高校专区
SynCoGen: 通过联合反应和坐标建模实现可合成的3D分子生成
机构 * University of Toronto（多伦多大学） ； The Hospital for Sick Children（多伦多儿童医院） ； University of Cambridge（剑桥大学） ； ETH Zürich（苏黎世联邦理工学院） ； Vector Institute（向量研究所） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Caltech（加州理工学院）
AI总结 SynCoGen通过联合反应和坐标建模实现可合成的3D分子生成，实现了分子构建块、化学反应和原子坐标的联合分布采样，在无条件小分子生成和药物发现中表现出色。
Comments ICLR 2026
Mixtera: 一个用于基础模型训练的数据平面
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 Mixtera是一种用于基础模型训练的数据平面，允许用户声明性地控制数据样本的比例和顺序，以提升模型训练效果。
Comments accepted at SIGMOD'26; two column layout version
FastGHA: 基于实时动画的通用少样本3D高斯头身像
机构 * Nanjing University（南京大学） ； ETH Zürich（苏黎世联邦理工学院） ； DisneyResearch|Studios（迪士尼研究与工作室）
AI总结 FastGHA通过少样本输入图像生成高质量3D头身像，并支持实时动画，提升了推理效率和渲染质量。
Comments Accepted to ICLR 2026
ARB-LLM: 交替精炼二值化用于大语言模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； ETH Zürich（苏黎世联邦理工学院） ； Lenovo Research（联想研究院）
AI总结 ARB-LLM通过交替精炼二值化技术，有效解决LLM二值化中的分布偏移和列偏差问题，实现性能超越现有SOTA方法。
Comments The code and models will be available at https://github.com/ZHITENGLI/ARB-LLM
Bonnet: 从CT扫描中快速完成全身骨骼分割
机构 * ELLIS Institute Finland（埃利斯研究所芬兰分校） ； Aalto University（艾尔沃斯大学） ； Clemson University（克莱姆森大学） ； ETH Zurich（苏黎世联邦理工学院） ； Fujian Medical University Union Hospital（福建省医科大学附属医院） ； Fujian Medical University（福建省医科大学）
AI总结 Bonnet通过高效算法在2.69秒内实现全身骨骼分割，准确度高且速度快。
Comments 5 pages, 2 figures. Accepted for publication at the 2026 IEEE International Symposium on Biomedical Imaging (ISBI 2026)
PT²-LLM：大语言模型的后训练三元化
机构 * Shanghai Jiao Tong University（上海交通大学） ； ETH Zürich（苏黎世联邦理工学院） ； Tencent Hunyuan（腾讯文言）
AI总结 PT²-LLM通过后训练三元化技术，在降低内存成本的同时提升大语言模型的推理速度和效率。
Comments Accepted at ICLR 2026
在专家可观测和专家不可观测混杂下的因果模仿学习
机构 * Department of Computer Science, University of Oxford, UK（计算机科学系，牛津大学） ； ETH Zurich, Switzerland（苏黎世联邦理工学院）
AI总结 本文提出DML-IL算法，通过工具变量回归解决因果模仿学习中的隐藏混杂问题，并在连续状态-动作环境中优于现有基线方法。
Comments Proceedings of the International Conference on Learning Representations (ICLR) 2026
训练慢硅神经元以通过脉冲强化学习控制极快的机器人
机构 * Institute of Neuroinformatics, UZH and ETH Zurich（神经信息研究所，苏黎世联邦理工学院和苏黎世联邦理工学院） ； Istituto Italiano di Tecnologia（意大利技术研究所） ； Technical University of Munich（慕尼黑技术大学） ； Natl. Center for Radiation Protection and Computational Physics, Istituto Superiore di Sanità（辐射防护与计算物理国家中心，意大利卫生超级研究所） ； Digital Society Initiative, University of Zurich（数字社会倡议，苏黎世大学）
AI总结 通过脉冲强化学习训练慢硅神经元，实现高速机器人控制，展示脑启发方法在快速互动任务中的有效性。
快速且几何上 grounded 的 Lorentz 神经网络
机构 * University of Amsterdam（阿姆斯特丹大学） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
AI总结 本文提出了一种新的 Lorentz 线性层，通过距离到超平面的公式，解决了双曲神经网络中输出范数随梯度步数增长的问题，从而实现了高效的双曲几何神经网络。
Comments 19 pages, 4 figures
通过符号验证揭示LLM因果推理中的隐藏正确性
