Massachusetts Institute of Technology（麻省理工学院）

Deep FlexQP: Accelerated Nonlinear Programming via Deep Unfolding

Deep FlexQP：通过深度展开实现非线性规划的加速

Alex Oshin, Rahul Vodeb Ghosh, Augustinos D. Saravanos, Evangelos A. Theodorou

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 Deep FlexQP通过深度展开学习反馈策略，实现加速的非线性规划求解，优于现有方法并在多个基准测试中表现优异。

Comments Accepted to ICLR 2026

Distribution-Conditioned Transport

分布条件传输

Nic Fishman, Gokul Gowri, Paolo L. B. Fischer, Marinka Zitnik, Omar Abudayyeh, Jonathan Gootenberg

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝塞斯达以色列德acons医疗中心） ； Brigham and Women’s Hospital（布里格姆和妇女医院） 纠错

AI总结 DCT通过条件化传输映射实现分布泛化，适用于分布预测和生物学应用，提升模型泛化能力和半监督学习效果。

Count Bridges enable Modeling and Deconvolving Transcriptomic Data

计数桥使能够建模和解卷积转录组数据

Nic Fishman, Gokul Gowri, Tanush Kumar, Jiaqi Lu, Valentin de Bortoli, Jonathan S. Gootenberg, Omar Abudayyeh

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； CNRS（法国国家科学研究中心） ； Beth Israel Deaconess Medical Center（贝塞斯达以色列德acons医院） ； Brigham and Women’s Hospital（布莱根妇女医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 Count Bridges通过随机桥过程建模整数数据并实现解卷积，适用于单细胞基因表达和空间转录组分析。

Engineering Regression Without Real-Data Training: Domain Adaptation for Tabular Foundation Models Using Multi-Dataset Embeddings

工程回归无需真实数据训练：使用多数据集嵌入进行表格基础模型的领域适应

Lyle Regenwetter, Rosen Yu, Cyril Picard, Faez Ahmed

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出一种无需真实数据训练的工程回归方法，通过多数据集嵌入技术提升基础模型在数据稀少领域的表现。

RADAR: Learning to Route with Asymmetry-aware DistAnce Representations

RADAR: 基于不对称距离表示的学习路由

Hang Yi, Ziwei Huang, Yining Ma, Zhiguang Cao

机构 * Singapore Management University（新加坡管理大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 RADAR通过引入不对称距离表示，提升神经求解器在解决不对称车辆路径问题中的性能和泛化能力。

Comments Accepted by ICLR

YuriiFormer: A Suite of Nesterov-Accelerated Transformers

YuriiFormer：一种基于Nesterov加速的Transformer套件

Aleksandr Zimin, Yury Polyanskiy, Philippe Rigollet

机构 * MIT（麻省理工学院） 纠错

AI总结 YuriiFormer通过将Transformer层视为优化算法迭代过程，提出了一种基于Nesterov加速的Transformer架构，在多个文本数据集上实现了优于基线模型的性能。

True Self-Supervised Novel View Synthesis is Transferable

真正的自监督新视角合成是可迁移的

Thomas W. Mitchel, Hyunwoo Ryu, Vincent Sitzmann

机构 * Adobe, PlayStation（Adobe公司、PlayStation） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出XFactor，首个无需几何的自监督模型，实现真正的新视角合成并通过无约束潜在姿态变量实现可迁移性。