高校专区
ACT：代理分类树
机构 * AXA AI Research（AXA人工智能研究） ； Stanford University（斯坦福大学） ； EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； Polish Academy of Sciences, IBS PAN, Warsaw, Poland（波兰科学院计算机科学研究所）
AI总结 ACT通过将决策树扩展到非结构化输入，利用自然语言问题和LLM反馈提升透明度和可解释性，实验证明其在文本基准上优于基于提示的方法。
Comments 25 pages, 8 figures
量子卷积神经网络可以被经典地模拟
机构 * Information Sciences, Los Alamos National Laboratory（信息科学部，洛斯阿拉莫斯国家实验室） ； Donostia International Physics Center（多诺斯蒂亚国际物理中心） ； Department of Applied Physics, Gipuzkoa School of Engineering, University of the Basque Country (UPV/EHU)（应用物理系，吉普斯夸工程学院，巴斯克大学） ； Theoretical Division, Los Alamos National Laboratory（理论部，洛斯阿拉莫斯国家实验室） ； Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
AI总结 本文指出量子卷积神经网络在经典计算上可被高效模拟，其成功源于对简单数据集的基准测试，而非量子优势。
Comments 12 + 15 pages , 6 + 7 figures, 1 table, updated to published version
Journal ref PRX Quantum 7, 020304 (2026)
研究欧洲议会中游说团体的影响
机构 * EPFL（瑞士联邦理工学院）
AI总结 本文通过自然语言处理方法分析欧洲议会中游说团体在立法过程中的影响，利用语义相似性和蕴含性发现可解释的联系，并通过间接验证提高透明度。
Comments 11 pages, 5 figures. Under review for presentation at ICWSM 2024
为不确定性量化方法的自动化设计应用进化搜索
机构 * AIRI ； Skoltech（斯科尔科沃科学技术学院） ； Amazon（亚马逊） ； EPFL（瑞士联邦理工学院洛桑） ； MIPT（莫斯科物理技术学院）
AI总结 本文通过LLM驱动的进化搜索自动发现无监督的不确定性量化方法，其在原子声明验证任务中优于手动设计的基线方法，且在分布外泛化方面表现稳健。
超越真实数据：利用图像质量先验进行现实场景图像修复
机构 * Duke University（杜克大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出IQPIR框架，通过引入图像质量先验指导图像修复，提升感知质量。方法整合代码本先验，采用Transformer和双分支结构优化修复效果。
Comments Accepted by CVPR 2026
链式帧：通过帧感知推理推进多模态大语言模型的视频理解
机构 * New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出一种单阶段视频LLM，通过显式引用相关帧减少推理中的时间不一致性，利用COF-DATA数据集提升视频理解性能，发现合成数据显著提升模型准确率。
Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
图状态-空间模型与潜在关系推断
机构 * Università della Svizzera italiana, IDSIA, Switzerland（瑞士意大利语区大学，IDSIA，瑞士） ； EPFL, IMOS Lab, Switzerland（瑞士洛桑联邦理工学院，IMOS实验室，瑞士） ； Politecnico di Milano, Italy（米兰理工大学，意大利）
AI总结 本文提出图状态-空间模型，通过联合学习状态空间动态和潜在关系结构，提升时空数据的预测准确性。
实时代理建模用于个性化血流预测和血流动力学分析
机构 * Laboratory of Hemodynamics and Cardiovascular Technology, EPFL（EPFL血液动力学与心血管技术实验室） ； Stanford DBDS and HAI, Stanford University（斯坦福大学DBDS与HAI） ； Medical School, National and Kapodistrian University of Athens（雅典大学医学院）
AI总结 本文提出一种训练机器学习模型的系统框架，用于实时预测个性化血流动力学参数，减少合成数据集生成成本，并通过评估模型性能确定逆问题求解所需信息。
通用小目标检测：点提示范式与基准
机构 * School of Electronic Information, Wuhan University（武汉大学电子信息学院） ； Environmental Computational Science and Earth Observation Laboratory, EPFL（EPFL环境计算科学与地球观测实验室） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
AI总结 本文提出点提示小目标检测范式，通过引入TinySet-9M数据集和DEAL框架，解决小目标检测中数据不足和语义表示弱的问题，实现显著的性能提升。
全国范围内的高分辨率森林枯黄监测：利用哨兵-2卫星
机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； Swiss Data Science Center（瑞士数据科学中心） ； EPFL（洛桑联邦理工学院） ； Swiss Federal Institute for Forest, Snow and Landscape Research WSL（瑞士联邦森林、雪与景观研究所） ； University of Bern（伯尔尼大学） ； Oeschger Centre for Climate Change Research（厄施格气候变化研究中心）
