ETH Zurich（苏黎世联邦理工学院）

A General Framework for Dynamic Consistent Submodular Maximization

动态一致子模最大化的通用框架

Paul Dütting, Federico Fusco, Silvio Lattanzi, Ashkan Norouzi-Fard, Ola Svensson, Morteza Zadimoghaddam

机构 * ETH Zurich（苏黎世联邦理工学院） ； KTH Royal Institute of Technology（皇家理工学院） ； University of Toronto（多伦多大学） 纠错

AI总结 针对全动态环境下的子模最大化问题，提出一个通用算法框架，首次实现具有次线性一致性的常数因子近似解。

Comments Accepted at ICML 2026

Data Attribution in Large Language Models via Bidirectional Gradient Optimization

通过双向梯度优化实现大型语言模型中的数据归因

Frédéric Berdoz, Luca A. Lanzendörfer, Kaan Bayraktar, Roger Wattenhofer

机构 * EPFL, Switzerland（瑞士联邦理工学院） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） 纠错

AI总结 提出一种基于双向梯度优化的训练数据归因方法，用于自动回归大型语言模型，以识别影响模型输出的关键训练数据，提升模型可解释性。

Comments Presented at the AI Governance (AIGOV) Workshop at AAAI 2026

Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives

Z-FLoc: 基于几何基元的零样本楼层平面定位

Ayumi Umemura, Toshinori Kuwahara, Marc Pollefeys, Daniel Barath

机构 * ETH Zurich（苏黎世联邦理工学院） ； Tohoku University（东北大学） 纠错

AI总结 提出一种零样本楼层平面定位方法，通过从单目3D重建的鸟瞰图中提取直线和圆等几何基元，并与楼层平面进行鲁棒匹配，无需重新训练即可泛化到新环境。

The Loss Is Not Enough: Sampling Conditions and Inductive Bias in Contrastive Representation Learning

损失还不够：对比表示学习中的采样条件和归纳偏置

Justinas Zaliaduonis, Patrick Putzky, Till Richter, Sergios Gatidis

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文通过测度论框架形式化对比学习中的多样性条件，提出支持校正的InfoNCE变体，并实验验证了采样多样性与编码器归纳偏置的相互作用。

HEPA: A Self-Supervised Horizon-Conditioned Event Predictive Architecture for Time Series

HEPA: 一种用于时间序列的自监督水平条件事件预测架构

Jonas Petersen, Gian-Alessandro Lombardi, Riccardo Maggioni, Camilla Mazzoleni, Federico Martelli, Philipp Petersen

机构 * ETH Zurich（苏黎世联邦理工学院） ； Forgis ； University of Vienna（维也纳大学） 纠错

AI总结 提出HEPA架构，通过因果Transformer编码器联合嵌入预测（JEPA）预训练和仅微调预测器生成单调生存累积分布函数，在14个基准测试中超过PatchTST等模型，参数和标注数据量减少一个数量级。

Comments Spotlight at FMSD, ICML 2026. Code: https://github.com/Forgis-Labs/HEPA

FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models

FactoryNet：面向工业时间序列基础模型的大规模数据集

Karim Othman, Jonas Petersen, Matei Ignuta-Ciuncanu, Camilla Mazzoleni, Federico Martelli, Alessandro Lombardi, Riccardo Maggioni, Philipp Petersen

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出首个工业时间序列通用预训练语料库FactoryNet，通过统一模式实现跨实体零样本迁移和高效异常检测。

Comments Accepted at AI4Physics and FMSD, ICML 2026. Code: https://github.com/Forgis-Labs/FactoryNet

The Perception-Physics Paradox: Probing Scientific Alignment with TC-Bench

感知-物理悖论：用TC-Bench探究科学对齐

Dingling Yao, Andrea Polesello, Adeel Pervez, Caroline Muller, Francesco Locatello

机构 * ETH Zurich（苏黎世联邦理工学院） ； DeepMind ； University of Cambridge（剑桥大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出科学对齐概念，通过结构同构性构建层次化必要条件，并发布TC-Bench基准数据集，揭示视觉基础模型在极端条件下依赖视觉捷径而非科学推理。

