Transferring Causal Effects using Proxies
通过代理转移因果效应
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出通过代理变量在多领域中估计因果效应的方法，证明了可识别性并提供了估计技术与实证支持。
Comments Advances in Neural Information Processing Systems (NeurIPS 2025) final camera-ready version
高校专区
ETH Zurich（苏黎世联邦理工学院）
ElfCore: A 28nm Neural Processor Enabling Dynamic Structured Sparse Training and Online Self-Supervised Learning with Activity-Dependent Weight Update
ElfCore：一种28纳米神经处理器，实现动态结构稀疏训练和在线自监督学习与活动依赖权重更新
机构 * Institute of Neuroinformatics University of Zurich（神经信息学研究所 瑞士苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 ElfCore是一种28纳米神经处理器，通过动态结构稀疏训练和活动依赖权重更新，实现低功耗高效的学习与信号处理。
Comments This paper has been published in the proceedings of the 2025 IEEE European Solid-State Electronics Research Conference (ESSERC)
Journal ref 2025 IEEE European Solid-State Electronics Research Conference (ESSERC)
Energy-convergence trade off for the training of neural networks on bio-inspired hardware
神经网络在生物启发硬件上训练的能量-收敛权衡
机构 * Integrated Systems Laboratory, ETH Zurich（瑞士苏黎世联邦理工学院集成系统实验室） ； IBM Research Europe（IBM欧洲研究院）
AI总结 研究通过铁电突触设备探索神经网络在生物启发硬件上训练的能量-收敛权衡，提出对称点移位技术提升芯片学习效率。
Imperative Learning: A Self-supervised Neuro-Symbolic Learning Framework for Robot Autonomy
命令式学习：一种用于机器人自主性的自监督神经符号学习框架
机构 * University at Buffalo（布法罗大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Carnegie Mellon University（卡内基梅隆大学） ； ETH Zürich（苏黎世联邦理工学院） ； Purdue University（普渡大学）
AI总结 命令式学习通过自监督神经符号框架提升机器人自主性，结合神经网络与符号推理，解决数据依赖与泛化能力不足的问题。
Journal ref The International Journal of Robotics Research (IJRR), 2025
Learning Stack-of-Tasks Management for Redundant Robots
为冗余机器人学习任务堆栈管理
机构 * University of Padova, Dept. of Information Engineering（帕多瓦大学信息工程系） ； ABB Corporate Research（ABB企业研究） ； Mobile Robotics Lab, ETH Zürich（苏黎世联邦理工学院移动机器人实验室） ； Polytechnic of Bari Dept. of Electrical and Information Engineering（巴里理工学院电气与信息工程系）
AI总结 本文提出了一种自动学习冗余机器人任务堆栈控制器的方法，通过优化用户定义的成本函数实现任务优先级和控制参数的自适应调整，确保在真实机器人上安全精确的运动表现。
FrontierMath: A Benchmark for Evaluating Advanced Mathematical Reasoning in AI
FrontierMath: 一个评估人工智能高级数学推理能力的基准
机构 * Epoch AI ； University of Leicester（利兹大学） ； RWTH Aachen University（亚琛工业大学） ； King’s College London（伦敦大学国王学院） ； University of Bristol（布里斯托大学） ； Iowa State University（爱荷华州立大学） ； MIT（麻省理工学院） ； University of North Carolina（北卡罗来纳大学） ； CNRS - Université Paris-Saclay（法国国家科学研究中心-巴黎-萨克雷大学） ； University of Siegen（锡根大学） ； Knox College at Charlotte（夏洛特克恩学院） ； James Madison University（詹姆斯麦迪逊大学） ； ICMC, USP（巴西圣保罗大学ICMC分校） ； Masaryk University（马萨里克大学） ； UC Berkeley（伯克利加州大学） ； Cornell University（康奈尔大学） ； Rutgers University（罗格斯大学） ； Harvard University（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； Independent（独立研究者）