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） ； MPI for Intelligent Systems（智能系统研究所） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
AI总结 本文提出DoVerifier，通过符号验证揭示LLM因果推理中的隐藏正确性，提升因果推理评估的严谨性与信息量。
Comments EACL 2026 Main
Snowball：一种可扩展的全对全Ising机器，采用双模式马尔可夫链蒙特卡洛自旋选择与异步自旋更新以实现快速组合优化
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 Snowball通过双模式马尔可夫链蒙特卡洛自旋选择和异步自旋更新，实现快速组合优化的可扩展Ising机器。
通过持续自监督预训练增强语义分割
机构 * ETH Zurich（苏黎世联邦理工学院） ； IBM Research – Zurich（IBM瑞士研究实验室）
AI总结 本文提出GLARE，一种持续自监督预训练任务，用于提升语义分割性能，通过块级增强和区域一致性约束，结合轻量级适配器模块，实现低数据域下的高效适应。
Comments 23 pages, 5 figures
Cheap2Rich: 一种多保真框架用于多尺度物理系统的数据同化与系统辨识——旋转爆震发动机
机构 * Department of Electrical ； Computer Engineering, University of Washington, Seattle, USA ； Department of Applied Mathematics, University of Washington, Seattle, USA ； University of Michigan, Advanced Propulsion Concepts Lab, Ann Arbor, USA ； Department of Mathematics, Swiss Federal Institute of Technology Zurich, Zurich, Switzerland
AI总结 Cheap2Rich提出一种多保真框架，通过结合快速低保真先验与学习的误差修正，实现多尺度物理系统中高保真状态空间的重建，用于旋转爆震发动机的数据同化与系统辨识。
博弈论自动驾驶：基于凸集图的方法
机构 * ETH Zurich（苏黎世联邦理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出基于凸集图的迭代最佳响应方法，用于多车辆自动驾驶中的战略互动与轨迹规划，通过高效凸松弛实现安全且一致的交互行为。
Comments 16 pages for content, 2 pages for references, 2 pages for notation
QVGen：推动量化视频生成模型的极限
机构 * Hong Kong University of Science and Technology（香港理工大学） ； Beihang University（北京航空航天大学） ； SenseTime Research（商汤科技研究院） ； Monash University（墨尔本大学） ； Nanyang Technological University（南洋理工大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 QVGen通过量化感知训练框架在极低比特下实现高性能视频生成模型，首次达到全精度质量并优于现有方法。
Comments Accepted by ICLR 2026
使用集成学习策略增强胶囊内镜的异常检测
机构 * Department of Computer Science, University of Tübingen（图宾根大学计算机科学系） ； Seminar of Applied Mathematics, ETH Zürich（苏黎世联邦理工学院应用数学研讨班） ； Else Kröner Fresenius Center for Digital Health, TU Dresden（德累斯顿技术大学数字健康研究中心） ； Department of Medicine I, University Hospital Dresden, TU Dresden（德累斯顿大学医院第一医学部，德累斯顿技术大学）
AI总结 本文提出一种集成学习策略，通过使用不同损失函数训练多个神经网络，提高胶囊内镜异常检测的准确性和效率，同时减少参数量。
Comments Accepted at the 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBS EMBC)
网络内集体操作：人工智能工作负载中的变革者还是挑战？
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） ； AMD（超威半导体） ； Broadcom Inc.（博通公司） ； Hewlett Packard Enterprise（惠普企业）
AI总结 本文探讨了网络内集体操作在人工智能工作负载中的潜力与挑战，分析了边缘和核心INC的性能优势及阻碍其应用的关键障碍，并预测其未来发展方向。
Journal ref IEEE Computer Jan. 2026
重新审视差分隐私图像分类的基准测试
机构 * University of Waterloo（多伦多大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出了一套全面的差分隐私图像分类基准测试，评估不同设置下的技术有效性，并创建了公开排行榜以跟踪进展。
Journal ref IEEE Technical Committee on Data Engineering 2025
行为克隆中面向分布外泛化的问题空间变换
机构 * Department of Computer Science at ETH Zürich（苏黎世联邦理工学院计算机科学系）
AI总结 本文提出通过问题空间变换提升行为克隆在分布外泛化中的性能，通过实验验证了姿态等价性和局部性对动作预测的改进作用。
基于迭代积分与神经网络的混沌对冲