Comments Accepted at ICML 2026

Widening the Gap: Exploiting LLM Quantization via Outlier Injection

扩大差距：通过异常值注入利用LLM量化

Xiaohua Zhan, Kazuki Egashira, Robin Staab, Mark Vero, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出首个针对多种先进量化方法（AWQ、GPTQ、GGUF I-quants）的量化条件攻击，通过注入异常值导致权重塌缩，诱导模型在量化后出现恶意行为。

What Structural Inductive Bias Helps Transformers Reason Over Knowledge Graphs? A Study with Tabula RASA

什么结构归纳偏置帮助Transformer在知识图谱上进行推理？Tabula RASA研究

Jonas Petersen, Camilla Mazzoleni, Gian-Alessandro Lombardi, Federico Martelli, Riccardo Maggioni

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 通过最小化Transformer修改的消融实验，发现稀疏邻接掩码是驱动多跳推理的主要结构归纳偏置，而关系参数贡献有限。

Comments Accepted at GFM, ICML 2026

Agentic AI for Robot Control: Flexible but still Fragile

用于机器人控制的智能体AI：灵活但依然脆弱

Oscar Lima, Marc Vinci, Martin Günther, Marian Renz, Alexander Sung, Sebastian Stock, Johannes Brust, Lennart Niecksch, Zongyao Yi, Felix Igelbrink, Benjamin Kisliuk, Martin Atzmueller, Joachim Hertzberg

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Technical University of Munich（慕尼黑技术大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； German Aerospace Center (DLR)（德国航空航天中心（DLR）） 纠错

AI总结 本文提出一种基于推理型语言模型的智能体控制系统，通过迭代规划-执行循环选择并调用机器人技能完成任务，在两种物理平台上实验表明系统灵活但存在非确定性行为、指令遵循错误和提示敏感等脆弱性。

TamperBench: Systematically Stress-Testing LLM Safety Under Fine-Tuning and Tampering

TamperBench：系统化压力测试微调和篡改下的LLM安全性

Saad Hossain, Tom Tseng, Punya Syon Pandey, Samanvay Vajpayee, Matthew Kowal, Nayeema Nonta, Samuel Simko, Stephen Casper, Zhijing Jin, Kellin Pelrine, Sirisha Rambhatla

机构 * Critical ML Lab Waterloo Canada（Waterloo大学Critical ML实验室） ； FAR.AI Berkeley USA（伯克利美国FAR.AI公司） ； University of Toronto Toronto Canada（多伦多大学） ； University of Waterloo Waterloo Canada（Waterloo大学） ； ETH Zürich Zürich Switzerland（苏黎世联邦理工学院） ； MIT CSAIL Cambridge USA（麻省理工学院CSAIL实验室） ； University of Toronto, MPI, EuroSafeAI, Vector Institute Toronto Canada（多伦多大学、马克斯·普朗克研究所、EuroSafeAI、Vector Institute） ； Critical ML Lab University of Waterloo Waterloo Canada（Waterloo大学Critical ML实验室） 纠错

AI总结 提出统一框架TamperBench，通过系统化超参数扫描评估21个开源LLM在9种篡改威胁下的安全性和实用性，发现越狱微调是最严重攻击，当前对齐阶段防御基本失效。

Comments 25 pages, 15 figures

SSSD: Simply-Scalable Speculative Decoding

SSSD: 简单可扩展的推测解码

Michele Marzollo, Jiawei Zhuang, Niklas Roemer, Niklas Zwingenberger, Lorenz K. Müller, Lukas Cavigelli

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

AI总结 提出一种无需训练的推测解码方法SSSD，结合轻量级n-gram匹配和硬件感知推测，在多种基准测试中达到与领先训练方法相当的性能，延迟降低高达2.9倍，且对语言和领域变化具有鲁棒性。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, Main Conference)

You Only Train Once: Differentiable Subset Selection for Omics Data

你只训练一次：用于组学数据的可微分子集选择

Daphné Chopard, Jorge da Silva Gonçalves, Irene Cannistraci, Thomas M. Sutter, Julia E. Vogt

