ETH Zurich（苏黎世联邦理工学院）

Simple Models, Real Swimming: Digital Twins for Tendon-Driven Underwater Robots

简单模型，真实游泳：用于腱驱动水下机器人的数字孪生

Mike Y. Michelis, Nana Obayashi, Josie Hughes, Robert K. Katzschmann

机构 * Soft Robotics Lab and ETH AI Center, ETH Zurich（ETH苏黎世人工智能中心） ； Prema Lab, New York University（纽约大学Prema实验室） ； CREATE Lab, EPFL（EPFL CREATE实验室） 纠错

AI总结 本文提出了一种基于简化流体力学模型的腱驱动水下机器人，通过高效模拟环境实现快速泛化，展示了其在强化学习中的有效性及作为数字孪生的潜力。

Towards Multimodal Domain Generalization with Few Labels

迈向少标签多模态领域泛化的研究

Hongzhao Li, Hao Dong, Hualei Wan, Shupan Li, Mingliang Xu, Muhammad Haris Khan

机构 * Zhengzhou University（郑州大学） ； ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（马克斯·普朗克智能系统研究所） 纠错

AI总结 本文提出SSMDG框架，通过三个关键组件实现少标签多模态领域泛化，提升跨模态鲁棒性和领域不变性。

Comments Accepted to CVPR 2026

VQ-Style: Disentangling Style and Content in Motion with Residual Quantized Representations

VQ-Style：通过残差量化表示解构运动中的风格与内容

Fatemeh Zargarbashi, Dhruv Agrawal, Jakob Buhmann, Martin Guay, Stelian Coros, Robert W. Sumner

机构 * ETH Zürich（苏黎世联邦理工学院） ； DisneyResearch|Studios（华特迪士尼研究与工作室） 纠错

AI总结 本文提出VQ-Style方法，通过残差量化表示解构运动中的风格与内容，实现无需微调的风格迁移和多种运动应用。

Multi-level informed optimization via decomposed Kriging for large design problems under uncertainty

通过分解克里格法实现多级知情优化以在不确定环境下解决大规模设计问题

Enrico Ampellio, Blazhe Gjorgiev, Giovanni Sansavini

机构 * Reliability and Risk Engineering Laboratory, Institute of Energy and Process Engineering, Department of Mechanical and Process Engineering, ETH Zurich（可靠性与风险工程实验室，能源与过程工程研究所，机械与过程工程系，苏黎世联邦理工学院） 纠错

AI总结 本文提出一种基于分解克里格法的多级优化方法，用于在不确定环境下高效解决大规模复杂设计问题。

Comments 34 pages, 18 figures

Large-scale online deanonymization with LLMs

大规模在线去匿名化与LLMs

Simon Lermen, Daniel Paleka, Joshua Swanson, Michael Aerni, Nicholas Carlini, Florian Tramèr

机构 * MATS ； ETH Zurich（苏黎世联邦理工学院） ； Anthropic 纠错

AI总结 利用LLMs实现大规模在线去匿名化，通过提取身份特征、语义嵌入搜索和推理验证，显著提升召回率和精度，挑战现有隐私保护机制。

Comments 24 pages, 10 figures