ETH Zurich（苏黎世联邦理工学院）

To Retain or to Adapt? Generalizing Continual Learning

保留还是适应？泛化持续学习

Giulia Lanzillotta, Mandana Samiei, Doina Precup, Razvan Pascanu, Claire Vernade

机构 * ETH AI Center, Department of Computer Science, ETH Zürich（苏黎世联邦理工学院人工智能中心，计算机科学系） ； Mila - Quebec AI Institute, School of Computer Science, McGill University（魁北克人工智能研究所，麦吉尔大学计算机科学系） ； University of Technology Nuremberg（纽伦堡技术大学） 纠错

AI总结 该研究挑战持续学习以保留知识为中心的前提，将其形式化为在线优化问题，引入转移效率指标，得出关键任务持续时间，验证理论预测，还提出预测持续学习算法类别及窗口算法，在受控分布漂移下有良好表现。

Hilti-Trimble-Oxford Dataset: 360 Visual-Inertial Benchmark with Floor Plan Priors for SLAM and Localization

Hilti-Trimble-牛津数据集：用于SLAM和定位的带有平面图先验的360视觉惯性基准测试

Samuele Centanni, Yuhao Zhang, Yifu Tao, Julien Kindle, Frank Neuhaus, Tilman Koß, Aryaman Patel, Michael Helmberger, Emilia Szymańska, Torben Gräber, Maurice Fallon

机构 * Hilti AG（喜利得集团） ； University of Oxford（牛津大学） ； ETH Zürich（苏黎世联邦理工学院） ； Vision & Robotics GmbH（视觉与机器人有限公司） ； Trimble Inc.（天宝公司） 纠错

AI总结 本文介绍了Hilti-Trimble-牛津数据集，用于支持建筑工地的视觉SLAM和定位。它收集于活跃建筑工地，包含30个视觉惯性序列及地面真值轨迹。通过开放研究挑战评估相关系统，反映出SLAM方法更成熟，凸显定位任务难度，为持续研究提供支持，数据集公开可用。

Separation Capacity of Scattering Networks on Low-Dimensional Datasets

低维数据集上散射网络的分离能力

Konstantin Häberle, Helmut Bölcskei

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 研究低维数据集上散射网络的分离能力，通过刻画一般特征提取器的分离能力，针对散射网络得出滤波器要在多频率与数据匹配、耦合矩阵要有良好条件数这两个设计准则。

Comments 19 pages

EgoVerse: An Egocentric Human Dataset for Robot Learning from Around the World

EgoVerse：一个用于机器人学习的视点人类数据集

Ryan Punamiya, Simar Kareer, Zeyi Liu, Josh Citron, Ri-Zhao Qiu, Xiongyi Cai, Alexey Gavryushin, Jiaqi Chen, Davide Liconti, Lawrence Y. Zhu, Patcharapong Aphiwetsa, Baoyu Li, Aniketh Cheluva, Pranav Kuppili, Yangcen Liu, Dhruv Patel, Aidan Gao, Hye-Young Chung, Ryan Co, Renee Zbizika, Jeff Liu, Xiaomeng Xu, Haoyu Xiong, Geng Chen, Sebastiano Oliani, Wenkai Xuan, Chenyu Yang, Xi Wang, James Fort, Richard Newcombe, Josh Gao, Jason Chong, Garrett Matsuda, Aseem Doriwala, Marc Pollefeys, Robert Katzschmann, Xiaolong Wang, Shuran Song, Judy Hoffman, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； ETH Zürich（苏黎世联邦理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Meta Reality Labs Research（Meta现实实验室） ； Mecka AI ； Scale AI 纠错

AI总结 EgoVerse通过统一的数据收集、处理和访问框架，提供丰富的人类操作行为数据，促进机器人学习，并通过大规模研究验证了人类数据与机器人学习目标的一致性对性能的影响。

BitLogic: Training Framework for Gradient-Based FPGA-Native Neural Networks

BitLogic：基于梯度的FPGA原生神经网络训练框架

Simon Bührer, Andreas Plesner, Aczel Till, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 研究基于梯度的FPGA原生神经网络训练框架选择对精度和硬件成本的影响，提出统一框架BitLogic，将领域分解为五轴设计空间并在共享协议下实例化先前方法，结合各轴获胜者确定新配置，评估后得出该配置在多数据集上表现优且能耗低的结论。

Comments Accepted at TMLR (Transactions on Machine Learning Research)