高校专区
我们是否在多模态领域泛化中取得进展？一个全面的基准研究
机构 * ETH Zürich（苏黎世联邦理工学院） ； Zhengzhou University（郑州大学） ； MBZUAI（马克斯·普朗克人工智能研究所） ； EPFL（苏黎世联邦理工学院）
AI总结 本文通过MMDG-Bench基准测试，评估了多模态领域泛化方法的有效性，发现现有方法在公平比较下进步有限，且存在领域和模态配置差异，揭示了领域泛化仍需进一步改进。
Comments Code: https://github.com/lihongzhao99/MMDG_Benchmark
神经-精算长寿预测：通过LSTM锚定实现可解释的风险管理
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Florence（佛罗伦萨大学）
AI总结 本文提出Hybrid-Lift框架，结合层级LSTM与Mean-Bias Correction机制，解决传统线性模型在长寿风险评估中的非线性问题，实验证明其在瑞典和西德的预测优势，同时提供治理工具提升监管资本校准和压力测试。
Comments 26 pages, 12 figures. Code available at https://github.com/davide-rindori/Actuarial-DS-Portfolio/tree/main/04_Multi_Population_Longevity_XAI
INEUS：用于高维偏积分微分方程的迭代神经求解器
机构 * Department of Mathematics and RiskLab, ETH Zurich（数学系和风险实验室，苏黎世联邦理工学院） ； Applied Mathematics: Institute for Analysis and Numerics, University of Münster（应用数学：分析与数值计算研究所，蒙斯特大学）
AI总结 INEUS通过单跳采样替代非局部跳跃积分的显式计算，将PIDE求解转化为递归回归问题，高效处理非局部项并避免复杂残差微分，适用于高维PDE和PIDE的准确可扩展求解。
SU(N)规范理论的扩散模型
机构 * Institute for Theoretical Physics, ETH Zurich, 8093 Zurich, Switzerland（苏黎世联邦理工学院理论物理研究所）
AI总结 本文提出适用于SU(N)晶格规范理论的分数匹配框架，用于训练扩散模型并生成高质量样本，通过与HMC模拟对比验证了其有效性，并探讨了提升采样效率的策略。
Comments 23 pages, 6 figures
安全性认证是分类
机构 * ETH Zürich（苏黎世联邦理工学院） ； Technical University of Denmark（丹麦技术大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
AI总结 本文提出将安全性认证作为轨迹数据分类问题，直接估计T步安全性概率，避免递归误差，适用于非马尔可夫动态系统。
Comments 32 pages, 18 figures
用于LLM生成比较的视觉指纹
机构 * Johannes Kepler University Linz（约翰·凯撒大学林茨分校） ； ETH Zürich（苏黎世联邦理工学院） ； Independent Researcher（独立研究者）
AI总结 本文提出通过可视化方法比较不同生成条件下的LLM输出，揭示模型行为的一致性模式，提升提示设计和模型评估效率。
Comments Submitted to the Short Paper track at IEEE VIS 2026
通过黎曼流形实现精确预算约束下的模型压缩
机构 * ETH Zürich（苏黎世联邦理工学院） ； IST Austria（奥地利科学院）
AI总结 本文提出基于黎曼流形的约束优化方法RCO，用于在精确预算约束下优化模型压缩任务，通过引入切线投影、二分法回退和动量运输等技术，实现高效优化。
不要抛弃你的光束：通过光束搜索改进大语言模型中的基于一致性不确定性的方法
机构 * ETH Zurich（苏黎世联邦理工学院） ； MBZUAI（穆萨伊人工智能研究院）
AI总结 本文提出通过光束搜索改进大语言模型中的基于一致性的不确定性量化方法，减少方差并提升性能，实验证明其在六个问答数据集上达到最先进的性能。
子流形稀疏卷积网络用于计算机断层扫描中肾脏及肾肿瘤的自动三维分割
机构 * ETH Zürich, Institute for Particle Physics and Astrophysics（苏黎世联邦理工学院，粒子物理与天体物理研究所） ； University of Cambridge, Department of Physics（剑桥大学，物理系） ； University of Cincinnati, Department of Physics（辛辛那提大学，物理系） ； University of Cambridge, Department of Radiology（剑桥大学，放射学系）
AI总结 本文提出基于体素稀疏化和子流形稀疏卷积网络的两阶段3D分割方法，用于提高CT图像中肾脏及肿瘤的分割效率与精度，实验表明其在速度和内存使用上均优于现有方法。
Comments 15 pages, 6 figures
通过强化LLM进化搜索获得Zarankiewicz数的新界
机构 * Massachusetts Institute of Technology（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学）
AI总结 本文首次确定三个Zarankiewicz数的精确值，并通过强化LLM进化搜索方法为41个数建立下界，展示了LLM引导的进化搜索在数学研究中的潜力。
Comments *Jay Bhan and Nicole Nobili contributed equally to this work as first authors, and their order was determined via coin flip
神经符号证明生成用于系统软件验证的扩展
机构 * State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室） ； School of Computer Science, Nanjing University, China（南京大学计算机科学学院） ； Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； School of Computing and Mathematical Sciences, Birkbeck, University of London, UK（伦敦大学伯克贝克学院计算与数学科学学院）
AI总结 本文提出一种神经符号证明生成框架，通过结合大语言模型和交互式定理证明工具，实现系统级验证的自动化证明搜索，有效提升软件验证的可扩展性。
Comments Published as a conference paper at OSDI'2026, and code is available at \url{https://github.com/SoaringE/seL4-proof-search}
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