高校专区
通过掩码潜在注意力的心脏时间序列基础模型
机构 * Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系，瑞士） ； Department of Biomedical Engineering, University of Basel, Switzerland（巴塞尔大学生物医学工程系，瑞士）
AI总结 本文提出LAMAE基础模型，通过自监督预训练学习跨导联连接机制，提升ECG表示质量和迁移能力，在预测ICD-10编码上优于独立导联掩码模型和对齐基线。
Comments First two authors are co-first. Last two authors are co-senior
Journal ref ICLR 2026: Workshop on Foundation Models for Science
Pearmut：使翻译的人工评估变得简单
机构 * ETH Zurich（苏黎世联邦理工学院） ； Cohere
AI总结 Pearmut通过轻量级平台简化多语言NLP的人工评估流程，支持机器翻译任务，提供多种评估协议和动态分配策略，使人工评估成为模型开发的常规环节。
Comments typeset with Typst
基于置信预测的随机线性系统MPC
机构 * Institute for Dynamic Systems and Control, ETH Zürich（动态系统与控制研究所，苏黎世联邦理工学院） ； Division of Computer Engineering and Computer Science, University West（计算机工程与科学系，西海岸大学） ； Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（决策与控制系统系，电气工程与计算机科学学院，皇家理工学院）
AI总结 本文提出一种针对未知扰动分布的随机线性系统MPC框架，利用置信预测构建有限样本置信区域，以最小计算开销满足联合时间机会约束，通过间接反馈实现闭环确定性形式，确保递归可行性和约束满足。
Comments 7 pages, 1 figure. This is an extended version of the publication to the 24th European Control Conference (ECC 2026)
WeatherArchive-Bench: 基于历史天气档案的检索增强推理基准测试
机构 * McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） ； Beijing Jiaotong University（北京交通大学）
AI总结 本文提出WeatherArchive-Bench，用于评估检索增强生成系统在处理历史天气档案中的能力，揭示密集检索器在历史术语上的不足及LLM对社会脆弱性与韧性概念的误判问题。
Comments accepted to the Resource Track of SIGIR 2026
线性模型中L1正则化路径的参数高斯信息传递
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出两种新算法，用于计算状态空间中L1正则化路径，包括L1正则化卡尔曼平滑、线性SVM、LASSO等，方法基于参数高斯信息传递。
超越可验证奖励：基于评分表的GRM用于强化微调SWE代理
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出基于评分表的GRM，通过人类设计的评分标准提升强化微调SWE任务的性能，有效抑制不良行为并促进有益行为，提高最终测试准确率。
意图解释规划：在检索增强语言模型中实现源忠实的解释
机构 * Collegium Helveticum, ETH Zurich（瑞士苏黎世联邦理工学院学院） ； University of Zurich（瑞士苏黎世大学）
AI总结 研究通过意图宏观规划提升检索增强语言模型中解释的源忠实性，通过链式意图提示提升源忠实度，实验显示在部分模型中提升显著，但整体效果仍有限。
Comments 24 pages; Accepted for publication at XAI'2026
eCP：基于预训练模型的等变符合预测
机构 * GRASP Laboratory, Department of Electrical & Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系GRASP实验室） ； 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）
AI总结 本文提出eCP方法，通过结合几何信息和预训练模型，改进符合预测的不确定性区域，提升高置信度下的预测精度。
MoGERNN：一种用于未观测位置的归纳性交通预测器
机构 * Institute of Intelligent Transportation Systems, College of Civil Engineering and Architecture, Zhejiang University（智能交通系统研究院，土木工程与建筑学院，浙江大学） ； Institute for Transport Planning and Systems, ETH Zurich（交通规划与系统研究所，苏黎世联邦理工学院） ； Department of Computer Science, City University of Hong Kong (Dongguan)（计算机科学系，香港城市大学（东莞）） ； ZJU-UIUC Institute, Zhejiang University（浙大-UIUC研究院，浙江大学）
AI总结 本文提出MoGERNN，一种结合图专家混合与图编码器-解码器的时空图模型，用于预测未观测位置的交通状态，实验显示其在观测与未观测区域均表现优异，且具备适应传感器网络变化的能力。
Journal ref Transportation Research Part C: Emerging Technologies, Volume 174, 2025, 105080, ISSN 0968-090X
建筑供暖控制与需求侧灵活性的安全深度强化学习
