ETH Zurich（苏黎世联邦理工学院）

JUCAL: Jointly Calibrating Aleatoric and Epistemic Uncertainty in Classification Tasks

JUCAL: 在分类任务中联合校准偶然不确定性和本质不确定性

Jakob Heiss, Sören Lambrecht, Jakob Weissteiner, Hanna Wutte, Žan Žurič, Josef Teichmann, Bin Yu

机构 * UC Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） ； UBS Zurich（瑞士联合银行 Zurich 分部） ； Kaiju Worldwide（Kaiju 全球） 纠错

AI总结 JUCAL通过联合校准偶然和本质不确定性，提升分类任务中预测不确定性的准确性。

Comments 11 pages + appendix. Preliminary version of an ongoing project that will be expanded with furhter evaluations

WildOS: Open-Vocabulary Object Search in the Wild

WildOS: 野外环境中的开放词汇物体搜索

Hardik Shah, Erica Tevere, Deegan Atha, Marcel Kaufmann, Shehryar Khattak, Manthan Patel, Marco Hutter, Jonas Frey, Patrick Spieler

机构 * Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） ； Swiss Federal Institute of Technology（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； FieldAI Inc.（FieldAI公司） ； Stanford University（斯坦福大学） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 WildOS通过结合安全几何探索与语义视觉推理，实现野外环境中的开放词汇物体搜索，显著提升导航效率和自主性。

Comments 28 pages, 16 figures, 2 tables

Accidental Vulnerability: Factors in Fine-Tuning that Shift Model Safeguards

意外漏洞：影响微调的因子

Punya Syon Pandey, Samuel Simko, Kellin Pelrine, 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） ； FAR AI（FAR人工智能公司） ； McGill University（麦吉尔大学） ； MILA（蒙特利尔人工智能研究院） ； Max Planck Institute for Intelligent Systems, Tübingen, Germany（图宾根德国智能系统研究所） 纠错

AI总结 研究意外漏洞，揭示微调数据集特征对模型安全性和对抗鲁棒性的影响

Comments Second Conference of the International Association for Safe and Ethical Artificial Intelligence (IASEAI 2026)

Calibrating Large Language Models with Sample Consistency

通过样本一致性校准大型语言模型

Qing Lyu, Kumar Shridhar, Chaitanya Malaviya, Li Zhang, Yanai Elazar, Niket Tandon, Marianna Apidianaki, Mrinmaya Sachan, Chris Callison-Burch

机构 * University of Pennsylvania（宾夕法尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 通过样本一致性方法提升大型语言模型的校准效果，改进其预测置信度评估和性能表现。

Comments AAAI 2024

See-in-Pairs: Reference Image-Guided Comparative Vision-Language Models for Medical Diagnosis

See-in-Pairs: 用于医学诊断的参考图像引导的比较视觉-语言模型

Ruinan Jin, Gexin Huang, Xinwei Shen, Qiong Zhang, Yan Shuo Tan, Xiaoxiao Li

机构 * Electrical and Computer Engineering Department, The University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系） ； Vector Institute（向量研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Renmin University of China（中国人民大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 See-in-Pairs通过引入参考图像引导的比较机制，提升医学视觉-语言模型的诊断性能，增强样本效率和视觉-文本对齐。

Comments 25 pages, four figures

vCache: Verified Semantic Prompt Caching

vCache: 验证的语义提示缓存

Luis Gaspar Schroeder, Aditya Desai, Alejandro Cuadron, Kyle Chu, Shu Liu, Mark Zhao, Stephan Krusche, Alfons Kemper, Matei Zaharia, Joseph E. Gonzalez

机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学） ； ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 vCache是一种具有用户定义误差率保证的验证语义缓存，通过在线学习算法动态优化阈值，实现更高的缓存命中率和更低的错误率。

Comments ICLR 2026 (accepted)

MEt3R: Measuring Multi-View Consistency in Generated Images

MEt3R：测量生成图像的多视图一致性

Mohammad Asim, Christopher Wewer, Thomas Wimmer, Bernt Schiele, Jan Eric Lenssen

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarland Informatics Campus（萨尔州信息校园） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 MEt3R是一种用于评估生成图像多视图一致性的新指标，通过密集3D重建和特征比较，独立于场景和采样过程，评估生成模型的质量。

Comments Project website: https://geometric-rl.mpi-inf.mpg.de/met3r/ Updated to Camera-Ready version

Geometry Distributions

几何分布

Biao Zhang, Jing Ren, Peter Wonka

机构 * KAUST（卡斯土尼亚大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种基于分布的几何数据表示方法，利用扩散模型学习表面点分布，以提升3D几何建模的精度和灵活性。

Comments Accepted to ICCV 2025. For the project site, see https://1zb.github.io/GeomDist/