ETH Zurich（苏黎世联邦理工学院）

UniCross: Unified Cross-Skill Dexterous Manipulation Synthesis

UniCross：统一跨技能灵巧操作合成

Hui Zhang, Julian Ferchow, Jie Song, Mirko Meboldt

机构 * ETH Zürich（苏黎世联邦理工学院） ； inspire AG（inspire AG公司） ； HKUST (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本研究提出UniCross框架，将抓取、重定位等四种灵巧操作技能统一建模，提炼出跨技能策略，可泛化到新物体、抗干扰，还能在不同手型间迁移，实现长时程操作。

Comments Project page: https://zdchan.github.io/UniCross/

S-CEReBrO: Breaking the Memory Barrier in Continuous EEG Monitoring

S-CEReBrO：突破连续脑电图监测中的内存瓶颈

Glenn Anta Bucagu, Thorir Mar Ingolfsson, Yawei Li, Luca Benini

机构 * ETH Zurich（苏黎世联邦理工学院） ； Nanyang Technological University（南洋理工大学） ； University of Bologna（博洛尼亚大学） 纠错

AI总结 该研究针对连续EEG监测中Transformer架构的内存瓶颈，提出S-CEReBrO架构，通过窗口交替注意力实现内存恒定，在EEG下游任务中性能领先且效率提升。

Comments This is the pre-rebuttal version of a paper accepted at MICCAI 2026. The camera-ready version will be posted following the embargo

From Machine Learning to Large-Scale EO Products: Best Practices for Making Maps

从机器学习到大规模地球观测产品：制作地图的最佳实践

Ghjulia Sialelli, Robin Young, Yuchang Jiang, Cesar Aybar, Linus Scheibenreif, Damien Robert, Clemens Mosig, Adam J. Stewart, Jan D. Wegner, Aleksis Pirinen, Olof Mogren, Konrad Schindler

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； University of Cambridge（剑桥大学） ； Swiss Federal Research Institute WSL（瑞士联邦森林、雪和景观研究所） ； Asterisk Labs（星号实验室） ； EcoVision Lab, University of Zurich（苏黎世大学生态视觉实验室） ； Leipzig University（莱比锡大学） ； TU Munich（慕尼黑工业大学） ； RISE Research Institutes of Sweden（瑞典皇家理工学院） 纠错

AI总结 本文探讨从机器学习到大规模EO产品制作地图的最佳实践，围绕EO数据基础设施、数据处理、模型训练、不确定性量化、地图制作与分发及验证等六个主题，给出从卫星数据到运营地图产品整个流程的推荐做法。

Comments ECCV 2026 TerraBytes II Workshop paper, non-archival

SNAC-Pack 2.0: Scaled-Out Surrogate Neural Architecture Codesign

代理神经架构协同设计包（SNAC-Pack）

Jason Weitz, Dmitri Demler, Benjamin Hawks, Aaron Wang, Nhan Tran, Javier Duarte

机构 * University of California San Diego（加州大学圣地亚哥分校） ； ETH Zurich（苏黎世联邦理工学院） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 本文提出SNAC-Pack，一种面向硬件的自动化机器学习框架，用于神经架构协同设计和端到端FPGA部署，通过多目标全局搜索和硬件代理模型减少合成成本，并结合量化感知训练和迭代幅度剪枝来压缩模型，最终在FPGA上实现高效部署。

Comments 16 pages, 3 figures, Camera-ready version for International Conference on Automated Machine Learning (AutoML) 2026

On the Rate of Convergence of Kolmogorov-Arnold Network Regression Estimators

关于Kolmogorov-Arnold网络回归估计器收敛速度的论文

Wei Liu, Eleni Chatzi, Zhilu Lai

机构 * Department of Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系） ； Department of Civil, Environmental and Geomatic Engineering, ETH Zürich（苏黎世联邦理工学院土木、环境与地理工程系） ； Internet of Things Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）物联网研究组） 纠错

AI总结 本文研究了KANs在Sobolev空间中函数近似时的收敛速度，证明了其达到最小最大最优收敛速度，并提供了B-样条结点数选择的指导方针。