ETH Zurich（苏黎世联邦理工学院）

VoxCor: Training-Free Volumetric Features for Multimodal Voxel Correspondence

VoxCor：无需训练的体积分量用于多模态体素对应

Guney Tombak, Ertunc Erdil, Ender Konukoglu

机构 * Biomedical Image Computing Group, ETH Zurich（生物医学图像计算组，苏黎世联邦理工学院） ； The LOOP Zurich – Medical Research Center（苏黎世医疗研究中心） 纠错

AI总结 VoxCor通过冻结的2D Vision Transformer基础模型生成可重用的体积分量表示，无需训练即可实现跨模态和跨主体的体素对应，提升跨模态和跨主体的转换性能。

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later

用于贝叶斯反演的几何自编码器先验：先学习后观察

Arnaud Vadeboncoeur, Gregory Duthé, Mark Girolami, Eleni Chatzi

机构 * Department of Engineering University of Cambridge（工程系剑桥大学） ； Institute of Structural Engineering ETH Zürich（结构工程研究所苏黎世联邦理工学院） 纠错

AI总结 本文提出GABI框架，通过学习几何感知的生成模型作为贝叶斯反演的先验，利用ABC采样实现高效反演，适用于复杂几何问题。

Efficient distributional regression trees learning algorithms for calibrated non-parametric probabilistic forecasts

高效分布回归树学习算法用于校准的非参数概率预测

Quentin Duchemin, Guillaume Obozinski

机构 * Swiss Data Science Center（瑞士数据科学中心） ； EPFL（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出高效算法用于校准非参数概率预测，通过min-max堆等数据结构提升计算效率，展示其在WIS和CRPS损失函数下的竞争力，并利用树结构实现可解释的群体条件覆盖保障。

N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation

N-vium：用于加速精确生成的混合出口Transformer

Aleksander Lorenc, Frédéric Berdoz, Joël Mathys, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 N-vium通过在标准硬件上部分并行化计算，提高自回归Transformer的推理效率，通过增加每秒有效FLOPs而非减少每token计算量，实现精确生成。

Revisiting DAgger in the Era of LLM-Agents

重新审视LLM代理时代的DAgger

Changhao Li, Rushi Qiang, Jiawei Huang, Chenxiao Gao, Chao Zhang, Niao He, Bo Dai

机构 * Georgia Institute of Technology（佐治亚理工学院） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出通过DAgger算法改进长周期LLM代理，通过学生与教师策略的回合级插值收集轨迹，并利用教师提供的监督标签训练学生，有效缓解协变量偏移并提升性能。

WildPose: A Unified Framework for Robust Pose Estimation in the Wild

WildPose：一种在动态环境中鲁棒的姿态估计统一框架

Jianhao Zheng, Liyuan Zhu, Zihan Zhu, Iro Armeni

机构 * Stanford University（斯坦福大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出WildPose，一种统一的单目姿态估计框架，能鲁棒地处理动态环境并在静态和低自我运动数据集上保持最先进的性能。通过结合前馈模型的丰富感知前端和可微捆调整优化，该框架在动态、静态和低自我运动基准测试中均优于现有方法。

Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators

模拟学生还是阿谀奉承的问题解决？关于LLM模拟器的误解忠实性

Heejin Do, Shashank Sonkar, Mrinmaya Sachan

机构 * ETH Zürich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； University of Central Florida（中央佛罗里达大学） 纠错

AI总结 本文提出评估LLM模拟器误解忠实性的框架，发现现有模型在反馈下倾向于修正答案而非维持误解，提出Selective Flip Score指标并改进训练方法以提升误解忠实性。

Does Your Neural Network Extrapolate? Feature Engineering as Identifiability Bias for OOD Generalization

你的神经网络能外推吗？特征工程作为对ODD泛化性的可识别性偏差

Leonel Aguilar, Jan Nagler, Christoph Hoelscher, Nino Antulov-Fantulin

机构 * Chair of Cognitive Science, ETH Zürich（认知科学教授职位，苏黎世联邦理工学院） ； Centre for Human and Machine Intelligence, Frankfurt School（人机智能中心，法兰克福学校） ； Aisot Technologies AG, D-GESS, ETH Zürich（Aisot技术公司，D-GESS，苏黎世联邦理工学院） 纠错