AI总结 FrontierMath是一个由专家数学家设计的数学问题基准，用于评估AI在高级数学推理能力上的表现，揭示了当前AI与数学界能力之间的显著差距。
TropNNC: Structured Neural Network Compression Using Tropical Geometry
基于热带几何的结构神经网络压缩：TropNNC
机构 * School of ECE, National Technical University of Athens（希腊国家技术大学电子工程学院） ； Robotics Institute, Athena Research Center（阿提卡研究中心机器人研究所） ； HERON - Hellenic Robotics Center of Excellence（希腊机器人 excellence 中心） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）
AI总结 TropNNC通过热带几何方法实现神经网络压缩，首次应用于卷积层并达到理论最优压缩界，无需训练数据即可在多个数据集上取得优异性能。
Comments v3: restructured the paper, formalized some heuristic improvements to the algorithm, and added acknowledgments
Boosted Control Functions: Distribution generalization and invariance in confounded models
增强控制函数：在混杂模型中的分布泛化和不变性
机构 * University of Copenhagen（哥本哈根大学） ； Imperial College London（伦敦帝国学院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Geneva（日内瓦大学）
AI总结 本文提出增强控制函数（BCF）以实现分布变化下的预测鲁棒性，通过强不变性概念和ControlTwicing算法提升模型泛化能力。
Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations
从合成演示中学习通用的手-物体跟踪
机构 * Wuhan University（武汉大学） ； ETH Zurich（苏黎世联邦理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 本文提出了一种从合成数据中学习通用手-物体跟踪控制器的方法，通过HOP和HOT实现从合成到物理的迁移，展示了在复杂任务中的有效性。
Chorus: Multi-Teacher Pretraining for Holistic 3D Gaussian Scene Encoding
Chorus：多教师预训练用于整体3D高斯场景编码
机构 * University of Amsterdam（阿姆斯特丹大学） ； ETH Zürich（苏黎世联邦理工学院） ； University of Trento（特伦托大学）
AI总结 Chorus通过多教师预训练方法，实现对3D高斯场景的高效编码，提升多任务表现并实现数据高效监督。
Multi-modal On-Device Learning for Monocular Depth Estimation on Ultra-low-power MCUs
多模态设备端学习用于超低功耗MCU上的单目深度估计
机构 * Department of Electrical, Electronic, and Information Engineering (DEI), University of Bologna（电气电子与信息工程系，博洛尼亚大学） ； Department of Control and Computer Engineering (DAUIN), Politecnico di Torino（控制与计算机工程系，托斯卡纳理工学院） ； Department of Electrical Engineering (ESAT) at KU Leuven（根特大学电子工程系） ； Dalle Molle Institute for Artificial Intelligence (IDSIA), USI-SUPSI（达勒莫人工智能研究所（IDSIA），USI-SUPSI） ； Department of Information Technology and Electrical Engineering (D-ITET), ETH Zurich（信息科技与电气工程系，苏黎世联邦理工学院） ； Integrated Systems Laboratory, ETH Zurich（集成系统实验室，苏黎世联邦理工学院）
AI总结 本研究提出了一种多模态设备端学习技术，用于在超低功耗MCU上实现单目深度估计，通过减少内存消耗和优化训练过程，显著提升精度和效率。
Comments 14 pages, 9 figures, 3 tables. Associated open-source release available at: https://github.com/idsia-robotics/ultralow-power-monocular-depth-ondevice-learning
Event Spectroscopy: Event-based Multispectral and Depth Sensing using Structured Light
事件光谱：基于事件的多光谱和深度感知使用结构光
