高校专区
通过分解克里格法实现多级知情优化以在不确定环境下解决大规模设计问题
机构 * Reliability and Risk Engineering Laboratory, Institute of Energy and Process Engineering, Department of Mechanical and Process Engineering, ETH Zurich（可靠性与风险工程实验室，能源与过程工程研究所，机械与过程工程系，苏黎世联邦理工学院）
AI总结 本文提出一种基于分解克里格法的多级优化方法，用于在不确定环境下高效解决大规模复杂设计问题。
Comments 34 pages, 18 figures
大规模在线去匿名化与LLMs
机构 * MATS ； ETH Zurich（苏黎世联邦理工学院） ； Anthropic
AI总结 利用LLMs实现大规模在线去匿名化，通过提取身份特征、语义嵌入搜索和推理验证，显著提升召回率和精度，挑战现有隐私保护机制。
Comments 24 pages, 10 figures
译回翻译：高效管道用于自动翻译基准和数据集
机构 * INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT，索菲亚大学"圣克莱门特·奥赫里迪斯基"） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出了一种高效自动化框架，用于高质量翻译多语言基准和数据集，以提升多语言AI评估的准确性和可靠性。
全局感知的边缘优先级化用于姿态图初始化
机构 * Visual Recognition Group, FEE, Czech Technical University in Prague（捷克技术大学布拉格分校视觉识别组） ； 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） ； HUN-REN SZTAKI（匈牙利-人匈牙利科学院）
AI总结 本文提出一种全局感知的边缘优先级化方法，通过图神经网络预测边可靠性，结合多最小生成树构建姿态图，提升稀疏和高速场景下的重建精度。
Comments accepted to CVPR 2026
SigVLP：基于sigmoid体积-语言预训练的自监督CT体积自适应表示学习
机构 * Friedrich-Alexander University Erlangen-Nürnberg（弗里德里希-亚历山大大学埃尔兰根-纽伦堡） ； Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系） ； ETH AI Center, ETH Zurich（苏黎世联邦理工学院AI中心） ； International School of Medicine, Istanbul Medipol University（伊斯坦布尔梅迪波尔大学国际医学院） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系）
AI总结 SigVLP通过引入旋转位置嵌入和块级对齐方法，改进CT体积与文本的自监督表示学习，提升文本到体积对齐的精度。
加速推荐模型ETL的流式FPGA-GPU数据流
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 PipeRec通过FPGA-GPU数据流加速推荐模型ETL，提升吞吐量并降低训练时间
多头RAG：利用LLMs解决多方面问题
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； IDEAS Research Institute（IDEAS研究 institute） ； NASK National Research Institute（国家研究 institute）
AI总结 多头RAG通过利用Transformer多头注意力机制提升多方面查询的检索准确性，实现更高的检索成功率和下游生成性能。
具有元学习的不确定非线性系统MPC以实现神经预测模型的快速适应
机构 * Automatic Control Laboratory, ETH Zurich（瑞士苏黎世联邦理工学院自动控制实验室） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） ； ZHAW Centre for Artificial Intelligence, Zurich University of Applied Sciences（瑞士应用科学大学人工智能中心）
AI总结 本文提出一种基于元学习的MPC方法，通过聚合神经状态空间模型快速适应非线性系统，提升控制性能。
Tool-R0：从零数据自我进化的大语言模型代理用于工具学习
机构 * UIUC（伊利诺伊大学香槟分校） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 Tool-R0通过自我对抗强化学习从零数据训练通用工具调用代理，实现92.5%的性能提升并超越完全监督基线。
状态空间模型训练过程中压缩的奇特案例
机构 * CSAIL, MIT（MIT 资深研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ETH Zürich（苏黎世联邦理工学院） ； ELLIS Institute（ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Liquid AI
AI总结 CompreSSM通过在训练过程中压缩状态空间模型，提升计算效率同时保持性能。
通过高效空间-频率退化适应实现任意图像修复
机构 * University of Trento（特伦托大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Würzburg（乌尔姆大学） ； ETH Zürich（苏黎世联邦理工学院） ； Taiyuan University of Technology（太原理工大学） ； University of California, Merced（加州大学默塞德分校）
AI总结 AnyIR通过联合嵌入机制实现高效且全面的图像修复，减少模型参数和FLOPs达84%和80%，在四个基准测试中取得SOTA性能。
Comments Efficient All-in-One Image Restoration, Accepted by TMLR in 2026
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
动态场景中手术动作空间映射的声源定位
机构 * ROCS（罗克辛研究所） ； Balgrist University Hospital（巴尔格里斯大学医院） ； University of Zurich（苏黎世大学） ； Dept. of Orthopedics（骨科部门） ； Computer Vision and Geometry Group（计算机视觉与几何组） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出一种动态手术场景中声源定位的方法，通过整合3D音频与视觉数据，提升手术场景的多模态理解能力。
egoEMOTION：眼动视觉与生理信号用于现实任务中情绪与个性识别
机构 * Department of Computer Science ETH Zurich（计算机科学系，苏黎世联邦理工学院）
AI总结 egoEMOTION通过结合眼动视觉和生理信号，首次实现现实任务中情绪与个性识别的基准任务与数据集。
Comments Accepted for publication at NeurIPS 2025
检测和缓解异质处理效应中的群体偏差
机构 * Spotify ； Munich Center for Machine Learning & LMU Munich（慕尼黑机器学习中心及慕尼黑大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出了一种统一的统计框架，用于检测和缓解随机实验中的群体偏差，通过收缩校正方法和统计检验，改进个性化定位决策的准确性。
与自己对话：在大型语言模型中克服遗忘
机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江学院） ； Om AI Research（奥姆人工智能研究） ； 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SA-SFT方法，通过让LLM生成自我对话来缓解微调过程中的灾难性遗忘，提升领域性能并优于现有基线方法。
南美树作物制图揭示与森林砍伐和保护的联系
