ETH Zurich（苏黎世联邦理工学院）

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

Parallel Coordinate Descent Newton Method for Efficient $\ell_1$-Regularized Minimization

并行坐标下降牛顿法用于高效ℓ1正则化最小化

An Bian, Xiong Li, Yuncai Liu, Ming-Hsuan Yang

机构 * ETH Zurich（苏黎世联邦理工学院） ； CNCERT（国家计算机网络应急中心） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 本文提出并行坐标下降牛顿算法（PCDN），通过将Hessian矩阵的非对角线元素设为零以实现并行化，有效解决大规模优化问题中的并行性与收敛性问题。

Set-Preserving Calibration from Conformal P-Values to E-Values

从共形p值到e值的集合保持校准

Nabil Alami, Jad Zakharia, Souhaib Ben Taieb

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 针对共形预测中p值到e值转换的局限性，提出一种集合保持的P2E校准器，在不改变预测集的前提下实现高效转换，并在交叉共形预测和共形聚合中达到期望覆盖并提升效率。

Exploring Easy Boosts for Lidar Semantic Scene Completion

探索激光雷达语义场景补全的简易提升方法

Tetiana Martyniuk, Jonathan Seele, Alexandre Boulch, Gilles Puy, Renaud Marlet, Raoul de Charette

机构 * Inria, France（法国国家信息与自动化技术研究所） ； valeo.ai, France（valeo.ai公司） ； ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） ； LIGM, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France（法国高等科学研究院（CNRS）） 纠错

AI总结 本文研究无需复杂架构重设计的“免费午餐”策略，通过为输入点云添加语义伪标签和可见性信息，显著提升激光雷达语义场景补全性能，使旧模型与最先进系统竞争甚至超越。

Comments Accepted to ICIP 2026

Skill-RM: Unifying Heterogeneous Evaluation Criteria via Agent Skill

Skill-RM: 通过智能体技能统一异构评估标准

Tao Chen, Gangwei Jiang, Pengyu Cheng, Siyuan Huang, Yihao Liu, Jingwei Ni, Jiaqi Guo, Mengyu Zhou, Kai Tang, Junling Liu, Qinliang Su, Xiaoxi Jiang, Guanjun Jiang

机构 * Qwen Large Model Application Team, Alibaba（通义千问大模型应用团队，阿里巴巴） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Peking University（北京大学） ； ETH Zürich University of Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出Skill-RM框架，将奖励建模重构为可重用的奖励评估技能执行，通过动态选择和聚合证据统一异构评估标准，在奖励基准和下游任务中优于传统方法。

Reasoning Structure of Large Language Models

大型语言模型的推理结构

Frédéric Berdoz, Luca A. Lanzendörfer, Fabian Farestam, Roger Wattenhofer

机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院） 纠错

AI总结 针对大型推理模型评估中隐藏不同推理结构的问题，提出基于逻辑谜题的基准测试和将非结构化轨迹转化为可验证推理图的方法，并定义推理效率指标，以量化分析推理拓扑结构。

Comments Accepted at ICML 2026 and presented at the ICLR 2026 workshop on LLM reasoning

TreeFlash: Parallel AR-Approximation for Faster Speculative Decoding

TreeFlash: 用于更快推测解码的并行AR近似

Peer Rheinboldt, Frédéric Berdoz, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出TreeFlash，通过MLP层近似自回归分布，在保持O(1)解码时间复杂度的同时，提升树形推测解码的块效率和加速比。

AI Model Extraction Attacks: Bypassing Single-Client Assumptions in Defenses

AI模型提取攻击：绕过防御中的单客户端假设

Maxime Schwarzer, Johannes F. Loevenich, Gustavo Sánchez, Laurin Holz, Thies Möhlenhof, Tobias Hürten, Roberto Rigolin F. Lopes, Veit Hagenmeyer

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； University of Tübingen（图宾根大学） 纠错

AI总结 本文通过提出CerberusAI框架，系统性地证明模型提取攻击中的单客户端假设（SCA）在高级持续性威胁（APT）等协同攻击者面前无效，并展示基本轮询查询分布策略即可绕过PRADA等防御机制，呼吁转向无状态、独立于身份的防御架构。

