ETH Zurich（苏黎世联邦理工学院）

In-Network Collective Operations: Game Changer or Challenge for AI Workloads?

网络内集体操作：人工智能工作负载中的变革者还是挑战？

Torsten Hoefler, Mikhail Khalilov, Josiah Clark, Surendra Anubolu, Mohan Kalkunte, Karen Schramm, Eric Spada, Duncan Roweth, Keith Underwood, Adrian Caulfield, Abdul Kabbani, Amirreza Rastegari

机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） ； AMD（超威半导体） ； Broadcom Inc.（博通公司） ； Hewlett Packard Enterprise（惠普企业） 纠错

AI总结 本文探讨了网络内集体操作在人工智能工作负载中的潜力与挑战，分析了边缘和核心INC的性能优势及阻碍其应用的关键障碍，并预测其未来发展方向。

Journal ref IEEE Computer Jan. 2026

Rethinking Benchmarks for Differentially Private Image Classification

重新审视差分隐私图像分类的基准测试

Sabrina Mokhtari, Sara Kodeiri, Shubhankar Mohapatra, Florian Tramèr, Gautam Kamath

机构 * University of Waterloo（多伦多大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一套全面的差分隐私图像分类基准测试，评估不同设置下的技术有效性，并创建了公开排行榜以跟踪进展。

Journal ref IEEE Technical Committee on Data Engineering 2025

Problem Space Transformations for Out-of-Distribution Generalisation in Behavioural Cloning

行为克隆中面向分布外泛化的问题空间变换

Kiran Doshi, Marco Bagatella, Stelian Coros

机构 * Department of Computer Science at ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出通过问题空间变换提升行为克隆在分布外泛化中的性能，通过实验验证了姿态等价性和局部性对动作预测的改进作用。

Chaotic Hedging with Iterated Integrals and Neural Networks

基于迭代积分与神经网络的混沌对冲

Ariel Neufeld, Philipp Schmocker

机构 * Nanyang Technological University, Division of Mathematical Sciences（南洋理工大学数学科学学院） ； ETH Zurich, Department of Mathematics（苏黎世联邦理工学院数学系） 纠错

AI总结 本文提出利用迭代积分与神经网络近似金融衍生品的$L^p$-对冲问题，提供了一种通用近似方法。

DeFM: Learning Foundation Representations from Depth for Robotics

DeFM：从深度学习基础表示以供机器人应用

Manthan Patel, Jonas Frey, Mayank Mittal, Fan Yang, Alexander Hansson, Amir Bar, Cesar Cadena, Marco Hutter

机构 * Robotic Systems Lab (RSL), ETH Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； NVIDIA（NVIDIA公司） 纠错

AI总结 DeFM通过自监督学习从深度图像中学习基础表示，为机器人应用提供强大的泛化能力和仿真到现实的迁移性能。

Comments Under review, 19 pages, 15 Figures, 9 Tables