Slots, Transitions, Loops: Learning Composable World Models for ARC
槽、转换、循环：学习可组合的ARC世界模型
机构 * University of Tübingen（图宾根大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出Loop-OWM架构，通过颜色原型槽、演示条件任务摘要和循环转换模型，学习ARC任务中的视觉符号规则，在ARC-1和ARC-2上超越基线。
高校专区
ETH Zurich（苏黎世联邦理工学院）
Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning
通过可逆潜在分解学习凸集并集用于路径规划
机构 * Korea University（高丽大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出ILD框架，联合学习可逆映射和潜在空间中的显式凸多面体并集，实现路径规划，并通过可见性引导采样保持凸集连通性，在多种环境中取得更高成功率。
SG2Loc: Sequential Visual Localization on 3D Scene Graphs
SG2Loc: 基于3D场景图的顺序视觉定位
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； TU Munich（慕尼黑工业大学） ； Microsoft（微软）
AI总结 提出一种轻量级顺序视觉定位方法，利用紧凑的3D场景图表示环境，通过粒子滤波和语义匹配实现高效定位，显著降低存储需求。
Comments The code will be available at https://github.com/DmblnNicole/sg2loc
SPEAR: A System for Post-Quantization Error-Adaptive Recovery Enabling Efficient Low-Bit LLM Serving
SPEAR: 一种后量化误差自适应恢复系统，实现高效低比特LLM服务
机构 * University of Electronic Science and Technology of China（电子科学与技术大学） ； University of Bristol（布里斯托大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 针对低比特量化导致LLM质量下降的问题，提出SPEAR系统，通过输入感知的门控误差补偿器（EC）选择性修正高误差层，结合自适应内核融合调度和SLO感知调度器，在<1%内存开销下恢复W4与FP16之间56-75%的困惑度差距。
Modelling magnetic material properties with uncertainty-aware neural networks
用不确定性感知神经网络建模磁性材料性质
机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tokyo（东京大学） ； National Institute for Materials Science（国家材料科学研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
AI总结 针对新材料发现中数据稀缺和分布外预测的不确定性问题，采用高斯负对数似然损失和基于dropout的贝叶斯近似量化预测不确定性，并迁移至微观结构预测矫顽力任务，证明不确定性量化可增强预测可信度且可迁移。
Comments pre print, unreviewed version
Geometric Erasure by Contrastive Velocity Matching in Rectified Flows
整流流中对比速度匹配的几何擦除
机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 提出GEM框架，通过对比速度匹配实现整流流模型中的概念擦除，结合生成流网络与教师引导的流匹配，有效抑制有害内容生成。
Learning to Inject: Automated Prompt Injection via Reinforcement Learning
学习注入：通过强化学习实现自动化提示注入
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 提出AutoInject，一种基于强化学习的黑盒框架，自动学习对抗性后缀进行提示注入，在AgentDojo上优于模板攻击和多种自适应攻击，并突破专门防御模型。
Open Materials Generation with Inference-Time Reinforcement Learning
基于推理时间强化学习的开放材料生成
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 提出OMatG-IRL框架，通过策略梯度强化学习直接作用于学习的速度场，无需显式计算得分，实现晶体结构预测中的能量目标强化，采样效率提升一个数量级。
Comments 25 pages, 12 figures, 6 tables
Reinforcement Learning Closures for Underresolved Partial Differential Equations using Synthetic Data
利用合成数据为未解析偏微分方程构建强化学习闭合模型
机构 * ETH Zurich/ Harvard University（苏黎世联邦理工学院/哈佛大学） ； Harvard University（哈佛大学） ； Argonne National Laboratory（阿贡国家实验室）
AI总结 本文提出利用合成数据和强化学习为未解析偏微分方程构建闭合模型，通过伯格斯方程和输运方程验证方法有效性，并展示闭合模型可从非均匀方程泛化到均匀方程。
Closure Discovery for Coarse-Grained Partial Differential Equations Using Grid-based Reinforcement Learning
基于网格强化学习的粗粒化偏微分方程闭合发现
机构 * ETH Zurich（苏黎世联邦理工学院） ； Harvard SEAS（哈佛大学工程学院）
AI总结 本文提出利用网格强化学习系统性地识别粗粒化偏微分方程中的闭合项，通过数值解验证了该方法在预测和加速计算方面的有效性。
Comments Conference on Parsimony and Learning (CPAL)