机构 * Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） ； Department of Intensive Care and Neonatology, University Children’s Hospital Zurich（重症医学与新生儿科，苏黎世大学儿童医院） 纠错

AI总结 提出YOTO框架，通过端到端可微架构联合选择离散基因子集并进行预测，实现稀疏、多任务学习，提升单细胞转录组数据分析性能。

Comments Camera-ready version accepted at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026

From Segments to Scenes: Temporal Understanding for Agentic Autonomous Driving via Vision-Language Models

从片段到场景：自动驾驶中基于视觉语言模型的时间理解

Kevin Cannons, Saeed Ranjbar Alvar, Mohammad Asiful Hossain, Ahmad Rezaei, Mohsen Gholami, Alireza Heidarikhazaei, Zhou Weimin, Yong Zhang, Mohammad Akbari

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学） 纠错

AI总结 提出自动驾驶时间理解基准TAD，通过场景思维链和轨迹认知图两种无训练方法提升视觉语言模型的时间推理能力。

A predictive safety filter for learning-based control of constrained nonlinear dynamical systems

基于约束非线性动力学系统的预测安全过滤器

Kim P. Wabersich, Melanie N. Zeilinger

机构 * Institute for Dynamic Systems and Control, ETH Zurich, Zurich, Switzerland（动态系统与控制研究所，苏黎世联邦理工学院，瑞士苏黎世） 纠错

AI总结 本文提出了一种预测安全过滤器，用于基于学习的控制中处理物理限制下的安全问题，通过将约束动力学系统转换为无约束安全系统，使任何强化学习算法都能直接应用。

Machine learning approximation algorithms for high-dimensional fully nonlinear partial differential equations and second-order backward stochastic differential equations

基于机器学习的近似算法用于高维非线性偏微分方程和二阶反向随机微分方程

Christian Beck, Weinan E, Arnulf Jentzen

机构 * ETH Zurich（苏黎世联邦理工学院） ； Beijing Institute of Big Data Research（北京大数据研究院） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） 纠错

AI总结 本文提出了一种基于机器学习的高维非线性二阶偏微分方程的求解方法，通过将非线性偏微分方程与二阶反向随机微分方程联系起来，并利用深度神经网络进行空间近似和随机梯度下降优化，展示了该方法在高维Black-Scholes-Barenblatt方程、Hamilton-Jacobi-Bellman方程和非线性期望问题中的高效性和准确性。

Comments 56 pages, 12 figures

Journal ref J. Nonlinear Sci. 29, 1563-1619 (2019)

Deep learning-based numerical methods for high-dimensional parabolic partial differential equations and backward stochastic differential equations

基于深度学习的高维抛物型偏微分方程和反向随机微分方程的数值方法

Weinan E, Jiequn Han, Arnulf Jentzen

机构 * Beijing Institute of Big Data Research (China)（北京大数据研究院（中国）） ； Princeton University (USA)（普林斯顿大学（美国）） ； Peking University (China)（北京大学（中国）） ； ETH Zurich (Switzerland)（苏黎世联邦理工学院（瑞士）） 纠错

AI总结 本文提出了一种基于深度学习的算法，通过将反向随机微分方程与强化学习类比，利用解的梯度作为策略函数，采用神经网络近似策略函数，有效解决了高维非线性偏微分方程和反向随机微分方程的问题。

Comments 39 pages, 15 figures

Journal ref Commun. Math. Stat. 5, 349-380 (2017)

Scalable synthesis of safety certificates from data with application to learning-based control

可扩展的数据合成安全证书及在基于学习的控制中的应用

Kim P. Wabersich, Melanie N. Zeilinger

机构 * Institute for Dynamic Systems and Control, ETH Zurich（动态系统与控制研究所，苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种高效的方法来合成安全集和控制律，通过基于凸优化问题的近似方法，提高了可扩展性，同时利用高斯过程先验减少保守性，应用于自动驾驶车队等场景。

Bayesian Optimization with Safety Constraints: Safe and Automatic Parameter Tuning in Robotics

