高校专区
超越Cybathlon：为行动受限者提供按需四足辅助系统
机构 * ETH Zurich（苏黎世联邦理工学院） ； Robotic Systems Lab（机器人系统实验室）
AI总结 本文提出一种按需四足辅助机器人系统，结合半自主任务执行与人机协作，通过语义导航和碰撞感知实现环境移动与拾取放置任务，验证了其在日常生活中帮助行动受限者提高独立性的潜力。
数据驱动的广义周长控制：苏黎世案例研究
机构 * Automatic Control Laboratory, ETH Zürich（瑞士联邦理工学院（苏黎世）自动控制实验室） ； Delft Center for Systems and Control, TU Delft（代尔夫特理工大学系统与控制中心） ； Dep. of Electrical and Computer Engineering, UBC（不列颠哥伦比亚大学电子与计算机工程系）
AI总结 本文提出基于行为系统理论的数据驱动交通动态控制方法，通过动态信号控制优化苏黎世城市交通，减少通行时间和碳排放。
Comments 33 pages, 16 figures
利用多模态可穿戴传感器检测脊髓损伤患者自主神经反射症
机构 * SCAI-Lab, Department of Health Sciences and Technology (D-HEST), ETH Zurich（SCAI实验室，健康科学与技术系（D-HEST），苏黎世联邦理工学院） ； School of Computation, Information and Technology, Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学） ； Swiss Paraplegic Research (SPF)（瑞士瘫痪研究机构（SPF）） ； Institute of Advanced Production Technologies, University of Valladolid（先进生产技术研究所，瓦尔达利德大学） ； Swiss Paraplegic Centre (SPZ)（瑞士瘫痪中心（SPZ）） ； Balgrist University Hospital（巴尔格里斯大学医院）
AI总结 本文提出一种非侵入性的机器学习框架，通过多模态可穿戴传感器检测自主神经反射症，利用BorutaSHAP进行特征选择，并通过堆叠集成模型提高检测性能，结果显示心率和心电图特征在检测中表现最佳。
大语言模型能否建模错误学生推理？一种关于干扰项生成的案例研究
机构 * ETH Zürich, Switzerland（苏黎世联邦理工学院，瑞士） ； Bocconi University, Italy（博科尼大学，意大利） ； University of Central Florida, USA（中央佛罗里达大学，美国）
AI总结 本文研究了大语言模型在生成多项选择题干扰项时对错误推理的建模能力，发现模型通常先正确解决问题，再模拟可能的误解，最后选择干扰项，且正确解的提示能提升干扰项质量。
多站点听诊录音的患者级多模态问答
机构 * Agentic Systems Lab, ETH Zurich（伦理学院系统实验室，苏黎世联邦理工学院） ； Eindhoven University of Technology（埃因霍温理工大学） ； Centre for Digital Health Interventions, ETH Zurich（数字健康干预中心，苏黎世联邦理工学院） ； Centre for Digital Health Interventions, University of St. Gallen（数字健康干预中心，圣加尔登大学） ； Stanford Mussallem Center for Biodesign, Stanford University（斯坦福穆萨勒姆生物设计中心，斯坦福大学）
AI总结 本文提出通过门控交叉注意力将多站点听诊录音与冻结的大语言模型嵌入空间对齐，实现患者级评估，在CaReSound基准上取得SOTA结果，展示轻量领域特定编码器与多站点聚合的优势。
GraphSeek: 基于LLM的下一代图分析
机构 * ETH Zurich（苏黎世联邦理工学院） ； IDEAS Research Institute（IDEAS研究机构） ； Cledar（Cledar公司） ； NCBJ Warszawa（华沙国家生物中心） ； BASF SE（巴斯夫股份有限公司）
AI总结 本文提出GraphSeek框架，通过语义目录实现复杂多查询分析，提升图数据处理效率与效果，实现LLM推理与数据库级执行的结合。
VLD：用于强化学习导航的视觉语言目标距离
机构 * ETH Zurich（苏黎世联邦理工学院） ； EPFL（瑞士联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出VLD学习框架，通过解耦感知学习与策略学习，利用大规模视频数据训练距离预测器，提升机器人导航性能与现实迁移能力。
事后随机概念瓶颈模型
机构 * 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PSCBMs，通过在预训练CBM中添加小的协方差预测模块，实现轻量级改进，无需重新训练即可提升概念和目标准确率，并在干预下表现更优。
SpaceControl：引入测试时空间控制到3D生成建模
机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； USI Lugano（卢塞恩大学） ； Technion（技术学院） ； NVIDIA（英伟达）
AI总结 本文提出SpaceControl，一种无需训练的测试时空间控制方法，支持多种几何输入，提升3D生成建模的几何精确度与视觉质量。
Comments Project page: https://spacecontrol3d.github.io/
从用户交互对齐语言模型
机构 * ETH Zurich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； University of Zurich（苏黎世大学）
AI总结 本文提出通过自蒸馏直接从用户交互学习的方法，利用用户反馈调整模型行为，提升对齐和指令遵循能力，同时实现个性化和持续适应。
VIGS-SLAM：视觉惯性高斯点云SLAM