AI总结 本文提出一种可扩展方法，利用哨兵-2卫星数据在10米分辨率下对森林绿度异常进行全国范围监测，通过植被周期模型检测瑞士森林枯黄现象，模型解释了65%的观测变化。
Comments 9 pages, 7 figures, to be published in the ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Congress)
如何以及为何深度集成学习结合迁移学习在双相障碍和精神分裂症分类中提高性能？
机构 * NeuroSpin, CEA Saclay, Université Paris-Saclay（NeuroSpin, CEA Saclay, 巴黎-萨克雷大学） ； EPFL（瑞士洛桑联邦理工学院）
AI总结 本文研究了深度集成学习与迁移学习如何减少单个受试者分类模型的变异性，探讨其在双相障碍和精神分裂症分类中的性能提升原因。
Journal ref ISBI 2024 - IEEE International Symposium on Biomedical Imaging, May 2024, Athenes, Greece
通过群体检测与反馈细化的端到端共享注意力估计
机构 * Toyota Technological Institute, Japan（丰田工业大学） ； Idiap Research Institute, Switzerland（Idiap研究所） ； École Polytechnique Fédérale de Lausanne, Switzerland（洛桑联邦理工学院）
AI总结 本文提出一种端到端的共享注意力估计方法，通过群体检测解决传统方法的不足，通过两步过程生成并细化共享注意力热图，提升群体检测和共享注意力估计性能。
Comments Accepted to CVPR2026 Workshop (GAZE 2026)
规范的位置至关重要：从偏见到中性的初始化
机构 * Physics Department EPFL（洛桑联邦理工学院物理系） ； Department of Statistics Sapienza, University of Rome（罗马大学统计系） ； Department of Mathematics and Computer Science University of Basel（巴塞尔大学数学与计算机科学系） ； SIAM Department Eawag (ETH)（瑞士联邦水科学与技术研究所SIAM部门（苏黎世联邦理工学院））
AI总结 本文研究了规范化层在初始化阶段对类预测分布的影响，揭示了预规范化与后规范化对模型行为的系统性影响，为网络设计提供理论指导。
Comments Proceedings of the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026, Tangier, Morocco. PMLR: Volume 300. Copyright 2026 by the author(s)
Journal ref AISTATS 2026
基于模型的学习在POMDPs中近最优有限窗口策略
机构 * SYCAMORE group, Institute of Mechanical Engineering, EPFL（SYCAMORE小组，机械工程研究所，瑞士洛桑联邦理工学院）
AI总结 研究基于模型的学习在POMDPs中有限窗口策略的近最优性，通过分析样本复杂性，提出高效的模型估计方法，结合价值迭代获得近最优策略。
多臂老虎机中基于图的后悔界
机构 * College of Management of Technology EPFL（EPFL技术管理学院）
AI总结 研究多臂老虎机在网络干扰下的表现，提出基于局部图结构的算法，推导出图依赖的后悔上界，并给出任意网络干扰下的下界，证明算法在密集和稀疏图中接近最优。
深度强化学习预训练的进化策略
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
AI总结 研究比较了进化策略与深度强化学习在不同难度任务中的性能，发现ES在简单任务中可提升DRL效果，但复杂任务中表现不优。
Comments 12 pages, 3 figures, 2 algorithms; EE-568 Reinforcement learning course project
基于推理的合成数据生成与评估
机构 * EPFL（瑞士联邦理工学院洛桑） ； Google（谷歌） ； Google Deepmind（谷歌DeepMind）
AI总结 本文提出Simula框架，通过无种子、代理化方法生成大规模合成数据，提供可解释且可控的生成流程，验证了其在多种数据集上的有效性，为合成数据机制设计和大规模生成评估提供指导。
Comments Accepted to TMLR 2026, J2C Certification
REFINE：现实世界中交互反馈与学生行为的探索
机构 * EPFL（瑞士联邦理工学院洛桑）
AI总结 本文提出REFINE系统，通过多智能体反馈机制实现高效互动反馈，提升学生参与度与反馈质量。
Comments Accepted to AIED 2026
人力与AI协作的经济学：部分自动化何时比完全自动化更具吸引力？
机构 * Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； IBM Research（IBM研究院） ； IBM’s Institute for Business Value（IBM商业价值研究院）
AI总结 本文构建了评估任务自动化最优程度的统一框架，通过连续选择而非二元决策，分析企业在AI准确性水平上的成本最小化选择，揭示部分自动化在人力保留任务下的经济优势。
具有容错性和通信效率的分布式训练：压缩和循环梯度编码
机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Stanford University（斯坦福大学） ； Swiss Federal Institute of Technology in Lausanne (EPFL)（洛桑联邦理工学院）
AI总结 本文提出LAD方法，通过循环梯度编码提升分布式训练在拜占庭攻击下的鲁棒性，并引入Com-LAD进一步降低通信开销。
AdaptToken: 基于熵的自适应令牌选择用于多模态大语言模型长视频理解