机构 * Environmental Robotics Laboratory, Dep. of Environmental Systems Science, ETH Zurich（环境机器人实验室，环境系统科学系，苏黎世联邦理工学院） ； Swiss Federal Institute for Forest, Snow and Landscape Research (WSL)（瑞士森林、雪和景观研究联邦研究所） ； Robotics and Perception Group, University of Zurich（机器人与感知小组，苏黎世大学）
AI总结 本研究提出了一种基于事件的多光谱和深度感知系统，利用结构光实现高分辨率、低延迟的深度重建和多光谱成像，在森林环境中提升UAV的感知与数据收集能力。
Comments This work has been accepted for publication in IEEE Robotics and Automation Letters
Conscious Data Contribution via Community-Driven Chain-of-Thought Distillation
通过社区驱动的推理链蒸馏实现意识数据贡献
机构 * ETH Zurich（苏黎世联邦理工学院） ； ÉTS Montréal, Mila（蒙特利尔ÉTS, Mila） ； University of Waterloo, Vector Institute（多伦多大学, 向量研究所）
AI总结 本文提出通过社区驱动的推理链蒸馏方法，使低效用社区能生成更符合自身目标的替代模型，提升数据可移植性和用户自主性。
Design and Integration of Thermal and Vibrotactile Feedback for Lifelike Touch in Social Robots
社交机器人中热感与振动触觉反馈的设计与集成
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Glasgow（格拉斯哥大学）
AI总结 本文提出了一种集成热能和振动触觉反馈的多模态触觉原型，用于增强社交机器人的情感互动能力，通过模拟生物生理信号提升拟人化触觉体验。
mimic-video: Video-Action Models for Generalizable Robot Control Beyond VLAs
mimic-video: 用于超越VLAs的通用机器人控制的视频-动作模型
机构 * mimic robotics ； Microsoft Zurich（微软瑞士分公司） ； ETH Zurich（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） ； UC Berkeley（伯克利大学）
AI总结 mimic-video通过结合预训练的视频模型和基于流匹配的动作解码器，实现了更有效的机器人控制，提升了样本效率和收敛速度。
Comments Revised Introduction, Related Work, and Appendix. Additional minor notational and grammatical fixes
HGQ: High Granularity Quantization for Real-time Neural Networks on FPGAs
HGQ：面向FPGA上的实时神经网络的高粒度量化
机构 * California Institute of Technology（加利福尼亚理工学院） ； Imperial College London（伦敦帝国理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Institute of Physics Belgrade（贝尔格莱德物理研究所） ； Fermilab（费米实验室）
AI总结 HGQ通过高粒度量化方法优化神经网络参数位宽，实现低延迟高精度的实时模型部署，适用于FPGA平台的复杂模型压缩与加速。
Upgrading Democracies with Fairer Voting Methods
用更公平的选举方法升级民主制度
机构 * School of Computer Science, University of Leeds（计算机科学学院，利兹大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Huddersfield（赫德斯菲尔德大学） ； University of Fribourg（弗里堡大学）
AI总结 本文提出通过累积投票和等份额方法等公平选举方式，提升民主制度的效率和代表性。
Comments Includes Supplementary Information
What Do Prosody and Text Convey? Characterizing How Meaningful Information is Distributed Across Multiple Channels
语调和文本传达什么？如何表征意义信息在多个通道中的分布
机构 * UC San Diego（UC圣地亚哥大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Georgetown University（乔治·华盛顿大学）
AI总结 本文提出信息论方法，量化语调和文本在传达讽刺、情绪和疑问性中的信息差异，发现语调在特定条件下信息量显著大于文本。
Stackelberg Learning from Human Feedback: Preference Optimization as a Sequential Game
基于人类反馈的Stackelberg学习：偏好优化作为连续博弈
机构 * ETH Zürich（苏黎世联邦理工学院）
AI总结 SLHF通过连续博弈框架实现偏好优化，优于RLHF和NLHF，在一致性、数据敏感性和鲁棒性方面具有优势，并在大规模语言模型中展示出强对齐能力。
Comments 10 pages, 5 tables, 1 figures
KarmaTS: A Universal Simulation Platform for Multivariate Time Series with Functional Causal Dynamics
