高校专区
跨全栈和稀疏心脏磁共振成像的端到端4D心脏网格恢复
机构 * School of Computer and Communication Science, EPFL（计算机与通信科学学院，瑞士联邦理工学院） ； ELLIS Institute Finland, Aalto University, Finland（芬兰ELLIS研究所，阿尔托大学，芬兰） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Center for Interventional MRI, CHUV（介入MRI中心，CHUV）
AI总结 研究针对心脏磁共振成像序列重建心脏运动问题，提出TetHeart框架，利用可变形四面体，通过创新机制和策略，能从全栈及稀疏切片观测恢复4D心脏网格，在多数据集上实现高精度和强泛化。
Comments Accepted by TMLR
通过模仿学习实现自主软机器人血管内导航
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Stanford University（斯坦福大学） ； McGill University（麦吉尔大学） ； University of Maryland（马里兰大学） ； Swiss Federal Institute of Technology in Lausanne (EPFL)（日内瓦联邦理工学院（EPFL）） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 研究旨在实现自主软机器人血管内导航，开发基于变压器的模仿学习框架，通过目标条件等实现通用导航，在多种几何结构上训练并评估，策略成功率高，还进行了相关研究及扩展，提升了在未见几何结构上的成功率。
如何利用合成语音提升基于LLM的ASR系统？
机构 * Idiap Research Institute（Idiap研究 institute） ； Universite de Toulon（里昂大学） ； EPFL（瑞士联邦理工学院） ； University of Zurich（苏黎世大学） ； Uniphore（Uniphore公司） ； Brno University of Technology（布拉格技术大学）
AI总结 针对隐私敏感领域合成语音与真实数据分布差异问题，通过分析SLAM-ASR架构定位差异来源，发现早期到中间层对时间与韵律扰动敏感，并证明卷积房间脉冲响应可缩小差距，结合层选择模块与RIR增强仅用25%真实语音即达到全真实数据基线。
Comments Submitted to SLT 2026
MAM-AI：面向桑给巴尔护士和助产士的设备端医疗检索增强生成系统
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校）
AI总结 针对撒哈拉以南非洲地区护士助产士难以获取权威指南的问题，提出完全运行于安卓设备上的医疗问答系统MAM-AI，采用300M嵌入模型检索87份指南文档，并用4B int4生成器离线生成带引用的回答，评估发现小生成器在安全性和有用性间存在权衡，通过优化提示词降低回避率。
Comments 38 pages. Video demo: https://www.youtube.com/watch?v=M_Kruluel28 ; browser demo, code, models, and benchmarks linked in the paper
mamabench 和 mamaretrieval：评估孕产妇、新生儿和生殖健康领域医学检索增强生成的基准
机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区）
AI总结 针对助产士咨询的孕产妇、新生儿和生殖健康问题，构建了包含25,949个问题的QA基准mamabench和基于3,185个查询的段落级相关性基准mamaretrieval，采用分级相关标注和标签质量审计。
Comments 13 pages, 3 tables. Datasets and construction code linked in the paper
揭示随机性：面向交通预测的通用多模态概率建模
机构 * Urban Transport Systems Laboratory (LUTS), EPFL（智能交通系统实验室（LUTS），EPFL）
AI总结 本文提出一种通用多模态概率建模方法，通过替换输出层为GMM层，提升交通预测的不确定性建模能力，实验表明其在多种数据集上表现优异。
Transformer中稀疏注意力模式的增量学习
机构 * TML Lab, EPFL（EPFL语言模型实验室）
AI总结 研究在高阶马尔可夫链上训练的简单Transformer，其通过稀疏注意力模式从多个过去位置学习信息，分析学习动态及阶段转换，用简化微分方程建模并证明收敛，为结构化注意力模式和头专业化提供理论解释。
Comments Published at ICML 2026. OpenReview: https://openreview.net/forum?id=vSRh1qU5sH. 41 pages, 21 figures
Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
通过模拟和受数据库管理系统启发的缓存替换策略在大语言模型推理系统开发和在线工作负载中节省GPU时间
机构 * EPFL, Switzerland（苏黎世联邦理工学院） ； NUS, Singapore（新加坡国立大学） ； POSTECH, South Korea（POSTECH大学）
AI总结 研究大语言模型推理系统，通过模拟和受数据库管理系统启发的缓存替换策略，节省GPU时间，提出新缓存替换策略并证明其有效性。
奇偶感知字节对编码：提高词元化中的跨语言公平性
机构 * EPFL（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学）
AI总结 研究针对词元化中低资源语言词元化不合理问题，引入奇偶感知字节对编码，通过公平最大化规则平衡跨语言公平性与全局压缩，减少词元化不平等，对全局压缩和下游语言模型性能影响小。
Comments ACL 2026
语言统计中的对称性塑造了模型表示的几何结构
机构 * UC Berkeley（加州大学伯克利分校） ； EPFL（瑞士联邦理工学院洛桑分校） ； Johns Hopkins（约翰斯·霍普金斯大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文证明语言统计中的平移对称性（如月份共现频率仅取决于时间间隔）决定了词嵌入模型的高维几何结构，并推导出表示流形的解析形式，该几何在统计扰动下仍保持鲁棒。
