高校专区
在生成模型的潜在空间中学习水印
机构 * Meta FAIR ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本研究提出DistSeal，一种在生成模型潜在空间中实现高效且鲁棒的水印方法，通过蒸馏提升性能，比像素空间方法更高效。
Comments Code and models are available at https://github.com/facebookresearch/distseal
用于外科手术中3D手姿态估计的多视角流程及基准数据集
机构 * University Hospital Balgrist, University of Zurich（苏黎世大学附属医院巴尔格斯特医院，苏黎世大学） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出了一种无需微调的多视角流程和外科手术专用基准数据集，用于提升3D手姿态估计的准确性和可靠性。
为社会公益服务的NLP：挑战、机遇与负责任部署的综述与展望
机构 * University of Copenhagen（哥本哈根大学） ； University of Michigan-Ann Arbor（密歇根大学安娜堡分校） ； ETH Zurich（苏黎世联邦理工学院） ； University of North Texas（北卡罗来纳州立大学） ； Sony Computer Science Laboratories - Paris（索尼计算机科学实验室-巴黎） ； Santa Clara University（圣克拉拉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Dataminr（DataMinr公司） ； United Nations Development Programme (UNDP)（联合国开发计划署） ； University of Maryland, College Park（马里兰大学学院市分校） ； Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所，图宾根） ； Vector Institute（向量研究所） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； IIT Kharagpur（印度理工学院Kharagpur分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Princeton University（普林斯顿大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Alicante（阿利坎特大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； University of Southern California（南加州大学） ； Technical University of Munich（慕尼黑技术大学）
AI总结 本文综述了NLP在社会公益领域的应用现状，指出包容性和AI危害是研究热点，同时呼吁跨学科合作以促进公众福祉。
Comments Accepted to EACL 2026
大量实验、少量重复、不配对数据和稀疏效应：因果推断是否可能？
机构 * Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系） ； Department of Statistics, UC Berkeley（伯克利大学统计系） ； German Center for Neurodegenerative Diseases (DZNE) & University of Bonn（德国神经退行性疾病研究中心（DZNE）及波恩大学） ； MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）
AI总结 本文提出了一种在不配对数据和稀疏因果效应下，通过GMM型估计量和ℓ1正则化方法估计因果效应的统计方法。
VCNAC：一种可变通道神经音频编解码器用于单声道、立体声和环绕声
机构 * Amazon AGI, ETH Zürich（亚马逊人工智能研究院、苏黎世联邦理工学院） ； Amazon AGI（亚马逊人工智能研究院）
AI总结 VCNAC是一种可变通道神经音频编解码器，通过单一参数化编码器和解码器实现多通道音频的高质量重建与灵活推理。
Comments Submitted to EUSIPCO 2026
人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇
机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA
AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。
Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal
教机器人像教狗一样：从诱饵、手势和言语中学习敏捷导航
机构 * Department of Artificial Intelligence, Korea University（人工智能系，韩国大学） ； Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院） ； Department of Mechanical and Aerospace Engineering, UCLA（机械与航空航天工程系，加州大学洛杉矶分校）
AI总结 本研究提出了一种人机协同框架，通过手势、言语和诱饵等多模态输入，使机器人高效学习敏捷导航，实验显示在少于1小时的数据下任务成功率高达97.15%。
Comments 10 pages, 7 figures
DAPPER: 一种基于偏好判别性的政策到政策偏好强化学习，用于高效机器人技能获取
机构 * Nara Institute of Science and Technology（奈良科学技術研究所） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 DAPPER通过多策略轨迹比较和判别性学习，提升机器人技能获取的查询效率。