Fast Unlearning at Scale via Margin Self-Correction

通过边际自我修正实现大规模快速遗忘学习

Federico Di Gennaro, Alexander Shevchenko, Fanny Yang

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 提出MASC方法，通过在线停止规则在无需下游评估的情况下高效实现语言模型遗忘，显著降低计算成本。

Toward a Modular Architecture for Embedded AI Agent Systems at the Edge

面向边缘嵌入式AI智能体系统的模块化架构

Marcus Rüb, Michael Gerhards

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出一种模块化参考架构，通过分层设计解耦设备端和云端智能体，并引入治理层，解决嵌入式微控制器上部署自主AI的严格资源约束问题。

QUIVER: Quantum-Informed Views for Enhanced Representations in Large ML Models

QUIVER: 用于大型机器学习模型中增强表示的量子信息视角

Aritra Bal, Michael Binder, Markus Klute, Benedikt Maier, Michael Spannowsky

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） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出QUIVER框架，通过变分量子电路提取量子Fisher信息矩阵作为几何特征，与经典特征融合以提升大型机器学习模型性能，并在QM9和JetClass数据集上验证了有效性。

Comments 9 pages, 1 figure and 2 tables. Accepted as a poster at the AI4Physics Workshop, ICML 2026 (Seoul, South Korea)

Decomposing and Measuring Evaluation Awareness

分解与度量评估意识

Changling Li, Terry Jingchen Zhang, Jie Zhang, Zhijing Jin, Sahar Abdelnabi, Maksym Andriushchenko

机构 * ETH Zürich（苏黎世联邦理工学院） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究院） ； Tübingen AI Center（图宾根人工智能中心） ； University of Toronto & Vector Institute（多伦多大学及向量研究所） ； EuroSafeAI（欧洲安全人工智能） 纠错

AI总结 本研究借鉴社会心理学，将评估意识分解为环境与模型两部分，通过EvalAwareBench基准测试发现识别率取决于模型与基准的配对，且识别很少导致行为改变，安全评估比能力评估更易受影响。

Mechanism Design Is Not Enough: Prosocial Agents for Cooperative AI

机制设计是不够的：面向合作AI的亲社会智能体

Xuanqiang Angelo Huang, Charlie Tharas, Samuele Marro, Van Q. Truong, Bernhard Schölkopf, Emanuele La Malfa, Zhijing Jin

机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Institute for Decentralized AI（去中心化人工智能研究所） ； Jinesis Lab, University of Toronto & Vector Institute（多伦多大学Jinesis实验室及向量研究所） ； EuroSafeAI ； University of Pennsylvania（宾夕法尼亚大学） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 本文证明仅靠机制设计无法最大化LLM智能体的社会福利，并提出亲社会智能体（兼顾他人福利）能弥补这一差距，实现更优的社会与个体结果。

Comments 42 pages

Physics-informed diffusion models in spectral space

谱空间中的物理信息扩散模型

Davide Gallon, Philippe von Wurstemberger, Patrick Cheridito, Arnulf Jentzen

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 提出物理信息谱扩散（PISD）方法，结合生成式潜扩散模型与物理信息机器学习，在谱表示潜空间中对偏微分方程参数和解进行扩散建模，通过扩散后验采样施加物理约束和测量条件，在泊松、亥姆霍兹和不可压缩纳维-斯托克斯方程上展现出比现有扩散求解器更高的精度和计算效率。

Comments 18 pages, 10 figures

A Scoping Review of the Ethical Perspectives on Anthropomorphising Large Language Model-Based Conversational Agents

拟人化大型语言模型对话代理的伦理视角：一项范围综述

Andrea Ferrario, Rasita Vinay, Matteo Casserini, Alessandro Facchini

机构 * Institute of Biomedical Ethics and History of Medicine, University of Zürich（苏黎世大学生物医学伦理与医学史研究所） ； Dalle Molle Institute for Artificial Intelligence (IDSIA), SUPSI（瑞士SUPSI人工智能研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Institute for Implementation Science in Health Care, University of Zürich（苏黎世大学医疗实施科学研究所） ； Department of Management, Technology and Economics, ETH Zürich（苏黎世联邦理工学院管理、技术与经济系） ； Dipartimento Tecnologie Innovative, SUPSI（SUPSI创新技术系） ； Management in Networked and Digital Societies (MINDS) Department, Kozminski University（科兹明斯基大学网络化与数字化社会管理系） 纠错

