EPFL（洛桑联邦理工学院）

Surface-Based Manipulation with Modular Foldable Robots

基于模块化可折叠机器人的表面操控

Ziqiao Wang, Serhat Demirtas, Fabio Zuliani, Jamie Paik

机构 * Swiss Federal Institute of Technology Lausanne (EPFL)（瑞士联邦理工学院洛桑分校） 纠错

AI总结 本文提出了一种基于模块化可折叠机器人的表面操控方法，通过调整表面位置和方向实现物体的稳定操控，适用于各种形状和刚度的物体。

Comments This manuscript has been published in npj Robotics. Supplementary video: https://www.youtube.com/watch?v=2TPTBqp84BY

Journal ref npj Robot 4, 3 (2026)

Integrating Machine-Generated Short Descriptions into the Wikipedia Android App: A Pilot Deployment of Descartes

将机器生成的简短描述整合到维基百科Android应用中：Descartes的试点部署

Marija Šakota, Dmitry Brant, Cooltey Feng, Shay Nowick, Amal Ramadan, Robin Schoenbaechler, Joseph Seddon, Jazmin Tanner, Isaac Johnson, Robert West

机构 * EPFL（苏黎世联邦理工学院） ； Wikimedia Foundation（维基媒体基金会） 纠错

AI总结 Descartes模型通过提供机器生成的简短描述建议，帮助维基百科编辑提高内容质量，试点结果显示其在12种语言中有效减少内容缺口。

Variational Autoencoder with Normalizing flow for X-ray spectral fitting

带有归一化流的变分自编码器用于X射线光谱拟合

Fiona Redmen, Ethan Tregidga, James F. Steiner, Cecilia Garraffo

机构 * Department of Physics & Astronomy University of Southampton（物理与天文学系 英国南安普顿大学） ； Laboratoire d’astrophysique EPFL（天体物理学实验室 EPFL） ； Harvard-Smithsonian Center for Astrophysics（哈佛-史密松天体物理中心） 纠错

AI总结 本文提出一种基于变分自编码器和归一化流的模型，用于高效X射线光谱拟合，实现快速且精确的光谱重建。

Comments 7 pages, 1 table, 3 figures. Accepted as a workshop paper to Machine Learning and the Physical Sciences at NeurIPS 2025

MixRI: Mixing Features of Reference Images for Novel Object Pose Estimation

MixRI：用于新颖物体姿态估计的参考图像特征混合

Xinhang Liu, Jiawei Shi, Zheng Dang, Yuchao Dai

机构 * School of Electronics and Information, Northwestern Polytechnical University（电子与信息学院，西北工业大学） ； Shaanxi Key Laboratory of Information Acquisition and Processing（陕西省信息获取与处理重点实验室） ； CVLab, EPFL, Switzerland（EPFL瑞士计算机视觉实验室） 纠错

AI总结 MixRI通过轻量级网络和参考图像融合策略，实现新颖物体姿态估计，减少计算和存储需求，同时保持与传统方法相当的性能。

Comments Accepted by ICCV 2025

Journal ref Proceedings of the IEEE/CVF International Conference on Computer Vision (2025) 9024--9035

A High Dimensional Statistical Model for Adversarial Training: Geometry and Trade-Offs

高维统计模型用于对抗训练：几何与权衡

Kasimir Tanner, Matteo Vilucchio, Bruno Loureiro, Florent Krzakala

机构 * Kasimir Tanner Information Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息学习与物理实验室，瑞士联邦理工学院（EPFL）） ； Matteo Vilucchio Information Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息学习与物理实验室，瑞士联邦理工学院（EPFL）） ； Bruno Loureiro Departement d’Informatique, École Normale Supérieure, PSL & CNRS（信息系，巴黎高等师范学院，PSL与CNRS） ； Florent Krzakala Information Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息学习与物理实验室，瑞士联邦理工学院（EPFL）） 纠错

AI总结 本文提出了一种高维统计模型，用于分析对抗训练中的几何权衡，揭示了多特征类型对鲁棒性和准确性的影响。

Journal ref In Proceedings of Machine Learning Research (AISTATS 2025), vol. 258, pp. 2530-2538, 2025

False Negative Reduction in Semantic Segmentation under Domain Shift using Depth Estimation

利用深度估计减少语义分割中域移时的假阴性

Kira Maag, Matthias Rottmann

机构 * Ruhr University Bochum（博尔塔伦大学波恩姆大学） ； University of Wuppertal（乌珀塔尔大学） ； EPFL（瑞士联邦理工学院） 纠错

AI总结 通过单目深度估计减少域移时语义分割中的假阴性，提升分割精度和泛化能力。

Asymptotics of Non-Convex Generalized Linear Models in High-Dimensions: A proof of the replica formula

非凸广义线性模型在高维中的渐进行为：复制公式的一个证明

Matteo Vilucchio, Yatin Dandi, Matéo Pirio Rossignol, Cedric Gerbelot, Florent Krzakala

机构 * Information Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息学习与物理实验室，瑞士联邦理工学院（EPFL）） ； Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（计算统计物理实验室，瑞士联邦理工学院（EPFL）） ； Unité de Mathématiques Pures et Appliquées, École Normale Supérieure de Lyon (ENS)（数学纯与应用单位，里昂高等师范学院（ENS）） 纠错

AI总结 本文通过严格证明非凸GLMs的复制对称公式，展示了其在高维优化中的有效性，并通过Tukey损失、负则正则化和线性化AMP算法的应用，验证了统计物理预测在非凸问题中的正确性。

Comments In this revised version assumptions have been relaxed, and the analysis now relies on the most general condition ensuring the existence of the proximal operators. Several other minor edits and clarifications were also made