高校专区
视觉-语言模型的半监督少样本适应
机构 * Computer Vision Lab, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院计算机视觉实验室）
AI总结 本文提出一种半监督方法，通过传播文本引导的伪标签来提升视觉-语言模型在极低样本情况下的适应性能，减少标注工作量超过50%。
Comments Code: https://github.com/jusiro/SS-Text-U
通过领域感知的傅里叶特征增强物理信息神经网络：迈向更优性能和可解释结果
机构 * Department of Engineering Cybernetics NTNU（工程 cybernetics 系 NTNU） ； Swiss Data Science Center (SDSC) ETH Zürich（瑞士数据科学中心（SDSC）ETH 苏黎世）
AI总结 通过引入领域感知的傅里叶特征，改进物理信息神经网络的性能和可解释性，实现更准确、高效且易解释的物理信息学习。
利用走球面方法进行运算符学习
机构 * Purdue University, USA（普渡大学） ； NVIDIA, USA（NVIDIA公司） ； ETH Zurich, Switzerland（苏黎世联邦理工学院） ； California Institute of Technology, USA（加州理工学院）
AI总结 本文提出了一种基于走球面方法的神经运算符学习方法，通过弱监督训练实现高效且稳定的偏微分方程求解。
弥合承诺与性能之间的差距：为微缩FP4量化 bridging the gap between promise and performance for microscaling FP4 quantization
机构 * Institute of Science and Technology Austria（奥地利科学与技术研究院） ； Yandex Research（Yandex研究） ； Red Hat AI（红帽人工智能） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出MR-GPTQ方法，通过优化FP4量化过程，提升MXFP4的准确性并实现性能提升。
隐式动物园：一个大规模神经隐式函数数据集，用于2D图像和3D场景
机构 * Computer Vision Lab, ETH Zurich（苏黎世联邦理工学院计算机视觉实验室） ； INSAIT, Sofia University（索菲亚大学INSAIT）
AI总结 隐式动物园是一个大规模神经隐式函数数据集，用于2D图像和3D场景，通过提供高质量数据促进研究，提升图像分类、语义分割和3D姿态回归性能。
多模态故障检测的自适应置信度正则化
机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） ； Fraunhofer IKS（弗劳恩霍夫研究所）
AI总结 本文提出自适应置信度正则化方法，通过检测多模态预测中的置信度退化，提升故障识别的可靠性。
Comments Accepted by CVPR 2026
Tiny-DroNeRF：基于联邦学习的纳无人机上的轻量神经辐射场
机构 * Dalle Molle Institute for Artificial Intelligence, USI-SUPSI（达摩院人工智能研究所，USI-SUPSI） ； Integrated Systems Laboratory, ETH Zürich（集成系统实验室，ETH Zurich） ； Department of Electrical, Electronic and Information Engineering, University of Bologna（电子、电气与信息工程系，博洛尼亚大学）
AI总结 Tiny-DroNeRF通过联邦学习在纳无人机上实现轻量级NeRF训练，显著降低内存占用并提升3D重建精度。
Comments This paper has been accepted for publication in the IEEE ICRA 2026 conference. ©2026 IEEE
非线性系统辨识纳无人机基准
机构 * Dalle Molle Institute for Artificial Intelligence (IDSIA)（达勒莫尔人工智能研究所） ； USI-SUPSI ； Integrated Systems Laboratory (IIS)（集成系统实验室） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本研究提出一个基于纳无人机的非线性系统辨识基准，通过75000个真实数据样本，评估识别方法在复杂动态和噪声环境下的性能。
在连续时间强化学习中实现高效且可扩展的探索
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出COMBRL算法，通过结合外在奖励和模型不确定性，实现连续时间强化学习中的高效样本利用和可扩展性。
Comments 28 pages, 8 figures, 6 tables. Published as a conference paper at ICLR 2026
乐观任务推断用于行为基础模型
机构 * 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 OpTI-BFM通过测试时与环境的交互，优化奖励函数推断，减少数据和计算开销。
Comments ICLR 2026
CAIMAN：用于样本高效移动-操作的因果动作影响检测
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 CAIMAN通过因果动作影响作为内在动机目标，提升腿部机器人在稀疏奖励下的样本效率和移动-操作能力。
几何核包：用于流形、网格和图上几何学习的热核和Matérn核
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； KTH Royal Institute of Technology（皇家理工学院） ； Italian Institute of Artificial Intelligence for Industry（意大利人工智能工业研究所） ； Cornell University（康奈尔大学） ； ETH Zürich and University of Edinburgh（苏黎世联邦理工学院和爱丁堡大学）
AI总结 GeometricKernels 是一个用于几何学习的Python包，实现了热核和Matérn核，支持在流形、网格和图上进行不确定性量化和自动微分。