机构 * Urban Energy Systems Laboratory, Swiss Federal Laboratories for Materials Science（能源系统实验室，瑞士联邦材料科学与技术实验室） ； School of Automation, Beijing Institute of Technology, Haidian District, Beijing, China（自动化学院，北京理工大学，海淀区，北京，中国） ； Risk Engineering Laboratory, ETH Zürich, CH-8092, Switzerland（风险工程实验室，苏黎世联邦理工学院，瑞士）
AI总结 本文提出一种安全深度强化学习框架，用于优化建筑供暖并提供需求侧灵活性，通过深度确定性策略梯度算法在保持舒适度的同时降低能耗，并通过实时自适应安全过滤器确保系统在灵活性请求下的安全性和效率。
UsefulBench: 向信息检索的目标——决策有用的信息
机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； score4more GmbH（score4more公司） ； Climate+Tech Think Tank（Climate+Tech智库） ； Swiss Finance Institute (SFI)（瑞士金融研究所）
AI总结 本文提出UsefulBench，通过专业标注区分信息相关性与实用性，揭示传统相似性检索与LLM在领域问题中的局限性。
通过序列蒙特卡洛方法加速大语言模型推理
机构 * Cornell University（康奈尔大学） ； Makora（马科拉） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出SMC-SD方法，通过重要性加权重采样替代传统拒绝采样，提升推理速度，实验证明在多个基准测试中保持高精度的同时，比推测解码和自回归解码分别快2.36倍和5.2倍。
代码生成中的多数投票
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出基于功能共识的多数投票方法，通过测试输入的运行时执行签名选择最优解，提升代码生成性能，并应用于无标签的测试时强化学习。
Comments ICLR 2026 Test-Time Updates (TTU) Workshop
MEDSYN：多证据合成在复杂临床病例中的基准测试用于多模态大语言模型
机构 * ETH Zurich（苏黎世联邦理工学院） ； MBZUAI（马克斯·普朗克人工智能研究所） ； Amazon（亚马逊） ； University of Oxford（牛津大学） ； University of Bern（伯尔尼大学） ； Imperial College London（伦敦帝国理工学院） ； Peking University（北京大学）
AI总结 MEDSYN是一个多语言、多模态的复杂临床病例基准测试，用于评估多模态大语言模型在差分诊断和最终诊断中的表现，揭示模型在异质临床证据合成中的不足。
基于信息几何的人工好奇心方法
机构 * Institute of Neuroinformatics University of Zurich and ETH Zurich（神经信息学研究所 苏黎世大学和苏黎世联邦理工学院）
AI总结 本文提出基于信息几何的框架，通过信息单调性和环境交互不变性约束内在奖励为严格凹函数，从而实现探索与利用的平衡，整合了基础探索方法。
Comments Comments: 24 pages, 2 figures; version accepted for publication at AISTATS 2026
基于采样的多模态多机器人多目标路径规划
机构 * Computational Robotics Lab ETH Zürich（机器人计算实验室ETH Zurich）
AI总结 本文提出基于采样的多机器人多目标路径规划方法，解决多机器人协同任务中的路径规划问题，实现概率完备和渐进最优的规划算法。
Comments 25 pages, 17 figures
价格、出价、价值：一种由机器学习驱动的综合拍卖以统御它们所有
机构 * Department of Informatics, University of Zurich, Zurich, Switzerland（苏黎世大学信息学院） ； ETH AI Center, Zurich, Switzerland（苏黎世联邦理工学院AI中心） ； Department of Mathematics, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院数学系） ； Department of Statistics, University of California, Berkeley, USA（加州大学伯克利分校统计系）
AI总结 本文提出一种基于机器学习的综合拍卖，通过结合价值和需求查询提升效率，减少查询次数并降低投标人认知负担，建立新的实践和效率基准。
Comments ICML 2025 (Oral Presentation) 8 pages + appendix
Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:56570-56614, 2025
超越独立帧：用于多视图超声的潜在注意力掩码自编码器
机构 * Department of Biomedical Engineering, University of Basel（巴塞尔大学生物医学工程系） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
AI总结 本文提出LAMAE模型，通过潜在空间注意力模块处理多视图超声数据，实现对心脏功能的全面表征，并在MIMIC-IV-ECHO数据集上展示了其在ICD-10编码预测和跨年龄群体迁移中的有效性。
Comments Accepted as a workshop paper at the ICLR 2026 Workshop on Foundation Models for Science
嗨！- 一个用于力导向、跨视角人工 manipulation 的多模态数据集