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Stuttgart（斯图加特大学） ； Microsoft（微软公司）
AI总结 VIGS-SLAM通过融合视觉与惯性信息，实现鲁棒的实时跟踪和高保真重建，克服了纯视觉方法在运动模糊、低纹理等挑战性条件下的局限。
Comments Project page: https://vigs-slam.github.io
基于参考的机器去学习
机构 * 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ReGUn框架，通过参考引导蒸馏实现分布不可区分性，提升去学习的遗忘-实用性权衡性能。
Comments 12 pages, 1 figure, 4 tables. Accepted at three ICLR 2026 workshops: Test-Time Updates (TTU), AI with Recursive Self-Improvement (RSI), and Agents in the Wild (AIWILD)
DeReason: 一种考虑难度的课程改进了解耦的SFT-然后-RL训练以促进一般推理
机构 * University of Zurich（苏黎世大学） ； University of Pennsylvania（宾夕法尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； HKUST (GZ)（香港科技大学（广州））
AI总结 DeReason通过基于难度的数据解耦策略，优化SFT与RL的训练分配，提升一般推理能力。
Comments 13 pages, 6 figures
GGPT：基于几何的点变换
机构 * ETH Zurich（苏黎世联邦理工学院） ； Delft University of Technology（代尔夫特理工大学）
AI总结 GGPT通过引入几何引导的点变换，结合密集前馈预测与显式几何约束，实现了更准确且一致的3D重建，提升了细粒度结构恢复和无纹理区域填补能力。
Comments CVPR 2026, Project website: https://chenyutongthu.github.io/research/ggpt
偏好标签中的潜意识信号
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 研究揭示偏好标签可能传递潜意识行为特征，挑战传统二进制监督假设，强调需机制检测并缓解潜意识偏好传输以确保超对齐的稳健监督。
Comments Accepted at AITW@ICLR 2026
基于随机森林的最大风险最小化
机构 * Department of Mathematical Sciences University of Copenhagen（数学科学系，哥本哈根大学） ； ETH Zürich（苏黎世联邦理工学院） ； Seminar for Statistics ETH Zürich（统计系，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） ； Biogeochemical Integration Department Max-Planck-Institute for Biogeochemistry（生物地球化学整合部门，马克斯·普朗克生物地球化学研究所）
AI总结 本文提出基于最大风险最小化原则的随机森林变种，通过计算高效算法和统计一致性证明，提升模型在不同分布环境下的泛化能力。
Comments 47 pages, 13 figures
ReCoSplat: 基于渲染与比较的自回归前馈高斯点云生成
机构 * University of California Merced（加州大学默塞德分校） ； ETH Zurich（苏黎世联邦理工学院） ； NVIDIA ； Shanghai Jiao Tong University（上海交通大学） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 ReCoSplat通过引入渲染与比较模块，解决高斯点云生成中姿态误差问题，实现高效稳定的视角合成。
你无需那样说：从忠实的同义词中学习的潜意识学习
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Peking University（北京大学）
AI总结 研究通过自然语言同义词的潜意识学习，发现即使内容与教师偏好矛盾，学生模型仍能继承偏好，揭示了训练数据中潜在影响的隐蔽性。
Comments Accepted for Spotlight presentation at EACL 2026 SRW. 5 pages, 2 figures, plus appendix. Equal supervision by Zhonghao He and Tianyi Qiu
复兴 ConvNeXt 以实现高效的卷积扩散模型
机构 * KAIST（韩国科学技术院） ； ETH Zürich（苏黎世联邦理工学院） ； ISTI-CNR（意大利国家研究理事会信息与自动化研究所） ； University of Pisa（比萨大学）
AI总结 本文提出全卷积扩散模型 FCDM-XL，通过使用 ConvNeXt 结构实现高效扩散模型，以更少的 FLOPs 和训练步骤达到与 DiT-XL 相当的性能。
Comments CVPR 2026. Official implementation: https://github.com/star-kwon/FCDM
多智能体自主赛车中鲁棒时空运动规划 via 拓扑间隙识别与加速MPC
机构 * Department of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； Center for Project-Based Learning, D-ITET, ETH Zurich（苏黎世联邦理工学院项目导向学习中心）
AI总结 本文提出基于拓扑间隙识别与加速MPC的框架，通过预测对手行为和动态占用走廊，实现高速多智能体自主赛车中鲁棒的时空规划与高精度控制。
Latent-DARM: 联结离散扩散与自回归模型以实现推理
机构 * EPFL（苏黎世联邦理工学院） ； MBZUAI（马克斯·普朗克人工智能研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Microsoft Research Asia（微软亚洲研究院）
