高校专区
用于贝叶斯反演的几何自编码器先验：先学习后观察
机构 * Department of Engineering University of Cambridge（工程系剑桥大学） ； Institute of Structural Engineering ETH Zürich（结构工程研究所苏黎世联邦理工学院）
AI总结 本文提出GABI框架，通过学习几何感知的生成模型作为贝叶斯反演的先验，利用ABC采样实现高效反演，适用于复杂几何问题。
高效分布回归树学习算法用于校准的非参数概率预测
机构 * Swiss Data Science Center（瑞士数据科学中心） ； EPFL（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出高效算法用于校准非参数概率预测，通过min-max堆等数据结构提升计算效率，展示其在WIS和CRPS损失函数下的竞争力，并利用树结构实现可解释的群体条件覆盖保障。
N-vium：用于加速精确生成的混合出口Transformer
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 N-vium通过在标准硬件上部分并行化计算，提高自回归Transformer的推理效率，通过增加每秒有效FLOPs而非减少每token计算量，实现精确生成。
重新审视LLM代理时代的DAgger
机构 * Georgia Institute of Technology（佐治亚理工学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出通过DAgger算法改进长周期LLM代理，通过学生与教师策略的回合级插值收集轨迹，并利用教师提供的监督标签训练学生，有效缓解协变量偏移并提升性能。
WildPose：一种在动态环境中鲁棒的姿态估计统一框架
机构 * Stanford University（斯坦福大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出WildPose，一种统一的单目姿态估计框架，能鲁棒地处理动态环境并在静态和低自我运动数据集上保持最先进的性能。通过结合前馈模型的丰富感知前端和可微捆调整优化，该框架在动态、静态和低自我运动基准测试中均优于现有方法。
模拟学生还是阿谀奉承的问题解决？关于LLM模拟器的误解忠实性
机构 * ETH Zürich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； University of Central Florida（中央佛罗里达大学）
AI总结 本文提出评估LLM模拟器误解忠实性的框架，发现现有模型在反馈下倾向于修正答案而非维持误解，提出Selective Flip Score指标并改进训练方法以提升误解忠实性。
你的神经网络能外推吗？特征工程作为对ODD泛化性的可识别性偏差
机构 * Chair of Cognitive Science, ETH Zürich（认知科学教授职位，苏黎世联邦理工学院） ； Centre for Human and Machine Intelligence, Frankfurt School（人机智能中心，法兰克福学校） ； Aisot Technologies AG, D-GESS, ETH Zürich（Aisot技术公司，D-GESS，苏黎世联邦理工学院）
AI总结 本文探讨神经网络在面对分布外数据时的外推能力，指出特征工程对可识别性偏差的影响，通过实例展示正确特征的重要性及模型类表达目标的必要性。
通过学习函数扩展对神经算子施加边界条件
机构 * Department of Mechanical and Process Engineering, ETH Zurich, Switzerland（机械与过程工程系，苏黎世联邦理工学院，瑞士） ； Seminar for Applied Mathematics, ETH Zurich, Switzerland（应用数学研讨会，苏黎世联邦理工学院，瑞士） ； ETH AI Center, Zurich, Switzerland（苏黎世联邦理工学院人工智能中心，瑞士）
AI总结 本文提出一种框架，通过函数扩展使神经算子能够处理复杂的非齐次边界条件，通过映射边界数据到潜在伪扩展，使标准算子学习架构能利用边界信息，从而提升对复杂边界条件和输入域函数的依赖学习能力。
时间检验：重新思考基准污染的时序信号
机构 * Jinesis Lab, University of Toronto & Vector Institute（Jinesis实验室、多伦多大学及向量研究所） ； ETH Zürich & ETH AI Center（苏黎世联邦理工学院及ETH人工智能中心） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（智能系统马克斯·普朗克研究所，图宾根，德国） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文质疑LLM后截止性能衰减作为基准污染时序信号的假设，发现该信号对问题构造方式敏感，通过LLM转换问题可改变时序模式，验证了其对评估可靠性的启示。
Comments ACL 2026
测试时的离线强化学习在目标相关经验上的应用
