EPFL（洛桑联邦理工学院）

Beyond Holistic Scores: Automatic Trait-Based Quality Scoring of Argumentative Essays

超越整体评分：自动基于特质的质量评分论说作文

Lucile Favero, Juan Antonio Pérez-Ortiz, Tanja Käser, Nuria Oliver

机构 * ELLIS Alicante（埃利斯阿尔瓦雷斯） ； Universitat d'Alacant（阿尔瓦雷斯大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） 纠错

AI总结 本文提出基于特征的自动论说作文评分方法，通过两种建模范式提升评分准确性，并展示小型LLM在无需微调下的竞争力。

Mosaic Learning: A Framework for Decentralized Learning with Model Fragmentation

碎片化学习：一种用于去中心化学习的框架

Sayan Biswas, Davide Frey, Romaric Gaudel, Nirupam Gupta, Anne-Marie Kermarrec, Dimitri Lerévérend, Rafael Pires, Rishi Sharma, François Taïani, Martijn de Vos

机构 * École Polytechnique Fédérale de Lausanne (EPFL), Switzerland（瑞士联邦理工学院洛桑分校） ； Univ Rennes, Inria, CNRS, IRISA, France（法国里尔大学、法国国家科学研究中心、法国信息与自动化研究所） ； University of Copenhagen, Denmark（丹麦哥本哈根大学） 纠错

AI总结 Mosaic学习通过碎片化模型分解，提升去中心化学习的性能，实现更高的测试准确率和更高效的通信

Generalized Gradient Norm Clipping & Non-Euclidean $(L_0,L_1)$-Smoothness

广义梯度范数截断与非欧几里得$(L_0,L_1)$-平滑性

Thomas Pethick, Wanyun Xie, Mete Erdogan, Kimon Antonakopoulos, Antonio Silveti-Falls, Volkan Cevher

机构 * EPFL (LIONS)（苏黎世联邦理工学院（LIONS）） ； Université Paris-Saclay (CVN)（巴黎-萨克雷大学（CVN）） 纠错

AI总结 本文提出了一种结合最速下降与条件梯度的非欧几里得优化方法，通过广义$(L_0,L_1)$-平滑性实现梯度范数截断的扩展，并在深度学习中展示了其收敛性和应用效果。

SuperPoint-E: local features for 3D reconstruction via tracking adaptation in endoscopy

SuperPoint-E：通过内窥镜跟踪适应进行3D重建的局部特征

O. Leon Barbed, José M. M. Montiel, Pascal Fua, Ana C. Murillo

机构 * University of Zaragoza（萨拉戈萨大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 SuperPoint-E通过跟踪适应策略提升内窥镜视频中3D重建的特征提取性能，实现更密集和更精确的重建结果。

Comments 12 pages, 5 tables, 6 figures

All-Atom GPCR-Ligand Simulation via Residual Isometric Latent Flow

通过残差等距潜在流进行全部原子G蛋白偶联受体-配体模拟

Jiying Zhang, Shuhao Zhang, Pierre Vandergheynst, Patrick Barth

机构 * Swiss Federal Institute of Technology (EPFL)（瑞士联邦理工学院（EPFL）） 纠错

AI总结 本文提出GPCRLMD框架，利用残差等距潜在流实现高效全部原子GPCR-配体模拟，准确再现热力学性质与关键相互作用。

Comments 36 pages

Byzantine Machine Learning: MultiKrum and an optimal notion of robustness

拜占庭机器学习：MultiKrum 与最优鲁棒性概念

Gilles Bareilles, Wassim Bouaziz, Julien Fageot, El-Mahdi El-Mhamdi

机构 * EPFL（瑞士联邦理工学院） 纠错

AI总结 本研究首次证明MultiKrum是一种稳健的聚合规则，并界定了其鲁棒性系数，同时改进了Krum的鲁棒性系数界。