Comments ICML 2026
分层消息传递策略用于多智能体强化学习
机构 * IDSIA USI-SUPSI, Università della Svizzera italiana（瑞士意大利语区大学IDSIA USI-SUPSI） ； Politecnico di Milano（米兰理工大学） ； EPFL（洛桑联邦理工学院）
AI总结 提出一种结合分层强化学习和消息传递的多智能体策略学习方法，通过分层图结构实现智能体间的协调与规划，并设计基于优势函数的新颖奖励分配方法，在基准测试中取得优于现有技术的性能。
立场：协作式自主AI需要跨生态系统的互操作性
机构 * EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院）
AI总结 本文提出通过采用最小标准实现互操作性，以构建开放、安全、可扩展的自主代理生态系统，并设计了名为“代理网络”的架构基础。
Comments Accepted at ICML 2026
使用线性上下文赌博机学习同伴影响概率
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 针对网络环境中同伴影响概率的异质性问题，提出基于线性上下文赌博机的在线学习框架，揭示遗憾最小化与估计误差之间的权衡，并设计可调参数的不确定性引导探索算法实现任意权衡点。
Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09-13, 2026, Jeju Island, Republic of Korea. ACM, New York, NY, USA, 12 pages
CLEF HIPE-2026：从多语言历史文本中评估准确且高效的人物-地点关系抽取
机构 * University of Zurich, Switzerland（苏黎世大学，瑞士） ； Swiss Art Research Infrastructure (SARI), University of Zurich（瑞士艺术研究基础设施（SARI），苏黎世大学） ； École Polytechnique Fédérale de Lausanne (EPFL), Switzerland（洛桑联邦理工学院（EPFL），瑞士）
AI总结 提出HIPE-2026评测任务，针对多语言历史文本中的人物-地点关系抽取，引入联合评估准确性、计算效率和领域泛化的三方面评价框架。
Comments ECIR 2026. Official version available at https://doi.org/10.1007/978-3-032-21321-1_46 - Task Homepage at https://hipe-eval.github.io/HIPE-2026/
基于张量分解的蒙特卡洛树搜索用于机器人优化问题
机构 * Idiap Research Institute（Idiap研究机构） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校）
AI总结 提出TTTS算法，利用张量分解压缩决策树分支间的隐式相关性，以线性复杂度降低MCTS的计算和存储开销，在逆运动学、运动规划、多阶段操作等任务中实现高效全局优化。
Comments 25 pages, 17 figures
通过神经场自适应进行权重空间表示学习
机构 * EPFL（苏黎世联邦理工学院）
AI总结 提出利用预训练基础模型和低秩自适应约束优化空间，诱导权重空间结构，实现高质量、有区分性和语义结构的表示，并在潜在扩散模型中提升生成质量。
Comments 9 pages body, 9 pages appendix
Journal ref CVPR 2026
神经粒子自动机：学习自组织粒子动力学
机构 * EPFL（苏黎世联邦理工学院）
AI总结 提出神经粒子自动机（NPA），将神经细胞自动机从静态网格推广到动态粒子系统，利用可微分的平滑粒子流体动力学实现可扩展的端到端训练，在形态发生、点云分类和纹理合成等任务中展现了鲁棒性和自再生能力。
Comments 16 pages, 19 figures
选择性旋转位置嵌入
机构 * ELLIS Institute Tübingen（图宾根埃利斯研究所） ； LIONS, EPFL（日内瓦理工学院LIONS实验室） ； University of Freiburg（弗赖堡大学） ； Max-Planck-Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Prior Labs（Prior实验室）
AI总结 本文提出选择性RoPE，一种输入依赖的旋转嵌入机制，适用于线性和softmax变压器，通过任意角度旋转提升语言建模和复杂序列任务性能。
Comments ICLR 2026
具有函数逼近的多智能体模仿学习：线性马尔可夫博弈及其扩展
机构 * EPFL（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学）
AI总结 本文首次理论分析线性马尔可夫博弈中的多智能体模仿学习，利用特征级集中性系数替代状态-动作级系数，并提出首个计算高效的交互式MAIL算法，样本复杂度仅依赖特征维度d。
CanadaFireSat：面向多模态高分辨率野火预测
机构 * EPFL（瑞士联邦理工学院） ； Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，格勒诺布尔INP，LJK实验室） ； NASA Ames Research Center, Earth Science Division（美国航空航天局阿姆斯研究中心，地球科学部门）
AI总结 提出CanadaFireSat基准数据集，利用多模态数据（高分辨率多光谱卫星图像、中分辨率卫星产品和环境因子）结合深度学习模型，实现加拿大100米分辨率野火预测，多模态输入在2023年野火季F1分数达60.3%。
Comments 37 pages, 11 figures. Published in ISPRS Journal of Photogrammetry and Remote Sensing (2026)
Journal ref ISPRS Journal of Photogrammetry and Remote Sensing, Volume 239, September 2026, Pages 555-572
基于部分观测的多量子比特态纠缠消除的强化学习