Journal ref Journal of Machine Learning Research, 2025
PleaSQLarify: 自然语言数据库查询中的视觉语用修复
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 PleaSQLarify通过视觉交互和可解释决策变量实现自然语言数据库查询中的语用修复，提升用户对歧义的控制与解决效率。
Comments Accepted at CHI'26, main track
利用图神经网络在复杂网格上实现湍流反应流的超分辨率
机构 * FLAME Laboratory, Department of Computational and Data Sciences, Indian Institute of Science, Bengaluru, 560012, India（印度科学研究院流体动力学与能源实验室，班加罗尔） ； CAPS Laboratory, Department of Mechanical and Process Engineering, ETH Zürich, 8092 Zürich, Switzerland（苏黎世联邦理工学院机械与过程工程实验室，苏黎世） ； Jülich Supercomputing Centre, Forschungszentrum Jülich GmbH, Jülich, 52425, Germany（尤利希超算中心，尤利希）
AI总结 本文提出利用图神经网络在复杂网格上实现湍流反应流的超分辨率重建，通过两个案例验证了方法在准确恢复细尺度特征方面的有效性。
GRAIL: 通过线性重建进行压缩网络的后验补偿
机构 * Graz University of Technology（格拉茨技术大学） ； Complexity Science Hub（复杂性科学中心） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 GRAIL通过线性重建在压缩网络后恢复精度，无需微调，适用于多种模型和压缩场景。
Comments Conference on Parsimony and Learning (CPAL)
V-MORALS: 基于视觉莫尔斯图的学得潜在空间中吸引区域估计
机构 * Viterbi School of Engineering, University of Southern California（美国南加州大学维特比工程学院） ； Automatic Control Laboratory, ETH Zürich（瑞士苏黎世联邦理工学院自动控制实验室）
AI总结 V-MORALS通过学习潜在空间生成莫尔斯图，实现无需全状态信息的吸引区域估计，适用于仅使用传感器数据的机器人系统分析。
SimAB：基于人格条件化AI代理的A/B测试模拟用于快速设计评估
机构 * ETH Zurich（苏黎世联邦理工学院） ； Adobe（Adobe公司） ； Adobe Research（Adobe研究）
AI总结 SimAB通过人格条件化AI代理模拟A/B测试，实现快速设计评估，准确率达67%，在高置信度案例中提升至83%。
Comments 18 pages
探究文本到图像模型中的残疾表示
机构 * Department of Computational Linguistics University of Zurich（计算语言学系 苏黎世大学） ； Center for Law & Economics ETH Zurich（法律与经济学中心 伯尔尼联邦理工学院） ； Department of Information Systems University of Lausanne（信息系统系 瑞士洛桑大学）
AI总结 本文研究了文本到图像模型中残疾表示的问题，通过分析不同提示下的图像输出，揭示了残疾表示的不平衡，并提出通过缓解策略提升包容性。
Comments 21 pages, 9 figures. References included
得分落地：通过去噪进行黎曼优化
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出通过去噪实现黎曼优化的方法，利用数据分布与扩散模型的分数函数连接，解决隐式流形上的优化问题。
Comments 41 pages, 9 figures
重症监护中的领域泛化与适应：锚点回归
机构 * Seminar for Statistics, ETH Zürich（统计研究所，苏黎世联邦理工学院） ； AI Center, ETH Zürich（人工智能中心，苏黎世联邦理工学院） ； Department of Computer Science, ETH Zürich（计算机科学系，苏黎世联邦理工学院） ； Swiss Institute for Bioinformatics, Zürich（瑞士生物信息学研究所）
AI总结 本文提出锚点回归和提升方法，用于重症监护领域的领域泛化与适应，通过分析不同数据阶段提升模型性能。
当偏见遇见可训练性：连接初始化理论
机构 * ETH Zurich（苏黎世联邦理工学院） ； Eawag (ETH)（埃瓦格（ETH）） ； University of Basel（巴塞尔大学） ； EPFL（苏黎世联邦理工学院）
AI总结 本文通过理论证明，揭示了深度神经网络初始化偏见与可训练性之间的联系，表明优化可训练性的初始化本质上具有偏见。
定制化教学机器人：为多样化教师需求定制生成式AI课堂聊天机器人
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文研究了教师如何根据自身需求定制生成式AI课堂聊天机器人，发现教师优先考虑与课程内容和教学策略对齐的自定义能力，且不同课程规模、学科和教学风格影响优先级差异。
Comments 10 pages, 1 figure. Accepted to CHI 2026
通过微调大语言模型进行汤普森采样
机构 * IBM Research – Zurich（IBM瑞士研究院） ； Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系）
AI总结 通过微调大语言模型实现高效汤普森采样，提升贝叶斯优化的样本和计算效率。
Comments accepted at ICLR 2026
CMT-Benchmark：由专家研究人员构建的凝聚态理论基准