具有安全约束的贝叶斯优化：机器人中的安全自动参数调节

Felix Berkenkamp, Andreas Krause, Angela P. Schoellig

机构 * 1 Learning \& Adaptive Systems Group, Department of Computer Science, ETH Zurich, Switzerland. 2 Dynamic Systems Lab, Institute for Aerospace Studies, University of Toronto, Canada. 纠错

AI总结 本文提出了一种通用算法，允许在目标函数之外存在多个独立的安全约束。该算法在给定初始安全参数的情况下，最大化性能，但仅评估满足所有安全约束的参数。通过利用高斯过程先验的正则性假设，该算法仔细探索参数空间，并展示了如何利用上下文变量安全地将知识转移到新任务中。

Directional Statistics and Filtering Using libDirectional

基于libDirectional的方向统计与滤波

Gerhard Kurz, Igor Gilitschenski, Florian Pfaff, Lukas Drude, Uwe D. Hanebeck, Reinhold Haeb-Umbach, Roland Y. Siegwart

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Paderborn（波德恩堡大学） 纠错

AI总结 本文介绍了libDirectional库，该库用于方向统计和方向估计，支持单位圆上常用的分布如von Mises、 Wrapped Normal和Wrapped Cauchy分布，以及更高维流形上的分布，如单位超球面和超 torus，并基于这些分布实现了多种递归滤波算法。

Comments Version accepted for Publication in the Journal of Statistical Software

Linear model predictive safety certification for learning-based control

基于线性模型的预测安全认证用于基于学习的控制

Kim P. Wabersich, Melanie N. Zeilinger

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种模型预测安全认证（MPSC）方案，用于具有加性扰动的多边形线性系统，以解决基于学习的控制器缺乏安全保证的问题。通过引入MPC来确保系统在安全目标集内运行，并通过场景优化提出了一种实用的数据驱动设计方法。

ConFusion: Sensor Fusion for Complex Robotic Systems using Nonlinear Optimization

ConFusion：利用非线性优化的复杂机器人系统传感器融合

Timothy Sandy, Lukas Stadelmann, Simon Kerscher, Jonas Buchli

机构 * Agile & Dexterous Robotics Lab, ETH Zurich（敏捷与灵活机器人实验室，苏黎世联邦理工学院） 纠错

AI总结 本文提出ConFusion，一种用于机器人应用的开源传感器融合框架，通过非线性优化实现灵活的传感器融合设计，并展示了其在视觉惯性跟踪和移动机械臂上的性能。

Journal ref IEEE Robotics and Automation Letters, 2019, Volume 4, Number 2, Pages 1093-1100

Frequency-Aware Model Predictive Control

频率感知模型预测控制

Ruben Grandia, Farbod Farshidian, Alexey Dosovitskiy, René Ranftl, Marco Hutter

机构 * Robotic Systems Lab, ETH Zurich（机器人系统实验室，苏黎世联邦理工学院） ； Intel Labs, Munich, Germany（英特尔实验室，德国慕尼黑） 纠错

AI总结 本文提出频率形状成本函数，用于在腿足机器人最优控制中实现鲁棒解决方案，通过仿真和硬件实验展示了运动计划与执行器带宽限制的兼容性，并在未建模合规性地形上实现了稳健行走。

Journal ref IEEE Robotics and Automation Letters 2019

Communication Compression for Decentralized Training

分布式训练中的通信压缩

Hanlin Tang, Shaoduo Gan, Ce Zhang, Tong Zhang, Ji Liu

机构 * Department of Computer Science, University of Rochester（罗切斯特大学计算机科学系） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Tencent AI Lab（腾讯AI实验室） 纠错

AI总结 本文研究了在高延迟和低带宽网络中结合通信压缩与去中心化技术以实现鲁棒训练系统的问题，提出了两种新的压缩策略并证明了其收敛性。

Cautious NMPC with Gaussian Process Dynamics for Autonomous Miniature Race Cars

谨慎的非线性模型预测控制用于自动驾驶微型赛车

Lukas Hewing, Alexander Liniger, Melanie N. Zeilinger

机构 * Institute for Dynamic Systems and Control, ETH Zurich（动态系统与控制研究所，苏黎世联邦理工学院） ； Institute for Automatic Control, ETH Zurich（自动控制研究所，苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种自适应高性能控制方法，通过使用高斯过程动态模型来改进自动驾驶微型赛车的动力学模型，从而在保证安全性的前提下提高赛车性能。