机构 * Google DeepMind（谷歌DeepMind） ； EcoVision Lab, DM3L, University of Zurich（EcoVision实验室、DM3L、苏黎世大学） ； University of Zurich（苏黎世大学） ； University of Copenhagen（哥本哈根大学） ； Google Research（谷歌研究） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本研究通过高分辨率树作物制图揭示南美树作物与森林砍伐的联系，为制定有效且公平的保护政策提供依据。
打破代理骨干：评估AI代理中骨干LLM的安全性
机构 * Lakera AI ； ETH Zürich（苏黎世联邦理工学院） ； UK AI Security Institute（英国人工智能安全研究所） ； OATML, University of Oxford（OATML，牛津大学）
AI总结 本文提出威胁快照框架，用于评估AI代理中LLM骨干的安全性，通过构建$b^3$基准测试揭示LLM安全性的关键影响因素。
Comments Julia Bazinska and Max Mathys contributed equally
JUCAL: 在分类任务中联合校准偶然不确定性和本质不确定性
机构 * UC Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； UBS Zurich（瑞士联合银行 Zurich 分部） ； Kaiju Worldwide（Kaiju 全球）
AI总结 JUCAL通过联合校准偶然和本质不确定性，提升分类任务中预测不确定性的准确性。
Comments 11 pages + appendix. Preliminary version of an ongoing project that will be expanded with furhter evaluations
WildOS: 野外环境中的开放词汇物体搜索
机构 * Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） ； Swiss Federal Institute of Technology（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； FieldAI Inc.（FieldAI公司） ； Stanford University（斯坦福大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 WildOS通过结合安全几何探索与语义视觉推理，实现野外环境中的开放词汇物体搜索，显著提升导航效率和自主性。
Comments 28 pages, 16 figures, 2 tables
意外漏洞：影响微调的因子
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； ETH Zürich（苏黎世联邦理工学院） ； FAR AI（FAR人工智能公司） ； McGill University（麦吉尔大学） ； MILA（蒙特利尔人工智能研究院） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（图宾根德国智能系统研究所）
AI总结 研究意外漏洞，揭示微调数据集特征对模型安全性和对抗鲁棒性的影响
Comments Second Conference of the International Association for Safe and Ethical Artificial Intelligence (IASEAI 2026)
通过样本一致性校准大型语言模型
机构 * University of Pennsylvania（宾夕法尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院）
AI总结 通过样本一致性方法提升大型语言模型的校准效果，改进其预测置信度评估和性能表现。
Comments AAAI 2024
See-in-Pairs: 用于医学诊断的参考图像引导的比较视觉-语言模型
机构 * Electrical and Computer Engineering Department, The University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系） ； Vector Institute（向量研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Renmin University of China（中国人民大学） ； National University of Singapore（新加坡国立大学）
AI总结 See-in-Pairs通过引入参考图像引导的比较机制，提升医学视觉-语言模型的诊断性能，增强样本效率和视觉-文本对齐。
Comments 25 pages, four figures
vCache: 验证的语义提示缓存
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学） ； ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学）
AI总结 vCache是一种具有用户定义误差率保证的验证语义缓存，通过在线学习算法动态优化阈值，实现更高的缓存命中率和更低的错误率。
Comments ICLR 2026 (accepted)
MEt3R：测量生成图像的多视图一致性
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarland Informatics Campus（萨尔州信息校园） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 MEt3R是一种用于评估生成图像多视图一致性的新指标，通过密集3D重建和特征比较，独立于场景和采样过程，评估生成模型的质量。
Comments Project website: https://geometric-rl.mpi-inf.mpg.de/met3r/ Updated to Camera-Ready version
几何分布
机构 * KAUST（卡斯土尼亚大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出了一种基于分布的几何数据表示方法，利用扩散模型学习表面点分布，以提升3D几何建模的精度和灵活性。
Comments Accepted to ICCV 2025. For the project site, see https://1zb.github.io/GeomDist/
扩散语言模型水印
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出首个针对扩散语言模型的水印技术，通过在期望上下文中应用水印并促进增强水印强度的token，实现高真阳性率和低质量影响的可靠水印。
通过语义条件水印进行大语言模型指纹识别
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本研究提出一种基于语义条件水印的大语言模型指纹识别方法，通过在特定语义领域内扩散统计水印信号，实现隐蔽且鲁棒的指纹检测与所有权验证。
通过流模型微调实现高效的尾部感知生成优化
机构 * KTH Royal Institute of Technology（皇家理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； Duke University（杜克大学）
AI总结 本文提出TFFT算法，通过CVaR的变分对偶公式实现高效的尾部行为塑造，适用于生成模型的分布性微调。
Comments 33 pages
具备外周感知的资源受限四足机器人的鲁棒强化学习运动控制
机构 * Center for Project-Based Learning, ETH Zurich（基于项目学习中心，苏黎世联邦理工学院）
AI总结 本文提出了一种基于强化学习的鲁棒运动控制器，通过实时海拔映射和深度传感器选择，实现资源受限四足机器人在复杂地形中的稳定运动控制。
Comments This paper has been accepted for publication at the IEEE International Conference on Robotics and Automation (ICRA), Atlanta 2025. The code is available at github.com/ETH-PBL/elmap-rl-controller
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