ETH Zurich（苏黎世联邦理工学院）

Instance-Dependent Regret Bounds for Nonstochastic Linear Partial Monitoring

实例依赖的非随机线性部分观察后悔界

Federico Di Gennaro, Khaled Eldowa, Nicolò Cesa-Bianchi

机构 * EPFL（苏黎世联邦理工学院） ； Università degli Studi di Milano（米兰大学） ； Politecnico di Milano（米兰理工大学） ； ETH Zürich（苏黎世联邦理工学院） ； Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； Inria（法国国家信息与自动化技术研究院） ； CNRS（法国国家科学研究中心） ； Grenoble INP（格勒诺布尔INP） ； LJK（实验室） 纠错

AI总结 本文提出了一种非随机线性部分观察问题的实例依赖后悔界，通过探索-优化方法实现了高效实现，并在不同游戏中达到了标准的√T和T^{2/3}速率。

In-Context Learning Enhanced Credibility Transformer

上下文学习增强的可信度变换器

Kishan Padayachy, Ronald Richman, Salvatore Scognamiglio, Mario V. Wüthrich

机构 * insureAI ； University of the Witwatersrand（沃特沙尔德大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种通过引入上下文学习机制增强可信度变换器的模型，以提升预测精度和泛化能力。

Environment as Policy: Learning to Race in Unseen Tracks

环境作为策略：在未见过的赛道上学习赛车

Hongze Wang, Jiaxu Xing, Nico Messikommer, Davide Scaramuzza

机构 * Robotics and Perception Group, Department of Informatics, University of Zurich（机器人感知组，信息学院，苏黎世大学） ； Department of Neuroinformatics, University of Zurich and ETH Zurich（神经信息学院，苏黎世大学和苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种自适应环境塑造框架，使无人机能够在未见过的赛道上高效学习赛车，通过动态调整训练环境提升泛化能力。

Comments Accepted at IEEE International Conference on Robotics and Automation (ICRA), 2025

Universal Dynamics of Warmup Stable Decay: understanding WSD beyond Transformers

Warmup Stable Decay 的普遍动态：在 Transformer 之外理解 WSD

Annalisa Belloni, Lorenzo Noci, Antonio Orvieto

机构 * MPI-IS Tübingen, Germany, ETH Zürich, Switzerland and Politecnico di Torino, Italy（马克斯·普朗克研究所（MPI-IS）图宾根，德国，瑞士苏黎世联邦理工学院（ETH Zürich）和意大利托里诺理工大学（Politecnico di Torino）） ； ETH Zürich, Switzerland（瑞士苏黎世联邦理工学院（ETH Zürich）） ； MPI-IS, ELLIS Institute Tübingen, Tübingen AI Center, Germany（马克斯·普朗克研究所（MPI-IS）图宾根，德国，图宾根人工智能中心（Tübingen AI Center）） 纠错

AI总结 本研究通过比较 Transformer 和 CNN 在 WSD 调度下的训练动态，揭示了非凸优化问题中损失景观的共同几何特征。

Comments Accepted at the 2025 HiLD and MOSS Workshops at ICML

Benchmarking Positional Encodings for GNNs and Graph Transformers

图神经网络和图变换器的定位编码基准测试

Florian Grötschla, Jiaqing Xie, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种统一的基准测试框架，用于评估图神经网络和图变换器中定位编码的效果，发现高表达性PEs在现实任务中可能表现不佳，同时识别出若干表现优异的简单模型-PE组合。

Comments Accepted at KDD 2026 Datasets & Benchmarks Track