ETH Zurich（苏黎世联邦理工学院）

Training slow silicon neurons to control extremely fast robots with spiking reinforcement learning

训练慢硅神经元以通过脉冲强化学习控制极快的机器人

Irene Ambrosini, Ingo Blakowski, Dmitrii Zendrikov, Cristiano Capone, Luna Gava, Giacomo Indiveri, Chiara De Luca, Chiara Bartolozzi

机构 * Institute of Neuroinformatics, UZH and ETH Zurich（神经信息研究所，苏黎世联邦理工学院和苏黎世联邦理工学院） ； Istituto Italiano di Tecnologia（意大利技术研究所） ； Technical University of Munich（慕尼黑技术大学） ； Natl. Center for Radiation Protection and Computational Physics, Istituto Superiore di Sanità（辐射防护与计算物理国家中心，意大利卫生超级研究所） ； Digital Society Initiative, University of Zurich（数字社会倡议，苏黎世大学） 纠错

AI总结 通过脉冲强化学习训练慢硅神经元，实现高速机器人控制，展示脑启发方法在快速互动任务中的有效性。

Fast and Geometrically Grounded Lorentz Neural Networks

快速且几何上 grounded 的 Lorentz 神经网络

Robert van der Klis, Ricardo Chávez Torres, Max van Spengler, Yuhui Ding, Thomas Hofmann, Pascal Mettes

机构 * University of Amsterdam（阿姆斯特丹大学） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 本文提出了一种新的 Lorentz 线性层，通过距离到超平面的公式，解决了双曲神经网络中输出范数随梯度步数增长的问题，从而实现了高效的双曲几何神经网络。

Comments 19 pages, 4 figures

Uncovering Hidden Correctness in LLM Causal Reasoning via Symbolic Verification

通过符号验证揭示LLM因果推理中的隐藏正确性

Paul He, Yinya Huang, Mrinmaya Sachan, Zhijing Jin

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； ETH Zürich（苏黎世联邦理工学院） ； MPI for Intelligent Systems（智能系统研究所） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） 纠错

AI总结 本文提出DoVerifier，通过符号验证揭示LLM因果推理中的隐藏正确性，提升因果推理评估的严谨性与信息量。

Comments EACL 2026 Main

Snowball: A Scalable All-to-All Ising Machine with Dual-Mode Markov Chain Monte Carlo Spin Selection and Asynchronous Spin Updates for Fast Combinatorial Optimization

Snowball：一种可扩展的全对全Ising机器，采用双模式马尔可夫链蒙特卡洛自旋选择与异步自旋更新以实现快速组合优化

Seungki Hong, Kyeongwon Jeong, Taekwang Jang

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 Snowball通过双模式马尔可夫链蒙特卡洛自旋选择和异步自旋更新，实现快速组合优化的可扩展Ising机器。

Enhancing Semantic Segmentation with Continual Self-Supervised Pre-training

通过持续自监督预训练增强语义分割

Brown Ebouky, Ajad Chhatkuli, Cristiano Malossi, Christoph Studer, Roy Assaf, Andrea Bartezzaghi

机构 * ETH Zurich（苏黎世联邦理工学院） ； IBM Research – Zurich（IBM瑞士研究实验室） 纠错

AI总结 本文提出GLARE，一种持续自监督预训练任务，用于提升语义分割性能，通过块级增强和区域一致性约束，结合轻量级适配器模块，实现低数据域下的高效适应。

Comments 23 pages, 5 figures