ETH Zurich（苏黎世联邦理工学院）

FOCUS: Optimal Control for Multi-Entity World Modeling in Text-to-Image Generation

FOCUS：多实体世界建模中的最优控制

Eric Tillmann Bill, Enis Simsar, Thomas Hofmann

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出FOCUS框架，通过将流匹配转化为随机最优控制，解决文本生成图像中多实体场景的属性泄露和身份纠缠问题，提出两种算法提升多实体对齐性能。

Comments Project Page: https://ericbill21.github.io/FOCUS/

Mixed-signal implementation of feedback-control optimizer for single-layer Spiking Neural Networks

混合信号实现用于单层脉冲神经网络的反馈控制优化器

Jonathan Haag, Christian Metzner, Dmitrii Zendrikov, Giacomo Indiveri, Benjamin Grewe, Chiara De Luca, Matteo Saponati

机构 * Institute of Neuroinformatics, University of Zürich and ETH Zürich（神经信息学研究所，苏黎世大学和苏黎世联邦理工学院） ； ETH Zürich, Zürich, Switzerland（苏黎世联邦理工学院，苏黎世，瑞士） ； AI Center, ETH, Zürich, Switzerland（人工智能中心，苏黎世联邦理工学院，苏黎世，瑞士） ； Digital Society Initiative, University of Zurich, Switzerland（数字社会倡议，苏黎世大学，瑞士） 纠错

AI总结 本文提出在混合信号神经形态处理器上实现反馈控制优化器的可行性，通过在环训练验证了其在二分类任务和非线性 Yin-Yang 问题中的性能，展示了芯片级训练与数值模拟和梯度基方法的匹配性。

Manifold Generalization Provably Proceeds Memorization in Diffusion Models

扩散模型中流形泛化可证明地优于记忆化

Zebang Shen, Ya-Ping Hsieh, Niao He

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文研究扩散模型在流形假设下如何通过粗略分数捕捉数据几何结构，从而在非光滑数据中实现比估计完整分布更快的泛化速度。

Comments The first two authors contributed equally

An In-Depth Study of Filter-Agnostic Vector Search on a PostgreSQL Database System: [Experiments and Analysis]

对PostgreSQL数据库系统中滤波无关向量搜索的深入研究：[实验与分析]

Duo Lu, Helena Caminal, Manos Chatzakis, Yannis Papakonstantinou, Yannis Chronis, Vaibhav Jain, Fatma Özcan

机构 * Brown University Providence Rhode Island USA ； Google Sunnyvale California USA ； Google San Diego California USA ； ETH Zurich \& Google Zurich Switzerland ； Google Bangalore India ； Brown University ； Google ； ETH Zurich \& Google 纠错

AI总结 本文研究滤波无关向量搜索在生产级PostgreSQL系统中的性能，发现距离计算成本并非唯一决定因素，系统级开销和过滤操作影响更大，指出图算法在实际中表现不如聚类索引。

Comments 26 pages, 13 figures, to be published at SIGMOD 2026

Symmetry-Guided Memory Augmentation for Efficient Locomotion Learning

基于对称性的记忆增强方法用于高效运动学习

Kaixi Bao, Chenhao Li, Yarden As, Andreas Krause, Marco Hutter

机构 * Department of Mechanical and Process Engineering, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院机械与过程工程系） ； ETH AI Center, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院人工智能中心） ； Department of Computer Science, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出SGMA框架，通过结合结构化经验增强与基于记忆的上下文推断，提升强化学习政策训练效率。利用机器人与任务对称性生成物理一致的训练经验，避免 naive 增强的弊端，使代理能保留任务相关上下文并适应行为。在仿真和真实四足机器人上验证了方法的有效性。