AI总结 本文探讨神经网络在面对分布外数据时的外推能力，指出特征工程对可识别性偏差的影响，通过实例展示正确特征的重要性及模型类表达目标的必要性。

Imposing Boundary Conditions on Neural Operators via Learned Function Extensions

通过学习函数扩展对神经算子施加边界条件

Sepehr Mousavi, Siddhartha Mishra, Laura De Lorenzis

机构 * Department of Mechanical and Process Engineering, ETH Zurich, Switzerland（机械与过程工程系，苏黎世联邦理工学院，瑞士） ； Seminar for Applied Mathematics, ETH Zurich, Switzerland（应用数学研讨会，苏黎世联邦理工学院，瑞士） ； ETH AI Center, Zurich, Switzerland（苏黎世联邦理工学院人工智能中心，瑞士） 纠错

AI总结 本文提出一种框架，通过函数扩展使神经算子能够处理复杂的非齐次边界条件，通过映射边界数据到潜在伪扩展，使标准算子学习架构能利用边界信息，从而提升对复杂边界条件和输入域函数的依赖学习能力。

Test of Time: Rethinking Temporal Signal of Benchmark Contamination

时间检验：重新思考基准污染的时序信号

Terry Jingchen Zhang, Gopal Dev, Ning Wang, Max Obreiter, Punya Syon Pandey, Keenan Samway, Wenyuan Jiang, Yinya Huang, Bernhard Schölkopf, Mrinmaya Sachan, Zhijing Jin

机构 * Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室、多伦多大学及向量研究所） ； ETH Zürich & ETH AI Center（苏黎世联邦理工学院及ETH人工智能中心） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（智能系统马克斯·普朗克研究所，图宾根，德国） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 本文质疑LLM后截止性能衰减作为基准污染时序信号的假设，发现该信号对问题构造方式敏感，通过LLM转换问题可改变时序模式，验证了其对评估可靠性的启示。

Comments ACL 2026

Test-time Offline Reinforcement Learning on Goal-related Experience

测试时的离线强化学习在目标相关经验上的应用

Marco Bagatella, Mert Albaba, Jonas Hübotter, Georg Martius, Andreas Krause

机构 * ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院，苏黎世，瑞士） ； Max Planck Institute for Intelligent Systems, Tubingen, Germany（智能系统马克斯·普朗克研究所，图宾根，德国） ； University of Tubingen, Tubingen, Germany（图宾根大学，图宾根，德国） 纠错

AI总结 本文提出了一种基于目标的测试时训练方法，通过选择与当前状态和评估目标相关的经验来提升策略性能，适用于高维定位导航和操作任务。

GeomHair: Reconstruction of Hair Strands from Colorless 3D Scans

GeomHair：从无色3D扫描中重建发丝

Rachmadio Noval Lazuardi, Artem Sevastopolsky, Egor Zakharov, Matthias Niessner, Vanessa Sklyarova

机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（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） 纠错

AI总结 本文提出一种从无色3D扫描直接重建发丝的方法，通过多模态发丝方向提取，结合神经网络2D线检测器和扩散先验，构建了Strands400数据集，支持下游任务和CG工作流。

Comments 15 pages, 9 figures, 1 table

Kernel Embeddings and the Separation of Measure Phenomenon

核嵌入与测度分离现象

Leonardo V. Santoro, Kartik G. Waghmare, Victor M. Panaretos

机构 * Departement Mathematik, ETH Zürich（苏黎世联邦理工学院数学系） 纠错

AI总结 本文证明核协方差嵌入在信息论上能完美区分不同连续概率分布，通过将测度相等性问题转化为高斯测度的奇异性和分离性问题，揭示了核方法在高维领域中的有效性机制。

Tighter Learning Guarantees on Digital Computers via Concentration of Measure on Finite Spaces

通过有限空间上的测度集中性获得更紧的学习保证

Anastasis Kratsios, A. Martina Neuman, Gudmund Pammer

机构 * Department of Mathematics, McMaster University and The Vector Institute（麦吉尔大学数学系和向量研究所） ； Faculty of Mathematics, University of Vienna（维也纳大学数学系） ； Department of Mathematics, ETH Zürich（苏黎世联邦理工学院数学系） 纠错

AI总结 本文提出了一种适用于数字计算机的学习模型通用界限，通过调整参数m，实现了更紧的泛化界限，同时保持了维度无关的最坏情况速率。