ETH AI Center, ETH Zürich（苏黎世联邦理工学院人工智能中心） ； EPFL（瑞士联邦理工学院） ； Allen Institute for AI（人工智能研究所）
AI总结 本文指出，混合策略方法的性能提升源于两个错误：DeepSpeed优化器在梯度累积中丢失中间微批次，以及OpenRLHF损失聚合错误加权。修正后，标准SFT-然后-RL流程在数学基准上超越了所有混合策略方法。
管扩散策略：面向富接触操作的反应式视觉-触觉策略学习
机构 * Meta Reality Labs Research（Meta现实实验室） ； Idiap Research Institute（Idiap研究机构） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） ； University of Toronto（多伦多大学） ； Purdue University（普渡大学）
AI总结 本文提出Tube Diffusion Policy，通过结合扩散模型与管反馈控制，解决富接触操作中对不确定性和高频触觉反馈的快速反应需求，实验验证其在多种任务中的优越性能。
基于微表情的Avatar指纹识别：通过帧间特征差分
机构 * Department of Computational Linguistics, University of Zurich（苏黎世大学计算语言学系） ； UZH Digital Society Initiative（UZH数字社会倡议） ； Idiap Research Institute（Idiap研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（日内瓦联邦理工学院（EPFL））
AI总结 本文提出一种无需预处理的Avatar指纹识别方法，通过帧间特征差分捕捉驱动者的动态特征，提升身份识别性能。
Comments Accepted to TrustFA Workshop, IEEE FG 2026
FeatEHR-LLM：利用大型语言模型进行电子健康记录中的特征工程
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校）
AI总结 本文提出FeatEHR-LLM框架，利用大型语言模型从不规则采样EHR时间序列中生成临床有意义的表格特征，通过迭代验证流程提升多变量特征生成能力，在四个ICU数据集上取得最高AUROC表现。
向量搜索的语义召回
机构 * CWI（荷兰阿姆斯特丹CWI） ； EPFL（瑞士洛桑联邦理工学院） ； Google（谷歌）
AI总结 本文提出语义召回指标，用于评估近邻搜索算法的质量，考虑仅在理论上可通过精确最近邻搜索检索到的语义相关对象。通过实验证明，该指标在查询结果中相关对象较少时特别有效，并引入了容忍召回作为近似指标。
Comments Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval
面向医疗系统规模的多模态与时间基础模型：虚拟患者表示
机构 * Department of Pathology, Mass General Brigham, Harvard Medical School（病理学系，马萨诸塞州总医院与哈佛医学院） ； Cancer Program, Broad Institute of Harvard and MIT（癌症计划，哈佛-麻省理工Broad研究所） ； Data Science Program, Dana-Farber Cancer Institute（数据科学计划，达纳-法伯癌症研究所） ； Health Sciences and Technology, Harvard-MIT（健康科学与技术，哈佛-麻省理工） ； Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛约翰·A·保罗森工程与应用科学学院，哈佛大学） ； Department of Biomedical Informatics, Harvard Medical School（生物医学信息学系，哈佛医学院） ； Electrical Engineering and Computer Science, Massachusetts Institute of Technology (MIT)（电气工程与计算机科学，麻省理工学院（MIT）） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，EPFL，瑞士洛桑）
AI总结 本文提出Apollo模型，整合多模态和时间信息，构建虚拟患者表示，用于预测疾病风险、治疗反应等，展示其在医疗计算中的潜力。
LEAD：突破长horizon推理中的无恢复瓶颈
机构 * EPFL（瑞士联邦理工学院） ； Apple（苹果公司）
AI总结 本文提出LEAD方法，通过结合短horizon验证与重叠回放，解决长horizon推理中因非均匀误差分布导致的无恢复瓶颈问题，使o4-mini模型能解决复杂度达n=13的Checkers Jumping问题。
Comments 28 pages, 5 figures, 2 tables. Updated version to reflect the manuscript under review at COLM 2026
高效符号计算用于识别因果效应
机构 * Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院） ； Binghamton University（宾夕法尼亚州立大学布林茅尔分校） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文提出高效算法解决因果效应的符号计算问题，通过准多项式时间找到最低次识别公式，克服传统Gröbner基方法的计算瓶颈。
大语言模型是否在形式化中作弊？评估逻辑推理中的忠实性
机构 * EPFL（苏黎世联邦理工学院）
AI总结 本文评估了大语言模型在逻辑推理中的忠实性，发现统一生成方法在形式化过程中未表现出系统性作弊行为，但两种阶段流程揭示了两种不同的不忠实性模式。