AI总结 Latent-DARM通过结合离散扩散模型与自回归模型，提升多智能体系统在推理任务中的表现和协作效率。
Comments Published at LIT Workshop at ICLR 2026
人工智能现象学：理解跨时代的以人为本的AI体验
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Bergen（卑尔根大学） ； Stanford University（斯坦福大学）
AI总结 本文提出人工智能现象学，通过研究用户与AI交互的主观体验，促进双向人机对齐，并提供可重复的方法论工具。
Comments This is an accepted workshop paper at CHI '26, "W37: Human-AI Interaction Alignment: Designing, Evaluating, and Evolving Value-Centered AI For Reciprocal Human-AI Futures", or https://bialign-workshop.github.io/2026/cfp
MCGS-SLAM：一种基于高斯点划的多相机SLAM框架用于高保真的地图构建
机构 * Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系） ； Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与工艺工程系） ； Department of Informatics, University of Zurich（苏黎世大学信息系） ； Institute for Photogrammetry, University of Stuttgart（斯图加特大学摄影测量研究所） ； Computer Vision and Geometry Group, ETH Zurich（苏黎世联邦理工学院计算机视觉与几何组） ； Microsoft Spatial AI Lab（微软空间AI实验室） ； Computer Vision Research Group, University of Amsterdam（阿姆斯特丹大学计算机视觉研究组）
AI总结 MCGS-SLAM通过多相机和高斯点划技术实现高保真的SLAM，提供精确轨迹和逼真重建，优于单目方法。
Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026
面向真实环境的语音增强模型轻量级适应
机构 * Institute of Neuroinformatics, University of Zurich（神经信息学研究所，苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本研究提出了一种轻量级框架，通过自监督训练更新低秩适配器，实现语音增强模型在真实环境中的高效适应，提升了模型在复杂噪声条件下的鲁棒性。
Comments Accepted to ICASSP 2026
多模态模型在心电图信号上的推理能力如何？
机构 * University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Rush University（拉什大学） ； ETH Zurich（苏黎世联邦理工学院） ； St. Christopher's Hospital for Children（圣克里斯opher儿童医院） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； Google Inc（谷歌公司）
AI总结 本文提出了一种评估多模态模型在ECG信号上推理能力的框架，通过感知和演绎两个方面验证模型的逻辑和模式识别能力。
图神经网络模型预测控制用于高维系统
机构 * Institute for Dynamic Systems and Control, ETH Zürich（瑞士苏黎世联邦理工学院动态系统与控制研究所） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天工程系） ； NVIDIA Research（NVIDIA研究）
AI总结 本文提出基于图神经网络和结构利用的模型预测控制方法，用于高维系统的实时控制，实现亚厘米级精度的参考跟踪和有效障碍物避障。
元强化学习诱导语言智能体的探索
机构 * EPFL（苏黎世联邦理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Idiap Research Institute（Idiap研究机构）
AI总结 LaMer通过元强化学习框架提升语言智能体的探索能力，显著提高多任务性能并增强泛化能力。
Comments ICLR 2026
双重随机平滑：超越全局噪声方差
机构 * Department of Computer Science, ETH Zürich（计算机科学系，苏黎世联邦理工学院）
AI总结 本文提出双随机平滑框架，通过输入依赖的噪声方差提升对抗鲁棒性，在多种数据集上均取得优于传统方法的性能。
Comments ICLR'26
NaviTrace: 评估视觉-语言模型的具身导航
机构 * Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室） ； Intuitive Robots Lab, KIT（卡尔斯鲁厄理工学院直观机器人实验室） ； FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心）
AI总结 NaviTrace通过语义感知轨迹评分评估视觉-语言模型的具身导航能力，揭示了模型在空间定位和目标定位方面的不足。
Comments 11 pages, 6 figures, with appendix, accepted to ICRA 2026
QuantSparse: 通过模型量化和注意力稀疏化全面压缩视频扩散变换器
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 QuantSparse通过结合模型量化和注意力稀疏化，实现视频扩散变换器的高效压缩，提升性能并减少存储与推理时间。
Comments Accepted by ICLR 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