机构 * ETH Zurich（苏黎世联邦理工学院） ； Technical University of Munich（慕尼黑技术大学） ； University of Freiburg（弗赖堡大学） ； Microsoft（微软） ； University of Bonn（波恩大学）
AI总结 本文提出一个结合视觉、动作和触觉的多模态数据集，包含381个人工物体在38种环境中的3048个序列，用于评估方法在人机视角间的迁移能力及探索交互力等未被研究的模态。
通过约束策略优化实现推理大语言模型的自适应推理时间计算分配
机构 * Fudan University（复旦大学） ； ETH Zurich（苏黎世联邦理工学院） ； Guangming Lab（光明实验室）
AI总结 本文提出通过约束优化问题解决推理时间计算分配问题，采用两阶段解决-学习流程，在解决阶段利用拉格朗日松弛分解全局约束，学习阶段训练轻量分类器预测 oracle 动作，实验证明方法在 MATH 和 GSM8K 数据集上优于均匀和启发式分配基线。
DigiForest: 数字分析与机器人技术用于可持续林业
机构 * Dipartimento di Ingegneria Industriale, University of Trento（工业工程系，特伦托大学） ； Faculty of Engineering, Free University of Bozen-Bolzano（工程学院，博兹纳-博尔扎诺自由大学） ； Faculty of Agricultural, Environmental and Food Sciences, Free University of Bozen-Bolzano（农业、环境与食品科学学院，博兹纳-博尔扎诺自由大学） ； Competence Centre for Mountain Innovation Ecosystems（山地创新生态系统研究中心） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Technical University of Munich, School of Computation, Information and Technology（慕尼黑技术大学，计算、信息与技术学院） ； Department of Engineering Cybernetics, Norwegian University of Science and Technology（工程 cybernetics 系，挪威科学技术大学） ； Center for Robotics, University of Bonn（机器人中心，波恩大学） ； Swiss Federal Research Institute WSL（瑞士联邦研究 institute WSL） ； Oxford Robotics Institute, Department of Engineering Science, University of Oxford（牛津大学机器人研究所，工程科学系） ； Mobile Robotics Lab, ETH Zürich, Department of Mechanical and Process Engineering（移动机器人实验室，苏黎世联邦理工学院机械与过程工程系）
AI总结 DigiForest通过数字技术和自主机器人实现大规模精准林业，包含自主机器人数据采集、自动提取树种特征、决策支持系统和低影响选择性采伐，已在芬兰、英国和瑞士等地验证。
Comments 34 pages, 24 figures
SAGE Celer 2.6 技术卡片
机构 * SAGEA ； Tribhuwan University（特里布文大学） ； Vedas College（维达斯学院） ； Madan Bhandari Memorial College（马达恩·巴恩迪纪念学院） ； Fudan University（复旦大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 SAGE Celer 2.6 通过逆向推理管道优化逻辑路径，支持多模态功能，并针对南亚语言进行优化，在数学、编程和一般智能基准测试中表现优异。
Comments 28 pages, 14 figures
Q-MambaIR：用于高效图像修复的准确量化Mamba
机构 * ETH Zürich（苏黎世联邦理工学院） ； Shenzhen Automotive Research Institute（深圳汽车研究院） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Q-MambaIR，通过动态平衡可学习标量和范围浮动灵活分配器，有效缓解极值截断损失，提升图像修复任务的压缩效率与精度。
前馈3D场景建模：以问题为导向的视角
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Monash University（墨尔本大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Tübingen（图宾根大学）
AI总结 本文探讨了前馈3D重建的通用方法，提出以模型设计为核心的分类体系，涵盖特征增强、几何意识、模型效率等五个核心问题，旨在推动3D场景建模的标准化与可扩展性。
Comments 67 pages, 395 references. Project page: https://ff3d-survey.github.io. Code: https://github.com/ziplab/Awesome-Feed-Forward-3D. This work has been submitted to Springer for possible publication
类脑脉冲环状吸引子用于本体感觉关节状态估计
机构 * 1 Istituto Italiano di Tecnologia, Genoa, Italy, 2 Department of Neurosurgery, University Hospital Zürich, Switzerland 3 Institute of Neuroinformatics, Univ. of Zurich ； ETH Zurich, Switzerland 4 DIEEI, University of Catania Catania, Italy, 5 IDLAB, University of Antwerp ； AI \& Algorithms, imec, Leuven, Belgium 6 Digital Society Initiative, University of Zurich, Switzerland these authors contributed equally