机构 * Microsoft Spatial AI Lab（微软空间人工智能实验室） ； EPFL（瑞士联邦理工学院洛桑） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 AdaptToken通过利用模型自不确定性实现全局控制信号，提升多模态大语言模型对长视频的理解能力，通过熵信号分配令牌预算并支持提前停止，提升准确率并减少推理时间。
Comments Project page: https://haozheqi.github.io/adapt-token
生成式AI在金属有机框架设计与合成中的崛起
机构 * Deep Principle, Inc.（Deep Principle公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Washington University（华盛顿大学） ； Institute of Materials Science & Engineering, Washington University（华盛顿大学材料科学与工程研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Cornell University（康奈尔大学） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； University of Washington（华盛顿大学） ； University of North Texas（北德克萨斯大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Canadian Institute for Advanced Research（加拿大高等研究院） ； NVIDIA（英伟达）
AI总结 生成式AI推动金属有机框架设计方法革新，通过自主提出并合成新型多孔结构，结合高通量计算筛选和自动化实验，形成加速发现闭环流程，提升清洁空气和能源应用材料性能。
Comments 10 pages, 5 figures
Journal ref Matter (2026)
超越评审：将语言模型应用于反思中的规划与翻译
机构 * EPFL（瑞士联邦理工学院洛桑） ； KTH Royal Institute of Technology（瑞典皇家理工学院）
AI总结 本文提出利用语言模型支持反思写作的规划与翻译阶段，通过实验发现AI支持能提升反思深度和结构质量，但效果在延迟测试中减弱。
Comments Accepted at AIED 2026
对话代理与人类语言的理解：对人工智能、大语言模型和认知科学的反思
机构 * HEIG-VD / HES-SO（瑞士西部应用科学与艺术大学伊韦尔东工程与管理高等学院） ； EPFL（瑞士洛桑联邦理工学院）
AI总结 本文探讨计算机自然语言处理与人类语言能力理解的关系，分析NLP发展与语言能力理论的异同，指出语言技术的进步未显著深化人类语言处理机制的理解。
Comments 7 pages
FormalProofBench：模型能否写出经过形式验证的研究生级数学证明？
机构 * Vals AI ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； Indiana University, Bloomington（印第安纳大学布卢明顿分校） ； Independent Researcher（独立研究员）
AI总结 FormalProofBench评估AI能否生成经过形式验证的研究生级数学证明，通过自然语言问题与Lean 4形式陈述配对，测试模型生成Lean证明的能力，结果显示最佳模型准确率为33.5%。
Comments Accepted at ICLR 2026 Workshop: VerifAI-2: The Second Workshop on AI Verification in the Wild. Live leaderboard hosted here: https://www.vals.ai/benchmarks/proof_bench
电子舞曲音乐分类中的声音过指定
机构 * École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文提出一种无监督方法，发现电子舞曲音乐的自然声音结构，不依赖商业标签。通过构建定制的声学特征空间，揭示了当前商业分类存在近一半的声学过指定问题。
人工智能与数学教育的交汇：一个支持大班数学课程教师的案例研究
机构 * École polytechnique fédérale de Lausanne（洛桑联邦理工学院）
AI总结 本文探讨了通过上下文感知AI支持大规模数学课程的教学挑战，通过细调轻量语言模型提高回答准确性，并强调了人机协作在课程支持中的重要性。
邻域感知的局部概念擦除在文本到图像扩散模型中
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出一种无需训练的框架，用于在移除目标概念的同时保护邻域概念。通过三个阶段处理：谱加权嵌入调节、注意力引导的空间门控和空间门控硬擦除，实现局部概念移除并保持周围概念结构。
Comments Accepted by CVPR 2026 main
规则与事实模型：神经网络中同时泛化与记忆的规则
机构 * Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院统计物理与计算实验室）
AI总结 本文提出规则与事实模型，通过结合泛化和记忆的理论框架，探讨神经网络如何同时学习规则和记忆事实，分析过参数化对两者平衡的影响。
迈向具身体验AI的MuscleMimic：解锁大规模全身体质运动学习
机构 * EPFL（瑞士联邦理工学院洛桑分校） ； McGill University（麦吉尔大学） ； Feil & Oberfeld CRIR-Jewish Rehabilitation Hospital Research Center（Feil & Oberfeld CRIR-犹太康复医院研究中心） ； NVIDIA（英伟达）
AI总结 MuscleMimic通过生理真实的人形机器人模型，实现了大规模全身体质运动学习，结合并行GPU模拟，提升了训练效率，验证了运动再现的准确性。
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