机构 * ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院，苏黎世，瑞士） ； Max Planck Institute for Intelligent Systems, Tubingen, Germany（智能系统马克斯·普朗克研究所，图宾根，德国） ； University of Tubingen, Tubingen, Germany（图宾根大学，图宾根，德国）
AI总结 本文提出了一种基于目标的测试时训练方法，通过选择与当前状态和评估目标相关的经验来提升策略性能，适用于高维定位导航和操作任务。
GeomHair：从无色3D扫描中重建发丝
机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
AI总结 本文提出一种从无色3D扫描直接重建发丝的方法，通过多模态发丝方向提取，结合神经网络2D线检测器和扩散先验，构建了Strands400数据集，支持下游任务和CG工作流。
Comments 15 pages, 9 figures, 1 table
核嵌入与测度分离现象
机构 * Departement Mathematik, ETH Zürich（苏黎世联邦理工学院数学系）
AI总结 本文证明核协方差嵌入在信息论上能完美区分不同连续概率分布，通过将测度相等性问题转化为高斯测度的奇异性和分离性问题，揭示了核方法在高维领域中的有效性机制。
通过有限空间上的测度集中性获得更紧的学习保证
机构 * Department of Mathematics, McMaster University and The Vector Institute（麦吉尔大学数学系和向量研究所） ； Faculty of Mathematics, University of Vienna（维也纳大学数学系） ； Department of Mathematics, ETH Zürich（苏黎世联邦理工学院数学系）
AI总结 本文提出了一种适用于数字计算机的学习模型通用界限，通过调整参数m，实现了更紧的泛化界限，同时保持了维度无关的最坏情况速率。
多流语言模型：通过并行思维、输入和输出流解除语言模型瓶颈
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； University Hospital Tübingen（图宾根大学医院） ； University of Tübingen（图宾根大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所）
AI总结 本文提出通过并行计算流替代顺序消息格式，提升语言模型的效率、安全性和可监控性，解决单流计算的局限性。
Comments Preprint, 37 pages. Code at https://github.com/seal-rg/streaming/
学习具有高实现次数的最小刚性图
机构 * Faculty of Information Technology, Czech Technical University in Prague（捷克技术大学布拉格信息科技学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出基于强化学习的方法，通过0-和1-扩展构造最小刚性图，优化实现次数不变量，实现在平面和球面实现次数上的新记录。
Comments This is an extended version of the paper accepted to IJCAI 2026
从信息传递到线性化图序列模型
机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院）
AI总结 本文提出线性化图序列模型框架，将信息传递图计算从序列建模视角简化架构选择，通过分离计算深度与信息传播深度，将图架构决策转化为序列建模选择，提升长距离信息任务性能。
多变量符合预测：无需数据分割的预测集优化
机构 * TU Munich & MCML, Germany（慕尼黑技术大学及MCML，德国） ； Politecnico di Milano, Italy（米兰理工学院，意大利） ； University of Brescia, Italy（布雷西亚大学，意大利） ； ETH Zürich, Switzerland（苏黎世联邦理工学院，瑞士）
AI总结 本文提出多变量符合预测框架，通过统一预测集设计与校准为单优化问题，无需数据分割即可保证覆盖概率。RemMCP和RelMCP在椭圆和多模预测集中表现出更小的预测集大小和更低的方差。
网格游戏：多个网格在量化大语言模型中的力量
机构 * ISTA ； ETH Zürich（苏黎世联邦理工学院） ； Red Hat AI（红帽人工智能）
AI总结 本文研究了通过多个网格提升大语言模型量化效果的方法，提出PO2网格问题并展示其在不同模型中的优势，实验表明自适应网格能提升精度。
Comments Preprint
基于大语言模型的代码生成的不确定性量化
机构 * State Key Lab of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Birkbeck, University of London（伦敦大学伯克贝克学院）
AI总结 本文提出RisCoSet方法，通过多重假设检验构建风险控制的预测集，用于大语言模型代码生成任务，有效减少代码移除并提升准确性。