AI总结 本文提出一种类脑脉冲环状吸引子网络，用于在资源受限条件下实现机器人关节角度的本体感觉估计，通过自维持的群体活动实现稳定活动斑块，具有减少漂移和提高精度的优势。
二项式梯度基于元学习用于增强元梯度估计
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Minnesota（明尼苏达大学） ； Department of Computer Science（计算机科学系） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出BinomGBML方法，通过二项式展开提升元梯度估计精度，理论分析显示其误差界优于现有方法且在温和条件下呈超指数衰减，实验验证了方法的有效性。
Comments Accepted as poster at ICLR 2026. Code available at https://github.com/AbrahamJJM/binomgbml
连续学习的更快路径
机构 * College of Computer Science, Sichuan University, China（四川大学计算机学院） ； College of Computer Science and Technology, Zhejiang University, China（浙江大学计算机科学与技术学院） ； Photogrammetry and Remote Sensing Lab, ETH Zürich, Switzerland（苏黎世联邦理工学院摄影测量与遥感实验室） ； School of Computer Science, Nanjing University, China（南京大学计算机科学系） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院） ； Department of Computer Science and Technology, Tsinghua University, China（清华大学计算机科学与技术系）
AI总结 本文提出C-Flat Turbo，通过优化梯度计算减少连续学习的训练成本，提升效率并保持性能。
Comments Update Author Affiliations
Kwame 2.0：面向非洲大规模在线编程教育的人机协同生成式AI助教
机构 * ETH Zurich, Switzerland（苏黎世联邦理工学院，瑞士） ； Charité - Universitätsmedizin Berlin, Germany（柏林夏里特医学院，德国） ； Kwame AI Inc., U.S.（Kwame人工智能公司，美国）
AI总结 Kwame 2.0通过检索增强生成技术，在非洲35个国家的15个班级中为3717名学生提供及时准确的学习支持，结合人类监督和社区参与，有效提升编程课程的教学质量。
Comments 8 pages, Accepted at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)
大脑中的相干性在可分离的时间 regime 中展开
机构 * Department of Adult Psychiatry and Psychotherapy, University of Zurich, Zurich, Switzerland（大学精神病学与心理学系，苏黎世大学，苏黎世，瑞士） ； Department of Translation and Language Sciences, University Pompeu Fabra, Barcelona, Spain（翻译与语言科学系，庞培法拉大学，巴塞罗那，西班牙） ； Department of Neuroradiology, Clinical Neuroscience Center, University Hospital Zurich, Zurich, Switzerland（神经放射学系，临床神经科学中心，苏黎世大学医院，苏黎世，瑞士） ； Department of Psychology, University of Oslo, Oslo, Norway（心理学系，奥斯陆大学，奥斯陆，挪威） ； Cognitive and Affective Neuroscience Unit, University of Zurich, Zurich, Switzerland（认知与情感神经科学单元，苏黎世大学，苏黎世，瑞士） ； Center for Clinical Neuroscience and Cognition, University of Groningen, Groningen, Netherlands（临床神经科学与认知中心，格罗宁根大学，格罗宁根，荷兰） ； Neuroscience Center Zurich, University of Zurich and ETH Zurich, Zurich, Switzerland（苏黎世神经科学中心，苏黎世大学和ETH苏黎世分校，苏黎世，瑞士）
AI总结 研究通过无标注的漂移和移位信号揭示了语言理解中相干性的神经机制，发现默认模式网络枢纽和初级听觉皮层存在不同的神经偏好。
指导式迁移学习用于离散扩散模型
机构 * Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出GTL方法，通过比率引导实现离散扩散模型的迁移学习，解决小数据下模型性能问题，展示在序列数据中效果显著，但存在源分布与目标分布重叠不足时的失效模式。
Comments Accepted at ICLR 2026 ReALM-GEN Workshop 9 pages (main text) + appendix
Journal ref ICLR 2026 ReALM-GEN Workshop
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