AI总结 本文通过范围综述，系统梳理了拟人化LLM对话代理的伦理挑战与机遇，包括概念基础、伦理问题及方法论，并提出了研究议程与设计治理建议。

Comments 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT'26)

Latent Activation Editing: Inference-Time Refinement of Learned Policies for Safer Multirobot Navigation

潜在激活编辑：基于推理时策略精炼的安全多机器人导航

Satyajeet Das, Darren Chiu, Zhehui Huang, Lars Lindemann, Gaurav S. Sukhatme

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室） 纠错

AI总结 提出潜在激活编辑（LAE）框架，通过在推理时在线检测并编辑中间激活，在不修改权重或架构的情况下降低预训练策略的碰撞率，在四旋翼导航中实现近90%的碰撞减少。

PINNfluence: Interpreting PINNs through Influence Functions

PINNfluence: 通过影响函数解释 PINN

Aleksander Krasowski, Jonas R. Naujoks, Moritz Weckbecker, Galip Ü. Yolcu, Thomas Wiegand, Sebastian Lapuschkin, Wojciech Samek, René P. Klausen

机构 * 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） ； University of Tübingen（图宾根大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出 PINNfluence 框架，基于影响函数对物理信息神经网络进行训练数据归因，实现预测、损失分量和训练数据点之间的细粒度归因，并通过基准实验区分训练好与差的 PINN 的结构特征。

Comments Accepted at ICML 2026

A combination of noise and bilateral filters achieve supralinear and scalable adversarial robustness in CNNs

噪声与双边滤波的组合在CNN中实现超线性且可扩展的对抗鲁棒性

Nicolas Stalder, Benjamin F. Grewe, Matteo Saponati, Pau Vilimelis Aceituno

机构 * Institute of Neuroinformatics ETH Zürich, University of Zürich（神经信息学研究所，苏黎世联邦理工学院，苏黎世大学） 纠错

AI总结 本文提出结合高斯噪声和双边滤波的预处理方法，通过互补机制实现超线性对抗鲁棒性提升，并验证其与对抗训练结合后能以更低计算成本达到与最先进防御相当的性能。

Comments Main: 8 pages, 3 figures, 2 Tables. Supplement: 10 pages, 7 figures, 6 Tables

FW-NKF: Frequency-Weighted Neural Kalman Filters

FW-NKF: 频率加权神经卡尔曼滤波器

Adnan Harun Dogan, Berken Utku Demirel, Christian Holz

机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 提出频率加权神经卡尔曼滤波器（FW-NKF），通过将因果谱整形算子嵌入卡尔曼测量残差并联合学习观测和状态转移网络，抑制频带受限噪声，在混沌系统和惯性姿态估计等任务中定位误差降低达10%。

Comments Published at ICRA 2026

Ultra Diffusion Poser: Diffusion-Based Human Motion Tracking From Sparse Inertial Sensors and Ranging-Based Between-Sensor Distances

超扩散姿态估计器：基于扩散的从稀疏惯性传感器和测距传感器间距离的人体运动跟踪

Dominik Hollidt, Tommaso Bendinelli, Christian Holz

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 提出Ultra Diffusion Poser扩散模型，通过显式建模UWB测距的几何约束（空间布局模块解析重建传感器位置）和引入UWB扩散引导，在扩散采样中强制预测姿态与实测距离对齐，将关节位置误差降低22%。

Comments CVPR 2026 - Computer Vision and Pattern Recognition

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026, pp. 7036-7046

Single-Line Drawing Generation via Semantics-Driven Optimization

基于语义驱动的单线图生成

Tanguy Magne, Alexandre Binninger, Ruben Wiersma, Olga Sorkine-Hornung

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出一种基于语义驱动的方法，通过文本提示或输入图像自动生成矢量格式的单线图，利用分数蒸馏采样优化均匀有理B样条曲线参数，并引入额外损失项控制艺术风格，生成结果优于现有方法且支持下游制造。

Comments 18 pages, published in Computer Graphics Forum 2026

Set-Supervised Diffusion Policy: Learning Action-Chunking Diffusion through Corrections