UniFixer：一种通用参考引导的扩散基视图合成修复器
机构 * ETH Zürich（苏黎世联邦理工学院） ； DisneyResearch|Studios（迪士尼研究实验室）
AI总结 本文提出UniFixer，通过粗到细策略修复扩散基视图合成中的多种退化问题，包括空间、时间及模型相关的退化，通过参考预对齐、全局结构锚定和局部细节注入模块实现高质量视图合成。
MULTI: 解构相机镜头、传感器、视角和领域以实现新图像生成
机构 * Bosch Research（博世研究） ； ETH Zürich（苏黎世联邦理工学院） ； University of Siegen（锡根大学）
AI总结 MULTI通过文本逆向学习解构图像生成中的多因素，提升对特定风格和对象的控制能力，并通过DF-RICO基准验证其有效性。
Comments Accepted at ICPR 2026
鲁棒可提示视频对象分割
机构 * POSTECH ； Google（谷歌） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出鲁棒可提示视频对象分割方法MoGA，通过内存对象条件门控适应处理视频对象分割中的退化问题，提升在真实环境下的鲁棒性。
Comments Accepted to CVPR 2026
SeePhys Pro：多模态RLVR中模态迁移和盲训练效应的诊断
机构 * Sun Yat-sen University（中山大学） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世人工智能中心） ； Huawei Technologies Ltd（华为技术有限公司）
AI总结 SeePhys Pro研究多模态RLVR中模态迁移对物理推理的影响，发现当前模型在信息从语言迁移到图像时表现下降，盲训练可提升性能，但依赖残余文本和分布特征而非有效视觉证据。
从噪声成对比较中高效进行贝叶斯推断
机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院）
AI总结 本文提出BBQ模型，通过贝叶斯方法处理噪声成对比较数据，改进了传统Bradley-Terry方法，提供更稳健和可解释的排名结果。
每一个比特，处处，一次又一次：一种二项式多比特大语言模型水印
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出一种新的多比特水印方法，通过二项式编码在每个token位置直接编码每个比特，提升水印的准确性和鲁棒性，同时引入每比特置信度评分作为评估指标。
动态群体博弈中无模型学习的研究：以Karma经济为例
机构 * Department of Information Engineering（信息工程系） ； Automatic Control Laboratory（自动控制实验室） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文研究了Karma动态群体博弈中的无模型均衡学习，通过深度Q网络分析新成员在稳态纳什均衡下的学习过程，并通过实验展示结合深度强化学习与 fictitious play 可实现接近中心计算的稳态纳什均衡。
神经权值范数等于柯尔莫戈洛夫复杂度
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 论文证明在固定精度下，循环神经网络输出二进制字符串的最小权值范数等于该字符串的柯尔莫戈洛夫复杂度，揭示了权值衰减与 Solomonoff 先验的联系。
通用图灵测试：比较智能的基础
机构 * MIT（麻省理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院）
AI总结 本文提出通用图灵测试框架，通过不可区分性比较任意智能体的能力，研究其性质并实证分析现代模型的智能层次。
Muown：行范数控制用于缪子优化
机构 * ETH Zurich（苏黎世联邦理工学院） ； Technical University of Munich（慕尼黑技术大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； MPI-IS Tübingen（图宾根MPI-IS） ； Tübingen AI Center（图宾根人工智能中心）
AI总结 本文提出Muown，通过将行幅度向量作为显式优化变量，改进了缪子优化在大规模训练中的稳定性，提升了模型 perplexity 并减少对权重衰减的敏感性。
针对医疗多模态检索增强生成的知识污染攻击
机构 * Tsinghua University（清华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Northwestern Polytechnical University（西北工业大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出M³Att框架，针对医疗多模态RAG系统，通过在文本数据中注入隐蔽虚假信息并利用配对视觉数据作为查询无关触发器，提升检索概率，从而在不依赖用户查询先验知识的情况下实现知识污染攻击。
Comments Accepted by ACL 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