KarmaTS：一种用于多变量时间序列的通用模拟平台，具有函数因果动态
机构 * School of Computation These authors contributed equally Information and Technology (CIT)（计算学院这些作者贡献平等信息与技术学院） ； Technical University of Munich Germany（慕尼黑技术大学德国） ； SCAI Lab D-HEST ETH Zurich Switzerland（苏黎世ETH Zurich的SCAI实验室） ； Digital Health Care and Rehabilitation Swiss Paraplegic Research (SPF) Switzerland（数字健康护理与康复瑞士瘫痪研究机构（SPF）瑞士）
AI总结 KarmaTS通过结合专家知识和算法提案，为多变量时间序列提供具有函数因果动态的通用模拟平台，支持因果干预和分布偏移下的模拟。
Journal ref Proceedings of Machine Learning Research 297, 2025
BigCodeArena: Unveiling More Reliable Human Preferences in Code Generation via Execution
BigCodeArena: 通过执行揭示更多可靠的代码生成人类偏好
机构 * Monash University（墨尔本大学） ； CSIRO’s Data61（CSIRO的数据61） ； Purdue University（普渡大学） ； Independent（独立） ； HKUST (Guangzhou)（香港科技大学（广州）） ； UCSD（加州大学圣地亚哥分校） ； UVA（弗吉尼亚大学） ； CNRS, France（法国国家科学研究中心） ； IBM ； Cisco（思科） ； Comenius University in Bratislava（布拉提斯拉瓦康门纽斯大学） ； University of Notre Dame（Notre Dame大学） ； Uber ； Tano Labs（Tano实验室） ； NUS（国立大学新加坡） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Tencent AI Lab（腾讯AI实验室） ； University of Washington（华盛顿大学） ； Nevsky Collective（Nevsky集体） ； ETH Zurich（苏黎世联邦理工学院） ； Detomo Inc（Detomo公司） ； University of Oxford（牛津大学） ； UIUC（伊利诺伊大学香槟分校） ； Google（谷歌） ； NVIDIA ； Singapore Management University（新加坡管理学院） ； ServiceNow Research（ServiceNow研究） ； Hugging Face
AI总结 BigCodeArena通过执行揭示更多可靠的代码生成人类偏好，提出自动评分基准评估LLM编码质量。
Comments Built with love by the BigCode community :)
Distributed Risk-Sensitive Safety Filters for Uncertain Discrete-Time Systems
分布式风险敏感安全滤波器用于不确定离散时间系统
机构 * Department of Electrical and Computer Engineering, College of Design and Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系，设计与工程学院） ； Learning & Adaptive Systems Group, Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系学习与自适应系统小组）
AI总结 本文提出一种分布式风险敏感安全滤波器，用于不确定离散时间多智能体系统，通过价值函数定义的控制屏障函数和两种替代策略确保安全性与鲁棒性。
Journal ref IEEE Control Systems Letters, vol. 9, pp. 1231-1236, 2025
Bandits with Preference Feedback: A Stackelberg Game Perspective
带有偏好反馈的多臂问题：从Stackelberg博弈视角出发
机构 * ETH Zurich（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）
AI总结 本文提出MAXMINLCB算法，通过Stackelberg博弈框架解决无限域和非线性奖励下的多臂问题，实现最优后悔保证和优越性能。
Comments In Proceedings of the 38th Conference on Neural Information Processing Systems (NeurIPS), 30 pages, 8 figures
UniDepthV2: Universal Monocular Metric Depth Estimation Made Simpler
UniDepthV2：使通用单目度量深度估计更简单
机构 * ETH Zürich（苏黎世联邦理工学院） ； Toyota Motor Europe（丰田欧洲公司） ； INSAIT ； Sofia University（索菲亚大学）
AI总结 UniDepthV2通过改进的架构和损失函数，实现了跨领域单目度量深度估计的高精度与泛化能力。
Comments arXiv admin note: substantial text overlap with arXiv:2403.18913