Journal ref 2018 European Control Conference (ECC), Limassol, 2018, pp. 1341-1348

Learning to Compensate Photovoltaic Power Fluctuations from Images of the Sky by Imitating an Optimal Policy

通过模仿最优策略从天空图像中学习补偿光伏功率波动

Robin Spiess, Felix Berkenkamp, Jan Poland, Andreas Krause

机构 * Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） ； ABB Corporate Research, Switzerland（瑞士ABB企业研究） 纠错

AI总结 本文提出了一种基于深度学习的方法，利用天空图像预测性地补偿光伏功率波动，减少电池压力，通过模仿学习训练神经网络近似最优策略。

Comments 7 pages, 7 figures

Optimization-Based Collision Avoidance

基于优化的避障方法

Xiaojing Zhang, Alexander Liniger, Francesco Borrelli

机构 * Model Predictive Control Laboratory, Department of Mechanical Engineering, University of California, Berkeley, USA（加州大学伯克利分校机械工程系模型预测控制实验室） ； Automatic Control Laboratory, Department of Information Technology and Electrical Engineering, ETH Zurich, Switzerland（苏黎世联邦理工学院信息科技与电气工程系自动控制实验室） 纠错

AI总结 本文提出一种将非光滑避障约束转化为光滑非线性约束的方法，利用凸优化的强对偶性。该方法适用于在n维空间中移动的受控物体，能处理一般障碍物和可表示为有限凸集并集的受控物体，并结合了传统轨迹生成算法中常用的有号距离概念。

Comments 27 pages, 9 figures, 2 tables

A General Safety Framework for Learning-Based Control in Uncertain Robotic Systems

一种用于不确定机器人系统中基于学习的控制的通用安全框架

Jaime F. Fisac, Anayo K. Akametalu, Melanie N. Zeilinger, Shahab Kaynama, Jeremy Gillula, Claire J. Tomlin

机构 * Department of Mechanical and Process Engineering, ETH Zurich（瑞士苏黎世联邦理工学院机械与过程工程系） ； Clearpath Robotics（Clearpath机器人公司） ； Electronic Frontier Foundation（电子前沿基金会） 纠错

AI总结 本文提出一种通用安全框架，结合Hamilton-Jacobi可达性方法和任意学习算法，通过近似系统动力学知识确保约束满足，同时减少对学习过程的干扰，并引入贝叶斯机制提升安全分析。

Comments Accepted for publication in IEEE Transactions on Automatic Control. Video with experiments: https://youtu.be/WAAxyeSk2bw

Deep Convolutional Neural Networks on Cartoon Functions

深度卷积神经网络在卡通函数上的应用

Philipp Grohs, Thomas Wiatowski, Helmut Bölcskei

机构 * 1 Dept. Math., ETH Zurich, Switzerland 纠错

AI总结 本文研究深度卷积神经网络在卡通函数上的变形稳定性，提出考虑结构特性的新结果，适用于具有尖锐和弯曲不连续性的信号。

Comments This is a slightly updated version of the paper published in the ISIT proceedings. Specifically, we corrected errors in the arguments on the volume of tubes. Note that this correction does not affect the main statements of the paper

Journal ref Proc. of IEEE International Symposium on Information Theory (ISIT), Barcelona, Spain, pp. 1163-1167, July 2016

Real-Time Control for Autonomous Racing Based on Viability Theory

基于可行性理论的实时自主赛车控制

Alexander Liniger, John Lygeros

机构 * Automatic Control Laboratory, ETH Zurich（自动控制实验室，苏黎世联邦理工学院） 纠错

AI总结 本文基于可行性理论生成有限步前瞻轨迹，结合低层模型预测控制器实现实时自主赛车，通过游戏理论方法改进可行性核计算，提升安全性并减少 lap 时间。

Comments 26 pages, 11 figures