Enhanced Renewable Energy Forecasting using Context-Aware Conformal Prediction
基于上下文感知保形预测的增强型可再生能源预测
机构 * EPFL, Switzerland（瑞士联邦理工学院） ； Ghent University, Belgium（比利时根特大学）
AI总结 提出上下文感知保形预测（CACP）框架，通过加权历史观测校准预测区间，无需重新训练模型，提升可再生能源预测的可靠性和效率。
高校专区
EPFL（洛桑联邦理工学院）
Alignment-Aware Decoding
对齐感知解码
机构 * EPFL, Switzerland（瑞士联邦理工学院）
AI总结 提出一种推理时增强模型对齐的方法——对齐感知解码（AAD），可解释为隐式奖励优化，无需额外训练，在多种基准和模型规模上优于强基线，并能生成合成数据改善数据受限场景下的对齐。
Comments Accepted at ICML 2026
Ghost Tool Calls: Issue-Time Privacy for Speculative Agent Tools
幽灵工具调用：投机性智能体工具的发布时隐私保护
机构 * Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； EPFL（苏黎世联邦理工学院） ； Aarhus University（阿arhus大学）
AI总结 针对工具增强型语言智能体投机性预发调用泄露用户意图的问题，提出投机性工具隐私契约，在发布时而非提交后保护隐私。
PRIMA: Boosting Animal Mesh Recovery with Biological Priors and Test-Time Adaptation
PRIMA: 利用生物先验和测试时自适应提升动物网格恢复
机构 * École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 提出PRIMA框架，通过生物先验（BioCLIP嵌入）和测试时自适应策略，解决严重物种和姿态不平衡下的3D四足动物网格恢复问题，实现高泛化性能并构建大规模伪3D数据集Quadruped3D。
Geometric Latent Reasoning Induces Shorter Generations in LLMs
几何潜在推理诱导LLM生成更短的文本
机构 * Idiap Research Institute（日内瓦研究所） ； EPFL（苏黎世联邦理工学院） ； BUT（布拉格技术大学）
AI总结 提出几何潜在推理（GLR）方法，通过轻量级过渡头在嵌入空间中预测迭代方向更新，近似离散推理轨迹，从而在不显式优化长度的情况下显著缩短LLM的生成步数。
BlockGen: Flexible Blockwise Sequence Modeling with Hybrid Samplers
BlockGen: 灵活的分块序列建模与混合采样器
机构 * EPFL Lausanne, Switzerland（瑞士洛桑联邦理工学院） ； Microsoft AI（微软人工智能）
AI总结 提出BlockGen框架，通过分块序列建模和AR-informed预测-校正采样，比较均匀态扩散与掩码扩散在分块生成中的性能。
Network Learning with Semi-relaxed Gromov-Wasserstein
半松弛Gromov-Wasserstein的网络学习
机构 * EPFL, Institute of Mathematics（苏黎世联邦理工学院数学研究所） ； Lausanne, Switzerland（瑞士拉沃斯）
AI总结 针对大规模网络生成机制估计中的节点标签缺失问题，提出半松弛Gromov-Wasserstein目标函数，通过概率耦合松弛分配问题，利用块坐标条件梯度算法求解，并证明松弛解与确定性分配的最优性差距以O(1/n)速率消失，实现随机块模型和Hölder光滑图模型的相合性与极小化最优收敛速率。
Why Do Time Series Models Need Long Context Windows?
为什么时间序列模型需要长上下文窗口？
机构 * Università della Svizzera Italiana（瑞士联邦理工学院） ； EPFL（瑞士联邦理工学院） ； Politecnico di Milano（米兰理工学院）
AI总结 本文从生成过程识别和条件预测两个目标出发，证明长上下文窗口通过降低生成过程的不确定性来提升预测性能，并表明即使对于记忆长度为P的过程，输入窗口必须严格大于P才能达到最小误差。
ProbMoE: Differentiable Probabilistic Routing for Mixture-of-Experts
ProbMoE：可微分的专家混合概率路由
机构 * Imperial College London（伦敦帝国学院） ； University of Waterloo（多伦多大学） ； EPFL（瑞士联邦理工学院）
AI总结 提出ProbMoE概率路由框架，通过离散子集空间上的概率推断实现专家选择，解决top-k路由的离散非可微问题，并扩展到动态k路由，提升专家利用率和路由多样性。
Comments Accepted at ICML 2026
Global Convergence of a Line-Search Filter Differential Dynamic Programming Method
线搜索滤波微分动态规划方法的全局收敛性
机构 * School of Computer and Communication Sciences EPFL（计算机与通信科学系，瑞士联邦理工学院） ； Department of Electrical and Electronic Engineering University of Melbourne（电子与电气工程系，墨尔本大学）
AI总结 本文证明了FilterDDP算法的全局收敛性，该算法扩展了Mayne和Jacobson的离散时间微分动态规划以处理状态和控制上的非线性约束，采用线搜索滤波过程进行步长接受。
Local MixVR: Breaking the Communication-Sample Dependence in Distributed Learning
Local MixVR：打破分布式学习中通信与样本的依赖关系
机构 * Technion Haifa, Israel（技术离子海法分校，以色列） ； EPFL Lausanne, Switzerland（洛桑联邦理工学院，瑞士）
AI总结 提出Local MixVR框架，通过局部更新与方差缩减技术消除通信复杂度对样本总数N的依赖，实现仅与工作节点数M相关的通信复杂度，在M<O(N^{1/4})时优于现有最优方法。
FlowOVD: Learning Generative Latent Flows for Zero-shot Open-vocabulary Detection
FlowOVD: 学习生成式潜在流用于零样本开放词汇检测
机构 * Queen Mary University of London（伦敦女王学院） ； EPFL（瑞士联邦理工学院）
AI总结 提出FlowOVD，基于修正流的文本条件查询生成框架，通过连续潜在查询动态实现开放词汇检测，在COCO和LVIS上分别达到49.5 AP和31.5 AP，优于GroundingDINO。
How Neural Losses Shape VAE Latents
神经损失如何塑造VAE潜在变量
机构 * Sapienza University of Rome（罗马大学萨皮恩扎分校） ； Paradigma, Inc.（Paradigma公司） ； Moises Systems, Inc.（Moises系统公司） ； EPFL（苏黎世联邦理工学院）
AI总结 本文研究感知损失和对抗损失等神经重建损失如何改变VAE的率失真问题，证明其减少潜在表示信息量并改变潜在空间几何结构，使表示更各向同性且不确定性分布更均匀。
Language Modeling with Hyperspherical Flows
超球面流语言建模
机构 * EPFL（苏黎世联邦理工学院） ； Microsoft AI（微软人工智能）
AI总结 提出一种在超球面潜空间中进行连续流语言建模的方法 S-FLM，通过旋转向量和交叉熵学习速度场，避免独热向量开销，在大型词汇推理任务上显著提升性能，缩小了与掩码扩散模型的差距。