Comments Accepted for IEEE Robotics & Automation Magazine (RAM)
GIC-DLC：用于硬件友好的灰度图像压缩的可微逻辑电路
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 GIC-DLC通过可微逻辑电路实现高效灰度图像压缩，结合神经网络与布尔运算，提升压缩效率并降低能耗与延迟。
不要懒惰：CompleteP使深度变压器计算高效
机构 * Cerebras Systems（Cerebras系统） ； ETH Zurich（苏黎世联邦理工学院） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所）
AI总结 CompleteP通过实现深度-wise超参数转移和非懒惰学习，提升了深度变压器的计算效率，适用于更广泛的模型宽度/深度比和硬件环境。
Comments NeurIPS 2025. v4 fixes Table 1 typo to match AdamW eps to Equation 40
NeuralFur: 从多视角图像中重建动物毛发
机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Technical University of Darmstadt（德累斯顿技术大学） ； University of Tübingen（图宾根大学）
AI总结 NeuralFur通过视觉语言模型指导多视角图像重建，实现不同动物的高保真3D毛发建模。
Comments For additional results and code, please refer to https://neuralfur.is.tue.mpg.de
深度勒让德变换
机构 * Center of Economic Research and RiskLab ETH Zurich（经济研究中心和风险实验室 ETH 瑞士 Zurich） ； Department of Mathematics and RiskLab ETH Zurich（数学系和风险实验室 ETH 瑞士 Zurich）
AI总结 本文提出了一种基于深度学习的算法，用于高效计算凸函数的凸共轭，并通过隐式芬谢尔公式实现精确估计。
Comments Accepted at NeurIPS 2025 (poster). NeurIPS page: https://neurips.cc/virtual/2025/loc/san-diego/poster/120307
LegacyAvatars: 基于体素的面部虚拟角色用于传统图形管线
机构 * Google（谷歌） ； MIT（麻省理工学院） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 LegacyAvatars通过基于参数面部模型的辐射场实现高效传统图形管线中的逼真3D面部虚拟角色渲染，支持在线流式传输和经典网格着色器渲染。
通过视觉监督深度学习自动化交通监控的SHM传感器网络
机构 * organization= Institute of Structural Engineering (IBK), ETH Zürich , city= Zürich , country= Switzerland ； organization= irmos technologies AG , city= Zürich , country= Switzerland ； organization= Future Resilient Systems, Singapore-ETH Centre , city= Singapore , country= Singapore
AI总结 本文提出了一种基于视觉监督深度学习的自动化交通监控方法，利用SHM传感器网络实现高精度的交通荷载识别，提升桥梁结构健康监测的效率和准确性。
测试时调优的语言模型实现从MS/MS光谱到分子结构的端到端从头生成
机构 * IBM Research（IBM研究院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Zürich（苏黎世大学）
AI总结 本研究提出了一种基于Transformer模型的端到端框架，通过测试时调优策略从MS/MS光谱直接生成分子结构，显著提升了分子结构推断的准确率和适应性。
EvoMorph: 连续时间序列外源回归的反事实解释应用于光电容积图
机构 * 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，圣加伦大学）
AI总结 EvoMorph通过多目标进化框架生成生理合理的反事实解释，提升连续生物医学时间序列的可解释性和可信度。
TinyMyo：一种用于边缘端灵活EMG信号处理的轻量级基础模型
机构 * Integrated Systems Laboratory of ETH Zürich（苏黎世联邦理工学院集成系统实验室） ； University of Bologna（博洛尼亚大学）
AI总结 TinyMyo是一种轻量级EMG基础模型，通过自监督预训练实现多任务泛化，适用于低功耗边缘设备的高效信号处理。
语言模型是高效的推理者吗？从逻辑编程的角度看
机构 * ETH Zürich（苏黎世联邦理工学院） ； MPI for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所） ； EPFL（苏黎世联邦理工学院） ； Idiap Research Institute（Idiap研究机构） ； Purdue University（普渡大学）
AI总结 本文从逻辑编程角度评估语言模型的推理效率，发现其在存在无关信息时推理能力下降，生成证明常包含不必要的推理步骤。
Comments NeurIPS 2025
开放证明语料库：大规模研究LLM生成的数学证明
机构 * ETH Zurich（苏黎世联邦理工学院） ； INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT，索菲亚大学"圣克莱门特·欧赫里德斯基"） ； Institute of Mathematics and Informatics, Bulgarian Academy of Sciences（保加利亚科学院数学与信息学研究所） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 开放证明语料库通过大规模研究LLM生成的数学证明，探索自动化证明生成中的关键问题，包括自然语言与形式证明的性能差距、最终答案准确性与完整证明有效性之间的差异，以及最佳n选择对证明质量的影响。