集合监督扩散策略：通过修正学习动作分块扩散

Zhaoting Li, Gang Chen, Javier Alonso-Mora, Cosimo Della Santina, Jens Kober

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） 纠错

AI总结 提出集合监督扩散策略（SDP），利用人类修正中的对比动作分块数据，通过构建期望动作分块集合来训练扩散策略，有效缓解分布偏移并提升鲁棒性。

Learning from Saturated Data: Signals Beyond Correctness for LLM Training

从饱和数据中学习：LLM训练中超越正确性的信号

Hanno Hiss, Jasper Dekoninck, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文研究在基准测试和训练数据集饱和的情况下，如何利用超越二元正确性的细粒度质量信号（如成对LLM自判断和token级熵）来提升下游性能，实验表明在简单算术任务上质量信号显著优于SFT，但在复杂任务上效果有限且需谨慎校准。

Comments 25 pages, 5 figures

Event-Based Vision in Space: Applications, Trends, and Future Directions

太空中的事件视觉：应用、趋势与未来方向

Luigi Capogrosso, Pietro Bonazzi, Michele Magno

机构 * Interdisciplinary Transformation University of Austria（交叉学科转型奥地利大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文综述了事件视觉传感器在太空领域的应用，通过分类四个主要领域（大气与高速观测、环境监测与变化检测、操作支持与星上处理、地理空间建模与预测分析），指出神经形态工程是解决现代遥感与可持续太空探索关键瓶颈的范式转变。

Comments Accepted at the XXIV Annual Conference on Sensors and Microsystems (AISEM) 2026

Exploiting In-Sensor Computing for Energy-Efficient Earth Observation

利用传感器内计算实现节能地球观测

Luigi Capogrosso, Pietro Bonazzi, Loris Hoxhaj, Michele Magno

机构 * Interdisciplinary Transformation University of Austria（跨学科转型奥地利大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Verona（威尼斯大学） 纠错

AI总结 针对卫星数据下行带宽瓶颈，提出基于TinyML和索尼IMX500传感器的传感器内计算框架，在8MB约束下达到96.68%精度和42.26 GMAC/J能效。

Comments Accepted at the XXIV Annual Conference on Sensors and Microsystems (AISEM) 2026

Towards Interactive Video World Modeling: Frontiers, Challenges, Benchmarks, and Future Trends

迈向交互式视频世界建模：前沿、挑战、基准与未来趋势

Jiuming Liu, Chaojun Ni, Mengmeng Liu, Chensheng Peng, Fangjinhua Wang, Sitian Shen, Marc Pollefeys, Masayoshi Tomizuka, Ayush Tewari, Per Ola Kristensson

机构 * Department of Engineering, University of Cambridge, U.K.（剑桥大学工程系） ； Peking University（北京大学） ； University of Twente（埃因霍温理工大学） ； Mechanical Systems Control Laboratory, University of California, Berkeley, USA（加州大学伯克利分校机械系统控制实验室） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软公司） ； University of Oxford（牛津大学） 纠错

AI总结 本文系统综述了交互式世界建模的研究趋势、技术挑战、评估基准，并提出了未来方向，重点在于动作条件可控性、长程交互与记忆以及实时响应性。

Comments Under review. The GitHub repository is publicly available at: https://github.com/liujiuming123/Awesome-Interactive-World-Model

When Data Is Scarce: Scaling Sparse Language Models with Repeated Training

当数据稀缺时：通过重复训练扩展稀疏语言模型

Boqian Wu, Qiao Xiao, Patrik Okanovic, Tomasz Sternal, Maurice van Keulen, Mykola Pechenizkiy, Elena Mocanu, Torsten Hoefler, Decebal Constantin Mocanu

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of Luxembourg（卢森堡大学） ； University of Twente（埃因霍温大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 研究数据受限下稀疏训练的可扩展性，提出包含活跃参数、唯一标记、数据重复和稀疏度的缩放定律，发现稀疏训练可延迟数据饱和并改善资源权衡。

Comments Accepted at ICML2026

Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation

通过苏格拉底式提问和批判性论证教授外行人逻辑谬误，以应对错误信息的根源

Minjing Shi, Junling Wang, Jingwei Ni, Sankalan Pal Chowdhury, Mrinmaya Sachan

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） 纠错

AI总结 提出LFTutor智能辅导系统，利用大语言模型结合苏格拉底式提问和批判性论证原则，帮助外行人学习识别逻辑谬误，显著优于基线模型。

Comments This paper has been accepted to Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Long Paper), Main Conference

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, 2026