ETH Zurich（苏黎世联邦理工学院）

Strategic PAC Learnability via Geometric Definability

通过几何可定义性实现策略PAC可学习性

Yuval Filmus, Shay Moran, Elizaveta Nesterova, Nir Rosenfeld, Alexander Shlimovich

机构 * Weizmann Institute of Science（魏茨曼研究院） ； University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） 纠错

AI总结 研究个体通过成本修改特征影响分类器决策的策略学习问题，证明在简单情况下策略行为可使易学问题变为不可学，并引入几何可定义性假设以控制样本复杂度。

DiskChunGS: Large-Scale 3D Gaussian SLAM Through Chunk-Based Memory Management

DiskChunGS：基于分块内存管理的大规模3D高斯SLAM

Casimir Feldmann, Maximum Wilder-Smith, Vaishakh Patil, Michael Oechsle, Michael Niemeyer, Keisuke Tateno, Marco Hutter

机构 * Robotic Systems Lab, ETH Zurich（机器人系统实验室，瑞士苏黎世联邦理工学院） ； Google（谷歌） 纠错

AI总结 提出DiskChunGS，通过将场景划分为空间块并将非活跃区域存储于磁盘，突破GPU内存限制，实现大规模3D高斯SLAM，在多个数据集上完成全序列重建并提升视觉质量。

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, 2026

Data-Driven Soft Robot Control via Adiabatic Spectral Submanifolds

基于绝热谱子流形的数据驱动软体机器人控制

Roshan S. Kaundinya, John Irvin Alora, Jonas G. Matt, Luis A. Pabon, Marco Pavone, George Haller

机构 * Institute for Mechanical Systems, ETH Zürich（机械系统研究所，苏黎世联邦理工学院） ； Autonomous Systems Lab, Stanford University（自主系统实验室，斯坦福大学） ； Automatic Control Laboratory, ETH Zürich（自动控制实验室，苏黎世联邦理工学院） 纠错

AI总结 针对软体机器人在非线性区域控制难题，提出基于绝热谱子流形（aSSM）的模型预测控制策略，通过数据驱动构建低维吸引子流形，实现高精度轨迹跟踪，性能提升达10倍。

Comments 41 pages, 24 figures, IJRR (2026) in press

Metriplectic Conditional Flow Matching for Dissipative Dynamics

度量辛条件流匹配用于耗散动力学

Ali Baheri, Lars Lindemann

机构 * Rochester Institute of Technology, Rochester, NY, USA（罗切斯特理工学院） ； Automatic Control Laboratory, ETH Zürich, Switzerland（自动控制实验室） 纠错

AI总结 提出度量辛条件流匹配（MCFM）方法，通过将保守-耗散分解融入向量场和结构保持采样器，学习耗散动力学，保证能量单调递减和长期稳定性。