Line-Search Filter Differential Dynamic Programming for Optimal Control with Nonlinear Equality Constraints
带非线性等式约束最优控制的线搜索滤波微分动态规划
机构 * School of Computer and Communication Sciences, EPFL（瑞士联邦理工学院计算机与通信科学学院） ； School of Computing, Australian National University（澳大利亚国立大学计算学院） ； Department of Electrical and Electronic Engineering, University of Melbourne（墨尔本大学电子与电气工程系）
AI总结 提出FilterDDP算法，通过线搜索和步长滤波器处理非线性等式约束，并证明局部二次收敛性，在机器人接触隐式轨迹优化中验证有效性。
Comments Accepted for publication in the IEEE International Conference on Robotics and Automation (ICRA) 2026. Revised version with more exposition in methodology and updated results with improved implementation
Atomix: Timely, Transactional Tool Use for Reliable Agentic Workflows
Atomix: 用于可靠智能体工作流的及时事务性工具使用
机构 * Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； Aarhus University（奥胡斯大学） ； EPFL（苏黎世联邦理工学院）
AI总结 针对LLM智能体多步工作流中因故障、推测和并发导致的状态不一致问题，提出Atomix系统，通过进度感知事务将效果分组与冲突解决分离，实现可靠提交与回滚。
ReasonBENCH: Benchmarking the (In)Stability of LLM Reasoning
ReasonBENCH: 基准测试LLM推理的（不）稳定性
机构 * Aarhus University（奥胡斯大学） ； Indian Institute of Technology Delhi（德里印度理工学院） ； EPFL（苏黎世联邦理工学院）
AI总结 提出ReasonBench基准套件，通过30次独立试验揭示LLM推理系统在贪婪解码下仍存在结构化方差，并引入全局噪声和运行噪声分类法，证明稳定性是推理系统的固有属性，倡导分布感知评估。
Comments 29 pages, 19 tables, 85 figures
A Unified Framework for Probabilistic Dynamic-, Trajectory- and Vision-based Virtual Fixtures
基于概率的动态、轨迹和视觉虚拟夹具的统一框架
机构 * School of Computation, Information and Technology, Sensor Based Robotic Systems and Intelligent Assistance Systems（计算、信息与技术学院，基于传感器的机器人系统与智能辅助系统） ； German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)（德国航空航天中心（DLR），机器人与机电中心） ； Idiap Research Institute（Idiap研究机构） ； École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院（EPFL））
AI总结 提出一个统一的概率虚拟夹具框架，通过动态系统、轨迹和视觉伺服三种模式自适应切换，实现从手动到全自动的辅助，降低交互力并提升可用性。
Comments for the supplementary video, see https://youtu.be/eMl41ha7VJ4
Optimal Regularization for Performative Learning
表现性学习的最优正则化
机构 * EPFL, Switzerland（瑞士联邦理工学院）
AI总结 研究高维岭回归中正则化如何应对数据分布随模型变化的表现性效应，发现过参数化下表现性效应有益，并给出最优正则化参数与表现性效应强度的关系。
Comments Accepted at ICML 2026
Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach
可扩展的网约车再平衡方法：具有服务可及性保证的约束平均场强化学习
机构 * ETH Zürich（苏黎世联邦理工学院） ； EPFL Lausanne（洛桑联邦理工学院）
AI总结 提出基于约束平均场强化学习的连续状态再平衡模型，在保证服务公平性的同时实现大规模网约车车队的高效协调与可扩展性。
Comments 34 pages, 15 figures
Journal ref Transportation Research Part C: Emerging Technologies, Vol. 188, 105705 (2026)
Dimension Reduction via Sum-of-Squares and Improved Clustering Algorithms for Non-Spherical Mixtures
通过平方和方法的降维及非球形混合物的改进聚类算法
机构 * MIT University of Washington EPFL（麻省理工学院 华盛顿大学 EPFL）
AI总结 提出基于平方和方法的降维子程序，实现非球形高斯混合物的高效聚类，显著降低样本和时间的维度依赖。
Comments 67 pages, updated to match camera-ready version at COLT 2026
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
机构 * Radio Télévision Suisse（瑞士广播电视台） ； EPFL（苏黎世联邦理工学院）
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
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）
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
机构 * LTS4, EPFL（EPFL LTS4实验室）
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
机构 * EPFL（瑞士联邦理工学院） ； Google Research（谷歌研究院）
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
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）
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”？
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
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
机构 * EPFL（苏黎世联邦理工学院）
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
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）
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
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）
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