MathArena: 在无污染数学竞赛中评估大语言模型
机构 * ETH Zurich（苏黎世联邦理工学院） ； INSAIT
AI总结 MathArena通过评估数学竞赛中的LLM，揭示了模型在推理和证明写作上的能力与局限。
在能量受限噪声下核回归的最优界限
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出了一种在能量受限噪声下核回归的最优不确定性界限方法，通过高斯过程的后验均值和协方差来实现紧致且易于计算的界限。
具有跳跃的连续时间随机控制的深度学习
机构 * ETH Zurich（苏黎世联邦理工学院） ； LIDAM-ISBA UCLouvain（列日大学LIDAM-ISBA）
AI总结 本文提出了一种基于深度学习的连续时间随机控制方法，通过训练两个神经网络来解决具有跳跃的随机控制问题，并展示了其在复杂高维任务中的有效性。
Comments NeurIPS 2025
Quartet：原生FP4训练可用于大型语言模型
机构 * ISTA ； Red Hat AI（红帽人工智能） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 Quartet通过原生FP4训练实现大型语言模型的高效训练，提供与FP16和FP8同等的性能。
通过椭球体进行持久同调
机构 * ETH Zurich（苏黎世联邦理工学院） ； Pennsylvania State University（宾夕法尼亚州立大学） ； MIT（麻省理工学院） ； University of Fribourg（弗里堡大学）
AI总结 本文提出了一种基于椭球体的Rips型复形，用于改进拓扑数据分析中的持久同调计算，通过主成分分析估计切线空间并验证其在分类任务中的优越性。
实例依赖的非随机线性部分观察后悔界
机构 * EPFL（苏黎世联邦理工学院） ； Università degli Studi di Milano（米兰大学） ； Politecnico di Milano（米兰理工大学） ； ETH Zürich（苏黎世联邦理工学院） ； Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； Inria（法国国家信息与自动化技术研究院） ； CNRS（法国国家科学研究中心） ； Grenoble INP（格勒诺布尔INP） ； LJK（实验室）
AI总结 本文提出了一种非随机线性部分观察问题的实例依赖后悔界，通过探索-优化方法实现了高效实现，并在不同游戏中达到了标准的√T和T^{2/3}速率。
上下文学习增强的可信度变换器
机构 * insureAI ； University of the Witwatersrand（沃特沙尔德大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出一种通过引入上下文学习机制增强可信度变换器的模型，以提升预测精度和泛化能力。
环境作为策略：在未见过的赛道上学习赛车
机构 * Robotics and Perception Group, Department of Informatics, University of Zurich（机器人感知组，信息学院，苏黎世大学） ； Department of Neuroinformatics, University of Zurich and ETH Zurich（神经信息学院，苏黎世大学和苏黎世联邦理工学院）
AI总结 本文提出了一种自适应环境塑造框架，使无人机能够在未见过的赛道上高效学习赛车，通过动态调整训练环境提升泛化能力。
Comments Accepted at IEEE International Conference on Robotics and Automation (ICRA), 2025
Warmup Stable Decay 的普遍动态：在 Transformer 之外理解 WSD
机构 * MPI-IS Tübingen, Germany, ETH Zürich, Switzerland and Politecnico di Torino, Italy（马克斯·普朗克研究所（MPI-IS）图宾根，德国，瑞士苏黎世联邦理工学院（ETH Zürich）和意大利托里诺理工大学（Politecnico di Torino）） ； ETH Zürich, Switzerland（瑞士苏黎世联邦理工学院（ETH Zürich）） ； MPI-IS, ELLIS Institute Tübingen, Tübingen AI Center, Germany（马克斯·普朗克研究所（MPI-IS）图宾根，德国，图宾根人工智能中心（Tübingen AI Center））
AI总结 本研究通过比较 Transformer 和 CNN 在 WSD 调度下的训练动态，揭示了非凸优化问题中损失景观的共同几何特征。
Comments Accepted at the 2025 HiLD and MOSS Workshops at ICML
图神经网络和图变换器的定位编码基准测试
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出了一种统一的基准测试框架，用于评估图神经网络和图变换器中定位编码的效果，发现高表达性PEs在现实任务中可能表现不佳，同时识别出若干表现优异的简单模型-PE组合。
Comments Accepted at KDD 2026 Datasets & Benchmarks Track
文本和图像的表示从第一层对齐
机构 * D-INFK, ETH Zurich, Switzerland（苏黎世联邦理工学院信息与知识系统研究所） ； Aisle Research（Aisle研究）
AI总结 该研究通过合成方法证明，视觉-语言模型中图像和文本表示在第一层即可实现对齐，为模型可解释性提供了新路径。
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