Comments 25 pages, 4 figures, 22 tables. Published at the VerifAI-2 Workshop, ICLR 2026 (non-archival). Code and data: https://github.com/koreankiwi99/formalization-gaming
FairTree: 机器学习模型子组公平性审计的偏差-方差分解
机构 * University of Zurich（苏黎世大学） ； EPFL（瑞士联邦理工学院）
AI总结 本文提出FairTree算法，通过偏差-方差分解实现对机器学习模型子组公平性的审计，支持连续、分类和有序特征，且无需离散化。通过模拟研究验证了其在公平性评估中的有效性。
Comments Accepted at ACM FAccT 2026
隐式线性二次调节器用于机器人控制任务
机构 * University of Freiburg（弗赖堡大学） ； EPFL（苏黎世联邦理工学院） ； Kyoto University（京都大学）
AI总结 本文提出隐式线性二次调节器（LaLQR），通过将状态空间映射到隐空间，使动态模型线性化并使成本函数二次化，从而高效应用LQR。实验表明其在效率和泛化能力上优于其他基线方法。
Comments Accepted at L4DC 2026
通过翼链接调节实现推力调节：Aerobat平台上的压电滑stick执行器开发
机构 * SiliconSynapse Lab（硅芯合成实验室） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文研究了通过调节计算结构中第一半径链接的有效长度来实现推力调节，开发了压电滑stick执行器以实现独立翼推力控制。
评估LLM导师对对抗性学生攻击的答案泄露鲁棒性
机构 * EPFL（瑞士联邦理工学院）
AI总结 本文研究了学生对抗性攻击下LLM导师的答案泄露鲁棒性，评估了多种模型在对抗攻击下的表现，并提出标准化基准和防御策略。
Comments ACL 2026
模型受挫：法语合成社交媒体上的情感分析
机构 * PleIAs ； RATP Group（RATP集团） ； CAIRO ； EPFL（苏黎世联邦理工学院）
AI总结 本文提出了一种通用合成数据生成管道，用于法语公共交通顾客 distress 检测，通过回译和合成推理轨迹生成170万条合成推文，训练出77-79%准确率的推理器，降低标注成本并保护隐私。
机构 * EPFL Lausanne（日内瓦联邦理工学院拉沃斯分校） ； UC Berkeley（伯克利大学） ； Courant Institute, NYU（纽约大学Courant研究所）
Comments Accepted at ICLR 2026. Camera-ready version
解释多发性硬化皮质病变分割中不确定性的原因超越预测误差
机构 * Faculty of Biology and Medicine, University of Lausanne (UNIL)（日内瓦大学生物医学学院） ； Radiology Department, Lausanne University Hospital (CHUV)（拉索恩大学医院放射科） ； MedGIFT, Institute of Informatics, School of Management, HES--SO Valais--Wallis University of Applied Sciences and Arts Western Switzerland（应用科学与艺术西瓦利斯-瓦利斯大学信息学院） ； CIBM Center for Biomedical Imaging（生物医学成像中心） ； Department of Radiology and Medical Informatics, University of Geneva（日内瓦大学放射科与医学信息学系） ； Translational Imaging in Neurology (ThINK) Basel, Department of Medicine and Biomedical Engineering, University Hospital Basel and University of Basel（神经学转化成像（ThINK）巴塞尔，医学与生物医学工程系，巴塞尔大学医院和巴塞尔大学） ； Multiple Sclerosis Center, Department of Neurology, University Hospital Basel（多发性硬化中心，神经科，巴塞尔大学医院） ； Research Center for Clinical Neuroimmunology and Neuroscience Basel (RC2NB), University Hospital Basel and University of Basel（临床神经免疫学和神经科学巴塞尔研究中心（RC2NB），巴塞尔大学医院和巴塞尔大学） ； Department of Neurology, Icahn School of Medicine at Mount Sinai（伊坎医学院 Mount Sinai 神经科） ； Translational Neuroradiology Section, National Institute of Neurological Disorders and Stroke, National Institutes of Health（神经学转化放射学部门，国家神经疾病与中风研究所，国家卫生研究院） ； Neuroinflammation Imaging Lab (NIL), Université catholique de Louvain（神经炎症成像实验室（NIL），卢瓦纳大学） ； EPFL+ECAL Lab, École polytechnique fédérale de Lausanne (EPFL)（EPFL+ECAL 实验室，日内瓦联邦理工学院（EPFL））
AI总结 本文提出一个框架，用于分析多发性硬化皮质病变分割中病变尺度的预测不确定性，揭示实例级不确定性与病变大小、形状和皮质涉及程度的关系，通过专家反馈验证其临床相关性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