机构 * Department of Mathematics and Informatics（数学与信息学系） ； St. Kliment Ohridski University of Sofia（索菲亚圣克莱门特·欧赫里迪斯大学） ； Joint Quantum Institute（联合量子研究所） ； Department of Physics（物理系） ； University of Maryland（马里兰大学） ； National Quantum Laboratory (QLab)（国家量子实验室（QLab）） ； Institute of Physics（物理研究所） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） ； Center for Quantum Science and Engineering（量子科学与工程中心） ； Quantum Systems Unit（量子系统单元） ； OIST Graduate University（OIST研究生大学） ； Duke Quantum Center（杜克量子中心） ； Max Planck Institute for the Physics of Complex Systems（复杂系统物理研究所）
AI总结 提出使用演员-评论家深度强化学习算法，仅基于两量子比特约化密度矩阵，为最多16量子比特态构建短纠缠消除电路，并在离子阱量子计算机上实验验证。
Comments The source code as well as a demo in the form of an interactive Jupyter notebook are available on Github: https://github.com/mgbukov/RL_disentangle
k折交叉验证的极小极大极限：多数投票算法
机构 * University of Haifa（海法大学） ； EPFL（苏黎世联邦理工学院）
AI总结 本文通过分析二元分类中多数投票算法的交叉验证均方误差，揭示了k折交叉验证的极小极大极限，证明当折数k随样本数n增长时，任何经验风险最小化算法的均方误差下界为Ω(√k/n)。
Comments arXiv admin note: substantial text overlap with arXiv:2511.03554
演化多重世界：通过基于种群的训练在 Petri 培养皿 NCA 中实现开放式发现
机构 * FLAIR, University of Oxford（奥克斯大学FLAIR实验室） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； University of Freiburg（弗赖堡大学） ； Prior Labs（Prior实验室） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 提出 PBT-NCA 元进化算法，通过复合目标（历史行为新颖性与当代视觉多样性）演化 Petri 培养皿神经细胞自动机种群，自发产生持续涌现的生命现象，实现开放式演化。
Comments 10 pages, 12 figures
这是什么语言？问你的分词器
机构 * EPFL（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 提出基于UnigramLM分词算法的UniLID方法，通过比较字符串在各语言单字分布下的似然进行语言识别，在低资源和细粒度方言场景下显著提升样本效率。
Comments In Proceedings of ICML 2026
随机层次模型与层次化浅到深链的可证明学习
机构 * Princeton University（普林斯顿大学） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 针对深度网络能否高效利用层次结构的问题，证明在温和条件下深度卷积网络可高效学习随机层次模型，并提出逐层训练策略。
Comments COLT 2026
稀疏神经元消融引发大型视觉-语言模型中语言核心的灾难性崩溃
机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士洛桑联邦理工学院） ； Idiap Research Institute（日内瓦研究所）
AI总结 提出渐进式神经元消融方法CAN，发现消融极少量（如LLaVA-1.5-7b中仅4个）位于语言模型下投影层的神经元即可导致LVLM灾难性崩溃，揭示功能依赖语言骨干中的稀疏神经元子集。
Comments Accepted to ICML 2026 Mechanistic Interpretability Workshop
从马尔可夫到拉普拉斯：Mamba如何通过上下文学习马尔可夫链
机构 * EPFL（苏黎世联邦理工学院） ； UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Télécom Paris（巴黎电信学院）
AI总结 本文研究Mamba在马尔可夫链上的上下文学习能力，发现单层Mamba能高效学习最优的拉普拉斯平滑估计器，并理论上揭示了卷积在其中的关键作用。
Comments Oral presentation at ICLR 2026
基于神经算子的偏微分方程符号发现方法
机构 * Intelligent Maintenance and Operations Systems Laboratory, EPFL（智能维护与操作系统实验室，瑞士联邦理工学院）
AI总结 提出NOMTO框架，通过将预训练神经算子作为符号网络节点，扩展了Equation Learner架构，能够从数据中发现包含非局部算子、辅助场耦合或记忆效应的偏微分方程。
模型汤只需一种成分
机构 * EPFL（瑞士联邦理工学院） ； EPFL LTS4（瑞士联邦理工学院 LTS4）
AI总结 提出MonoSoup方法，利用SVD分解单检查点的层更新，通过熵有效秩自动重加权成分，实现强分布内-分布外平衡，无需多检查点。
基于深度条件循环Transformer的ASR测试时计算缩放
机构 * Idiap Research Institute（Idiap研究 institute） ； EPFL（瑞士联邦理工学院） ； BUT（布拉格技术大学） ； Novartis Institute of Biomedical Research（诺华生物医学研究 institute）
AI总结 提出LARM模型，通过深度条件循环Transformer将循环编码器深度变为可控的测试时计算轴，结合稀疏CTC检查点、监督时钟嵌入、FiLM深度条件和延迟软后验反馈，在LibriSpeech上随推理循环次数增加提升WER，实现测试时计算缩放从自回归语言模型推理扩展到连续非自回归语音识别。
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