EPFL（洛桑联邦理工学院）

On the Adversarial Robustness of Discrete Image Tokenizers

对离散图像标记器的对抗鲁棒性的研究

Rishika Bhagwatkar, Irina Rish, Nicolas Flammarion, Francesco Croce

机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； EPFL（苏黎世联邦理工学院） ； ELLIS Institute Finland - Aalto University（芬兰ELLIS研究所-阿莱大学） 纠错

AI总结 本文研究了离散图像标记器的对抗鲁棒性，提出了一种无监督对抗训练方法以提升其鲁棒性，适用于多种多模态任务。

Learning to Weight Parameters for Training Data Attribution

学习权重参数以训练数据归因

Shuangqi Li, Hieu Le, Jingyi Xu, Mathieu Salzmann

机构 * EPFL（苏黎世联邦理工学院） ； Stony Brook University（史蒂文斯理工学院） ； UNC Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 本文提出一种无需标注标签即可直接从数据学习参数重要性权重的方法，提升训练数据归因的准确性与细粒度分析能力。

Comments 31 pages

Journal ref ICLR 2026

Spectral Thresholds in Correlated Spiked Models and Fundamental Limits of Partial Least Squares

相关尖峰模型中的谱阈值与部分最小二乘法的基本限制

Pierre Mergny, Lenka Zdeborová

机构 * Pierre Mergny Information, Learning and Physics Laboratory (IdePHICS), EPFL, 1015 Lausanne, Switzerland（Pierre Mergny 信息、学习与物理实验室（IdePHICS），EPFL） ； Lenka Zdeborová Statistical Physics of Computation Laboratory (SPOC), EPFL, 1015 Lausanne, Switzerland（Lenka Zdeborová 统计物理计算实验室（SPOC），EPFL） 纠错

AI总结 该研究通过随机矩阵理论分析，揭示了部分最小二乘法在相关尖峰模型中的谱阈值及性能极限，发现PLS在特定条件下无法恢复信号，与贝叶斯最优估计器存在性能差距。

Comments 24 pages, 4 figures

Journal ref AISTATS 2026

Inference in Spreading Processes with Neural-Network Priors

基于神经网络先验的传播过程推断

Davide Ghio, Fabrizio Boncoraglio, Lenka Zdeborová

机构 * Information, Learning and Physics Laboratory. Ecole Polytechnique Fédérale de Lausanne (EPFL)（信息、学习与物理实验室。瑞士联邦理工学院） ； Statistical Physics of Computation Laboratory. Ecole Polytechnique Fédérale de Lausanne (EPFL)（计算统计物理实验室。瑞士联邦理工学院） 纠错

AI总结 本文提出基于神经网络先验的传播过程推断模型，通过混合信念传播和近似消息传递算法提升初始状态和传播轨迹的恢复能力。

Comments 26 pages, 13 figures

Journal ref Phys. Rev. E 113, 015301, 2026

Dataset distillation for memorized data: Soft labels can leak held-out teacher knowledge

数据蒸馏用于记忆数据：软标签可以泄露未见的教师知识

Freya Behrens, Lenka Zdeborová

机构 * Freya Behrens Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL), Switzerland（弗雷娅·贝亨斯 统计物理计算实验室，瑞士联邦理工学院（EPFL）） ； Lenka Zdeborová Statistical Physics of Computation Laboratory, École polytechnique fédérale de Lausanne (EPFL), Switzerland（伦卡·兹德博罗娃 统计物理计算实验室，瑞士联邦理工学院（EPFL）） 纠错

AI总结 本研究通过软标签蒸馏揭示了学生模型能有效学习并准确预测未见过的记忆数据，其效果依赖于温度参数，且在不同网络和数据设置下均保持稳定。

Comments 9 pages, 21 figures

Journal ref ICLR 2026

Statistical physics analysis of graph neural networks: Approaching optimality in the contextual stochastic block model

图神经网络的统计物理分析：在上下文随机块模型中接近最优性

O. Duranthon, L. Zdeborová

机构 * Statistical physics of computation laboratory, École polytechnique fédérale de Lausanne, Switzerland（计算物理实验室，瑞士联邦理工学院） 纠错

AI总结 本文通过统计物理方法分析图卷积网络在上下文随机块模型中的泛化性能，揭示了增加深度可接近贝叶斯最优性，并提出了一种基于动态平均场理论的连续极限处理方法。

Journal ref Phys. Rev. X 15, 041026, 2025