DT-ICU: Towards Explainable Digital Twins for ICU Patient Monitoring via Multi-Modal and Multi-Task Iterative Inference
DT-ICU：通过多模态和多任务迭代推理实现ICU患者监测的可解释数字孪生
机构 * ETH Zurich（苏黎世联邦理工学院）
AI总结 DT-ICU通过多模态和多任务迭代推理实现ICU患者监测的可解释数字孪生，提升了预测的准确性和可解释性。
高校专区
ETH Zurich（苏黎世联邦理工学院）
Tab-TRM: Tiny Recursive Model for Insurance Pricing on Tabular Data
Tab-TRM：表格数据上的保险定价小型递归模型
机构 * insureAI ； Department of Mathematics, ETH Zurich（数学系，苏黎世联邦理工学院）
AI总结 Tab-TRM是一种基于递归推理的保险定价模型，结合传统精算方法与现代机器学习技术，通过迭代优化实现高效准确的保险定价。
Comments 30 pages
Reinforcement Learning for Micro-Level Claims Reserving
微级别理赔准备金的强化学习
机构 * Centre for Actuarial Studies, Department of Economics, The University of Melbourne（澳大利亚墨尔本大学经济系精算研究所以及精算研究中心） ； University of the Witwatersrand（沃斯兰德大学） ； School of Risk and Actuarial Studies, UNSW Australia Business School, UNSW Sydney（新南威尔士大学悉尼分校商学院风险与精算研究所以及精算研究学院） ； Department of Mathematics, ETH Zurich（苏黎世联邦理工学院数学系）
AI总结 本文提出一种基于强化学习的微级别理赔准备金计算方法，通过马尔可夫决策过程提升未决赔款准备金估计的准确性和稳定性，适用于保险精算实践。
Personalized Spiking Neural Networks with Ferroelectric Synapses for EEG Signal Processing
具有铁电突触的个性化脉冲神经网络用于EEG信号处理
机构 * Integrated Systems Laboratory, Department of Information Technology and Electrical Engineering, ETH Zürich（集成系统实验室，信息科技与电气工程系，苏黎世联邦理工学院）
AI总结 本文提出利用铁电突触实现个性化EEG信号处理，通过设备感知训练和权重迁移策略，在资源受限平台实现高效自适应SNN解码。
LangHOPS: Language Grounded Hierarchical Open-Vocabulary Part Segmentation
LangHOPS: 语言引导的层次开放词汇部件分割
机构 * INSAIT ； Sofia University "St. Kliment Ohridski"（索菲亚大学"圣克莱门特·欧里迪斯基"） ； ETH Zurich（苏黎世联邦理工学院） ； TU Munich（慕尼黑技术大学） ； Toyota Motor Europe（丰田欧洲公司）
AI总结 LangHOPS通过多模态大语言模型实现开放词汇物体-部件实例分割，取得领域内和跨数据集的优异性能。
Comments 10 pages, 5 figures, 14 tables, Neurips 2025
Bayesian Surrogates for Risk-Aware Pre-Assessment of Aging Bridge Portfolios
贝叶斯代理用于风险意识的桥梁资产老化预评估
机构 * Institute of Structural Engineering, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院结构工程研究所） ； Computational Design Lab, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院计算设计实验室） ； Design ++, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院设计++） ； Institute of Structural Mechanics and Design, TU Darmstadt, Germany（德国达姆施塔特技术大学结构力学与设计研究所） ； Department of Computer Science, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院计算机科学系） ； Bank for International Settlements, Switzerland（瑞士国际清算银行）
AI总结 本文提出贝叶斯神经网络代理用于快速评估桥梁资产老化风险，通过校准不确定性实现高效预评估，减少整体成本和排放。
Comments Accepted at the NeurIPS 2025 Workshop on MLxOR: Mathematical Foundations and Operational Integration of Machine Learning for Uncertainty-Aware Decision-Making
SAD Neural Networks: Divergent Gradient Flows and Asymptotic Optimality via o-minimal Structures
SAD神经网络：通过o-最小结构实现的分歧梯度流和渐近最优性
机构 * Department of Information Systems, University of Münster, Germany（慕尼黑大学信息系统系） ； Applied Mathematics: Institute for Analysis and Numerics, University of Münster, Germany（慕尼黑大学应用数学系） ； RiskLab Switzerland, ETH Zürich, Switzerland（苏黎世联邦理工学院瑞士风险实验室） ； Applied Mathematics: Institute for Mathematical Stochastics, University of Münster, Germany（慕尼黑大学应用数学系） ； School of Data Science and School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen), China（香港中文大学（深圳）数据科学学院和人工智能学院）
AI总结 SAD神经网络通过o-最小结构的几何特性，证明了梯度流在特定条件下会发散到无穷大，揭示了神经网络损失优化的渐近最优性。
Comments Accepted for NeurIPS 2025, 30 pages, 6 figures. The result about continuous data distributions now has an additional assumption since a gap was identified in a previous version of the proof
Scalable Outdoors Autonomous Drone Flight with Visual-Inertial SLAM and Dense Submaps Built without LiDAR
可扩展的户外自主无人机飞行：基于视觉-惯性SLAM和无LiDAR的密集子地图构建
机构 * Technical University of Munich（技术大学慕尼黑） ； School of Computation, Information and Technology（计算、信息与技术学院） ； Mobile Robotics Lab（移动机器人实验室） ； Department of Computing（计算学院） ； Imperial College London（伦敦帝国学院） ； Department of Mechanical and Process Engineering（机械与过程工程学院） ； ETH Zurich（苏黎世联邦理工学院） ； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 本文提出了一种基于视觉-惯性SLAM和无LiDAR的自主无人机系统，实现户外复杂环境下的大规模自主导航和路径规划。
Comments 8 pages, 8 figures
A Convex Framework for Confounding Robust Inference
一种对抗性鲁棒推断的凸框架
机构 * Department of Mathematics ETH Zurich（苏黎世联邦理工学院数学系） ； Department of Computer Science ETH Zurich（苏黎世联邦理工学院计算机科学系） ； School of Computing Institute of Science Tokyo（东京科学大学计算学部） ； RIKEN AIP（日本理化学研究所AIP）
AI总结 本文提出了一种基于凸规划的通用估计器，用于在存在未观测混杂因素的情况下提供策略价值的精确下界，并通过经验风险最小化实现理论保证。
Comments This is an extended version of the following work https://proceedings.mlr.press/v206/ishikawa23a.html. arXiv admin note: text overlap with arXiv:2302.13348
