11:31
官方账号arXiv cs.LG@Quang Bui, Sparsh Roy, Akash Gundimeda, Davin Yin
推荐理由：这篇论文用严格的对照实验告诉你：扩散模型在约束求解里什么时候有用、什么时候没用，结果很反直觉——真实系统里随机多起点反而全赢了。做AI for science和优化的人值得看看。
随机搜索
共 2 条相关 AI 资讯
7月30日
11:31
该论文研究了基于扩散模型的提议在连续代数约束求解中的有效性。在候选条件修复排序中，K个增强选项的排名器以少量调用达到穷举搜索上限：平衡非线性菜单准确率0.997 vs 0.236（p<10^-70），多种子平均0.982±0.006。提出的MARC系统将约束转化为因子图，用图神经扩散去噪器提出赋值，再通过精确计算机代数能量下降优化并由符号检查器验证。与随机多起点相比，学习式提议只在高维空间明显胜出（低维持平，变量耦合时优势消失）。在八个真实系统（机器人、定位、优化、代数）中，经典随机多起点全部求解，无一处于学习有利区间。
6月10日
09:39
09:39
官方账号arXiv cs.LG@Irina Piontkovskaia, Sergey Nikolenko
精选
推荐理由：做模型微调或可解释性研究的团队会感兴趣——它揭示了LoRA和激活导向的线性假设为何局部成立但全局不成立，建议在调试任务向量时参考其轨迹前缀基方法。