EPFL（洛桑联邦理工学院）

Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles

基于机器学习的预测无机合成（小数据集应用）：铜纳米颗粒尺寸控制的案例研究

Brent Motmans, Digvijay Ghogare, Thijs G. I. van Wijk, Joren Van Herck, Pieter De Meyer, Berend Smit, An Hardy, Danny E. P. Vanpoucke

机构 * Hasselt University, Institute for Materials Research (IUMAT), Quantum \& Artificial inTelligence design Of Materials (QuATOMs), Martelarenlaan 42, B-3500 Hasselt, Belgium ； Hasselt University, Institute for Materials Research (IUMAT), Hybrid Materials Design (HyMaD), Martelarenlaan 42, B-3500 Hasselt, Belgium ； Hasselt University, Institute for Materials Research (IUMAT), Design ； Electrochemistry Excellence Centre (ELEC), Materials \& Chemistry Unit, Flemish Institute for Technological Research (VITO), Boeretang 200, Mol, 2400 Belgium ； Laboratory of Molecular Simulation (LSMO), Institut des Sciences et Ingénierie Chimiques, École Polytechnique Fédérale de Lausanne (EPFL), Rue de l’Industrie 17, CH-1951 Sion, Switzerland 纠错

AI总结 本研究利用小数据集和传统机器学习方法，成功预测了铜纳米颗粒的尺寸，展示了在数据有限条件下，传统ML方法在合成控制中的有效性。

Comments 23 pages, 17 figures, 13 tables (including SI)

A Survey of Behavior Foundation Model: Next-Generation Whole-Body Control System of Humanoid Robots

人形机器人行为基础模型综述：下一代全身体控系统

Mingqi Yuan, Tao Yu, Wenqi Ge, Xiuyong Yao, Huijiang Wang, Jiayu Chen, Bo Li, Wei Zhang, Wenjun Zeng, Hua Chen, Xin Jin

机构 * Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； LimX Dynamics ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院、东部技术研究所） ； Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系） ； CREATE Lab, EPFL（EPFL CREATE 实验室） ； School of System Design and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学系统设计与智能制造学院） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC研究院） ； INFIFORCE Intelligent Technology Co., Ltd.（INFIFORCE智能科技有限公司） 纠错

AI总结 本文综述了人形机器人全身体控中行为基础模型的发展，探讨了其在复杂任务中的应用及未来研究方向。

Comments 19 pages, 10 figures

Journal ref IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2025

The Benefits of Diversity: Combining Comparisons and Ratings for Efficient Scoring

多样性的好处：结合比较与评分以实现高效的评分

Julien Fageot, Matthias Grossglauser, Lê-Nguyên Hoang, Matteo Tacchi-Bénard, Oscar Villemaud

机构 * EPFL（苏黎世联邦理工学院） ； Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； CNRS（法国国家科学研究中心） ； Grenoble INP（格勒诺布尔国立理工学院） ； GIPSA-lab（格勒诺布尔实验室） 纠错

AI总结 SCoRa通过结合比较和评分提升评分效率，实验证明其在模型不匹配情况下仍能准确恢复评分。

Comments 1 table, 5 figures, 8 pages

Which private attributes do VLMs agree on and predict well?

VLMs在哪些隐私属性上达成一致并预测良好？

Olena Hrynenko, Darya Baranouskaya, Alina Elena Baia, Andrea Cavallaro

机构 * EPFL（苏黎世联邦理工学院） ； Idiap Research Institute（Idiap研究机构） 纠错

AI总结 本文研究了VLMs在隐私属性识别上的表现，发现其在某些属性上与人类标注一致且预测准确，可辅助大规模图像数据集的隐私标注。

Comments This work has been accepted to the ICASSP 2026

MaD-Mix: Multi-Modal Data Mixtures via Latent Space Coupling for Vision-Language Model Training

MaD-Mix: 通过潜在空间耦合实现多模态数据混合用于视觉-语言模型训练

Wanyun Xie, Francesco Tonin, Volkan Cevher

机构 * LIONS, EPFL（EPFL 雷奥尼实验室） 纠错

AI总结 MaD-Mix通过潜在空间耦合实现多模态数据混合，提升视觉-语言模型训练效率，减少训练步骤并增强复杂场景下的性能。

CoLF: Learning Consistent Leader-Follower Policies for Vision-Language-Guided Multi-Robot Cooperative Transport

CoLF: 为视觉-语言引导的多机器人协作运输学习一致的领导者-跟随者策略

Joachim Yann Despature, Kazuki Shibata, Takamitsu Matsubara

机构 * Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology (NAIST)（信息科学系，科学技术研究生学校，科学与技术国立研究所（NAIST）） ； École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） 纠错

AI总结 CoLF 通过不对称策略和互信息训练目标，为多机器人协作运输提供稳定领导者-跟随者角色区分的强化学习框架。

Comments 9 pages, 5 figures

Gaussian Match-and-Copy: A Minimalist Benchmark for Studying Transformer Induction

高斯匹配与复制：一种研究Transformer归纳的极简基准

Antoine Gonon, Alexandre Cordonnier, Nicolas Boumal

机构 * Institute of Mathematics, EPFL, Switzerland（数学研究所，瑞士联邦理工学院） 纠错

AI总结 本文提出高斯匹配与复制基准，用于研究Transformer的匹配与复制机制，通过隔离长距离检索信号，分析模型在检索能力上的差异。

RAP: 3D Rasterization Augmented End-to-End Planning

RAP: 3D 像素化增强端到端规划

Lan Feng, Yang Gao, Eloi Zablocki, Quanyi Li, Wuyang Li, Sichao Liu, Matthieu Cord, Alexandre Alahi

机构 * EPFL（苏黎世联邦理工学院） ； Sorbonne Université（索邦大学） 纠错

AI总结 RAP通过3D像素化增强端到端规划，利用轻量级像素化和特征对齐实现可扩展的数据增强，提升闭环鲁棒性和长尾泛化能力。

Capability-Based Scaling Trends for LLM-Based Red-Teaming

基于能力的LLM红队测试规模趋势

Alexander Panfilov, Paul Kassianik, Maksym Andriushchenko, Jonas Geiping

机构 * ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） ； Foundation AI – Cisco Systems Inc.（AI基础研究机构——思科系统公司） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 研究通过分析攻击者与目标模型能力差距，揭示了红队测试中攻击成功率随模型能力变化的趋势，提出jailbreaking scaling曲线以预测攻击效果。

Comments Published as a conference paper at ICLR 2026

Federated Prompt-Tuning with Heterogeneous and Incomplete Multimodal Client Data

联邦提示调优与异构且不完整多模态客户端数据

Thu Hang Phung, Duong M. Nguyen, Thanh Trung Huynh, Quoc Viet Hung Nguyen, Trong Nghia Hoang, Phi Le Nguyen

机构 * Institute of AI Innovation and Societal Impact, Hanoi University of Science and Technology（人工智能创新与社会影响研究院，河内科学技术大学） ； EPFL（瑞士联邦理工学院） ； Griffith University（格里菲斯大学） ； Washington State University（华盛顿州立大学） 纠错

AI总结 本文提出联邦提示调优框架，解决异构多模态数据中特征缺失分布不一致的问题，通过客户端调优与服务器聚合提升多模态提示调优效果。