From Logits to Hierarchies: Hierarchical Clustering made Simple
从 logits 到层次结构：让层次聚类变得简单
机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； ETH AI Center, Zurich（苏黎世联邦理工学院人工智能中心）
AI总结 本文提出了一种基于预训练非层次聚类模型的轻量级方法，能够有效进行层次聚类，且无需微调，适用于任何输出 logit 的预训练聚类模型。
Comments ICML 2025 camera-ready version
A Spatio-Temporal Machine Learning Model for Mortgage Credit Risk: Default Probabilities and Loan Portfolios
一种用于房贷信用风险的时空机器学习模型：违约概率与贷款组合
机构 * Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学） ； University of Basel（巴塞尔大学） ； Seminar for Statistics, ETH Zurich（统计学系，苏黎世联邦理工学院）
AI总结 本文提出一种结合树提升与潜在时空高斯过程的机器学习模型，用于更准确地预测房贷违约概率和贷款组合损失分布。
gridfm-datakit-v1: A Python Library for Scalable and Realistic Power Flow and Optimal Power Flow Data Generation
gridfm-datakit-v1: 一种用于可扩展和真实功率流和最优功率流数据生成的Python库
机构 * IBM Research（IBM研究院） ； ETH Zurich（苏黎世联邦理工学院） ； RSE S.p.A.（RSE公司） ； Hydro-Québec Research Institute（魁北克水电研究所） ； Argonne National Laboratory（阿贡国家实验室） ； Harvard University（哈佛大学） ； Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室）
AI总结 gridfm-datakit-v1是一种用于生成真实且多样化的功率流和最优功率流数据集的Python库，旨在提升机器学习求解器的泛化能力。
Comments Main equal contributors: Alban Puech, Matteo Mazzonelli. Other equal contributors: Celia Cintas, Tamara R. Govindasamy, Mangaliso Mngomezulu, Jonas Weiss
Structured Sparse Transition Matrices to Enable State Tracking in State-Space Models
结构稀疏转移矩阵用于实现状态空间模型中的状态跟踪
机构 * IBM Research – Zurich（IBM瑞士研究中心） ； Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系）
AI总结 PD-SSM通过结构稀疏参数化转移矩阵，实现高效的状态跟踪，提升FSA模拟能力并优化计算成本。
Comments 10 pages, NeurIPS 2025 Spotlight
DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis
DBT-DINO：面向数字乳腺断层摄影的基于基础模型的分析
机构 * Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（阿提诺拉·A·马丁诺生物医学影像中心、麻省总医院和哈佛医学院） ； Department of Radiology, Charité - Universitätsmedizin Berlin（放射科、柏林夏里特大学医学院） ； Mass General Brigham Data Science Office（麻省总医院数据科学办公室） ； Department of Computer Science, Institute for Machine Learning, ETH Zürich（计算机科学系、机器学习研究所、苏黎世联邦理工学院） ； Massachusetts General Hospital Cancer Center and Harvard Medical School（麻省总医院癌症中心和哈佛医学院） ； Department of Radiology, Massachusetts General Hospital（放射科、麻省总医院） ； Department of Radiology, University of Wisconsin School of Medicine and Public Health（放射科、威斯康星大学医学与公共卫生学院）
AI总结 DBT-DINO是首个针对数字乳腺断层摄影的基础模型，展示了在乳腺密度分类和乳腺癌风险预测上的优越性能，但领域特定预训练在病变检测任务中效果不一。
Differentiable Material Point Method for the Control of Deformable Objects
可微材料点法用于可变形物体的控制
机构 * Centre for Artificial Intelligence, ZHAW（人工智能中心，ZHAW） ； Advanced Manufacturing Laboratory, ETH Zürich（先进制造实验室，ETH Zurich）
AI总结 本文提出了一种可微材料点法模拟器，用于高效优化超弹性绳的控制轨迹，显著提升能量效率并降低计算成本。
Comments 7 Pages, 4 Figures, 1 Table