机构 * Nanyang Technological University, Division of Mathematical Sciences（南洋理工大学数学科学学院） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系）
AI总结 本文提出利用迭代积分与神经网络近似金融衍生品的$L^p$-对冲问题，提供了一种通用近似方法。
DeFM：从深度学习基础表示以供机器人应用
机构 * Robotic Systems Lab (RSL), ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（NVIDIA公司）
AI总结 DeFM通过自监督学习从深度图像中学习基础表示，为机器人应用提供强大的泛化能力和仿真到现实的迁移性能。
Comments Under review, 19 pages, 15 Figures, 9 Tables
DGFusion：基于深度的传感器融合用于鲁棒的语义感知
机构 * Computer Vision Laboratory, ETH Zurich（计算机视觉实验室，苏黎世联邦理工学院）
AI总结 DGFusion通过整合深度信息提升多模态传感器融合，实现自动驾驶中的鲁棒语义感知。
Comments Code and models are available at https://github.com/timbroed/DGFusion
利用神经网络在截断维纳混沌展开中求解随机偏微分方程
机构 * Nanyang Technological University, Division of Mathematical Sciences（南洋理工大学数学科学学院） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系）
AI总结 本文提出利用神经网络在维纳混沌展开中求解随机偏微分方程，并通过数值实验验证了方法的可行性与有效性。
关于大型语言模型中结构信息的出现及其测试时使用
机构 * ETH Zurich（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） ； University of Cambridge（剑桥大学）
AI总结 本研究探讨了大型语言模型如何学习和利用结构信息，发现其在复杂推理任务中表现突出，但测试时组合生成能力仍受限。
Athena：通过在线强化学习协同数据预取和离芯片预测
机构 * ETH Zürich（苏黎世联邦理工学院） ； NTNU（挪威技术大学）
AI总结 Athena通过在线强化学习协调预取和离芯片预测，提升性能并降低存储开销。
Journal ref 32nd IEEE International Symposium on High-Performance Computer Architecture (HPCA), 2026
通过自动课程强化学习扩展粗糙地形运动
机构 * Robotic Systems Lab, ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； ETH AI Center, ETH Zurich, Switzerland（苏黎世联邦理工学院人工智能中心）
AI总结 本文提出基于学习进度的自动课程强化学习框架，使四足机器人在复杂地形上实现稳定高速运动，突破传统方法在地形适应上的限制。
量化空间与时间：融合时间序列和图像用于地球观测
机构 * IBM Research Europe（IBM欧洲研究院） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出一种任务无关的多模态融合框架，通过时间序列和图像的统一表示空间提升地球观测任务的性能。
SceneSplat++: 一个大规模数据集和全面的基准用于语言高斯点云
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； University of Pisa（比萨大学） ； University of Trento（特伦托大学）
AI总结 SceneSplat++提出一个大规模数据集和基准，评估语言高斯点云方法，展示可推广方法在3D理解中的优势。
Comments 15 pages, codes, data and benchmark are released at https://scenesplatpp.gaussianworld.ai/
遮蔽建模用于遮挡下的人体运动恢复
机构 * ETH Zürich（苏黎世联邦理工学院） ； Meta Reality Labs（Meta现实实验室）
AI总结 MoRo通过遮蔽建模方法，在遮挡条件下实现高效且鲁棒的人体运动恢复，结合多模态先验提升推理性能。
Comments Project page: https://mikeqzy.github.io/MoRo
潜在因果扩散用于单细胞扰动建模
机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） ； Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学博德研究所埃里克·安德森·温德斯中心） ； School of Computer and Communication Sciences, EPFL（苏黎世联邦理工学院计算机与通信科学学院） ； Swiss Institute for Experimental Cancer Research, School of Life Sciences, EPFL（瑞士实验癌症研究所以及EPFL生命科学学院） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（德国图宾根最大计划智能系统研究所） ； ELLIS Institute, Tübingen, Germany（德国图宾根ELLIS研究所）
AI总结 本文提出潜在因果扩散模型，用于单细胞扰动建模，通过因果线性化方法揭示基因调控的因果结构。
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