机构 * Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； University of Zürich（苏黎世大学） ； Stanford Institute for Materials and Energy Sciences（斯坦福材料与能源科学研究所） ； SLAC National Accelerator Laboratory（斯坦福直线加速器实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National Taiwan University（台湾大学） ； San José State University（圣何塞州立大学）
AI总结 CMT-Benchmark通过专家设计的50个凝聚态理论问题评估LLM在物理推理能力上的不足，揭示当前模型在复杂科学问题上的局限性。
Comments CMT-Benchmark dataset is available at https://huggingface.co/datasets/JVRoggeveen/cmt_benchmark. CMT-Benchmark was referenced in the Gemini 3 Deep Think (February 2026) release at https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/
Journal ref International Conference on Learning Representations (ICLR) main conference 2026
通过通道级功能分解和流形正则化实现高效的退化无关图像恢复
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽德人工智能大学） ； University of Trento（特伦托大学） ； ETH Zürich（苏黎世联邦理工学院） ； HKUST (GZ)（香港科技大学（广州）） ； Peking University（北京大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 MIRAGE通过通道级功能分解和流形正则化，在高效性与性能之间取得平衡，实现退化无关图像恢复的先进性能。
Comments Accepted by ICLR'2026, All-in-One Image Restoration, low-level vision, Transformer
梯度是全部需要吗？如何将基于共识的优化解释为梯度下降的随机松弛
机构 * University of Oxford, Mathematical Institute（牛津大学数学研究所） ； Deeptech Consulting（德普科技咨询） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系） ； Technical University of Munich, School of Computation, Information and Technology, Department of Mathematics（慕尼黑技术大学计算、信息与技术学院数学系） ； Munich Center for Machine Learning Munich Data Science Institute（慕尼黑机器学习中心慕尼黑数据科学研究所）
AI总结 本文将基于共识的优化解释为梯度下降的随机松弛，揭示其在非凸优化中的全局收敛性及对能量壁垒的克服能力。
Comments 49 pages, 5 figures
平稳核与李群及其齐性空间上的高斯过程 I：紧致情况
机构 * St. Petersburg State University and University of Oxford（圣彼得堡国立大学和牛津大学） ； St. Petersburg State University and Neapolis University Pafos（圣彼得堡国立大学和纳皮奥斯大学帕福斯） ； University of Cambridge and Cornell University（剑桥大学和康奈尔大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文研究了在李群及其齐性空间上构建平稳高斯过程的技术，特别针对紧致空间，提供计算方法使其与现有高斯过程软件兼容。
Comments This version fixes two mathematical typos, in equations (58) and (65), where both sums should be taken only over the diagonal part $π^{(λ)}_{jj}$ and not over $π^{(λ)}_{jk}$ as had erroneously been written in the previous version. The proofs for both statements remain unchanged. We thank Nathaël Da Costa for making us aware of this pair of typos
Journal ref Journal of Machine Learning Research, 2024
简单模型，真实游泳：用于腱驱动水下机器人的数字孪生
机构 * Soft Robotics Lab and ETH AI Center, ETH Zurich（ETH苏黎世人工智能中心） ； Prema Lab, New York University（纽约大学Prema实验室） ； CREATE Lab, EPFL（EPFL CREATE实验室）
AI总结 本文提出了一种基于简化流体力学模型的腱驱动水下机器人，通过高效模拟环境实现快速泛化，展示了其在强化学习中的有效性及作为数字孪生的潜力。
迈向少标签多模态领域泛化的研究
机构 * Zhengzhou University（郑州大学） ； ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（马克斯·普朗克智能系统研究所）
AI总结 本文提出SSMDG框架，通过三个关键组件实现少标签多模态领域泛化，提升跨模态鲁棒性和领域不变性。
Comments Accepted to CVPR 2026
VQ-Style：通过残差量化表示解构运动中的风格与内容
机构 * ETH Zürich（苏黎世联邦理工学院） ； DisneyResearch|Studios（华特迪士尼研究与工作室）
AI总结 本文提出VQ-Style方法，通过残差量化表示解构运动中的风格与内容，实现无需微调的风格迁移和多种运动应用。
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